双重差分法又叫做倍差法，被用作政策效应评估，由于双重差分法的原理以及模型非常的容易理解。因此，受到了很多人的喜爱，双重差分法的本质就是面板数据固定效应，因此仅仅需要面板数据，如果只有截面数据的话，是不能够运用双重差分法的。
DID模型中包括个体与分组虚拟变量，如果个体会受到政策实施的影响，那么，分组虚拟变量将会取1，否则，分组虚拟变量就会取0，这样便可以反映出政策实施的净效应是什么样的，在双重差分法的模型中，还需要有至少达两年的面板数据集，这样才能够正确的反映政策实施的效应。
扩展资料：
关于DID的稳健性检验，主要表现在两个方面：
（1）共同趋势的检验。这个假设是比较难验证的，看文献时会发现别人经常没有做该检验，比如，很多人做DID时只有政策实施前后各一年的数据，这样的的话根本无法验证政策实施前的趋势问题。不过，如果是多年的面板数据，可以通过画图来检验CT假设，之前推荐的那篇AER文章就画了大量的图形对此进行了说明。
（2）即便处理组和对照组在政策实施之前的趋势相同，仍要担心是否同时发生了其他可能影响趋势变化的政策，也就是说，政策干预时点之后处理组和对照组趋势的变化，可能并不真正是由该政策导致的，而是同时期其他的政策导致的。这一问题可以概括为处理变量对产出变量作用机制的排他性。
举例：
现在要修一条铁路，铁路是条线，所以必然会有穿过的城市和没有被穿过的城市。记Di=1 如果城市i被穿过，Di=0 如果城市i没有被穿过。
现在我们比较好奇铁路修好以后，被铁路穿过的城市是不是经济增长更快了？我们该怎么做呢？
一开始的想法是，我们把Di=1的城市的GDP加总，减去Di=0的城市的GDP加总，然后两者一减，即E(Yi|Di=1)-E(Yi|Di=0)，这样我们就算出了两类城市的GDP的平均之差。
这样做不用说肯定有问题。万一被铁路穿过的城市在建铁路之前GDP就高呢？为了解决这个问题，我们需要观察到至少两期，第一期是建铁路之前，第二期是建铁路之后。我们先把两类城市的GDP做两期之差，即：
这是第一次差分，经过这一步，我们实际上算出了每个城市GDP的增长（率，如果取log之后），也就是GDP的趋势。
完了之后，计算：
这是第二次差分。这一步就把两类城市在修建铁路之前和之后的GDP增长率的差异给算出来了，这就是我们要的处理效应，即修建铁路之后对城市经济的促进作用。
这个东西你还可以换一个写法。记T=1 如果时间为建铁路之后，T=0如果时间为建铁路之前，那么我们可以得到一个表：
Treated代表在某一期，某一类城市是不是建了铁路。第零期肯定没有建铁路，第一期只有Di=1的城市建了铁路。所以Treated=Di*T。因此我们把方程写成：
对时间差分，得到：
再次差分，取期望：
可见，gamma就是我们想要估计的处理效应。
所以实际做的时候，可以直接跑
这个式子的回归，得到的交叉项的系数就是所要估计的处理效应。
用一个图表示就是：
所以看清楚了，这里DID最关键的假设是common trend，也就是两个组别在不处理的情况下，y的趋势是一样的。
那么你会说了，铁路穿过的城市可能本身GDP也高，而GDP高的城市按照理论GDP增长率可能更高可能更低，所以common trend的假设可能是不对的，那怎么办？
如果这个问题存在，我们可以进一步假设在控制了某些外生变量之后，common trend是对的，比如上个问题，我们可以控制城市在t=0期的GDP level。当我们控制其他变量之后，自然不能直接减两次了，我们需要用上面说的回归式子，即run the following OLS:
1、双重差分模型（difference-in-difference，DID）近年来多用于计量经济学中对于公共政策或项目实施效果 的定量评估。
2、通常大范围的公共政策有别于普通科研性研究，难以保证对于政策实施组和对照组在样本分配上的完全随机。
3、非随机分配政策实施组和对照组的试验称为自然试验（naturaltrial），此类试验存在较显著的特点，即不同组间样本在政策实施前可能存在事前差异，仅通过单一前后对比或横向对比的分析方法会忽略这种差异，继而导致对政策实施效果的有偏估计。
4、DID模型正是基于自然试验得到的数据，通过建模来有效控制研究对象间的事前差异，将政策影响的真正结果有效分离出来。
