### Python 实现多期 DID 平行趋势检验 为了验证多期差分-in-差分 (Difference-in-Differences, DID) 的平行趋势假设，通常需要构建一个时间序列回归模型来测试处理组和对照组在政策实施前的趋势是否一致。以下是基于 Python 的实现方法： #### 数据准备 假设有如下数据结构： | year | group | treated | outcome | |------|-------|---------|---------| | ... | A | 0 | y_A,t | | t | B | 1 | y_B,t | 其中 `year` 是年份变量；`group` 表示不同个体或单位；`treated` 标识该观测值属于处理组还是控制组；`outcome` 则为目标因变量。 #### 构建交互项 对于每一年创建一个二元指示符（dummy variable），并与 `treated` 变量相乘得到交互项。这有助于捕捉随时间变化的影响效应。 ```python import pandas as pd from statsmodels.formula.api import ols # 假设 df 已经包含了上述表格的数据框形式 df['post'] = (df['year'] >= 政策生效年).astype(int) for i in range(最小年, 最大年 + 1): col_name = f'yr{i}' df[col_name] = ((df.year == i)).astype('int') interaction_terms = [] for yr_col in [f'yr{x}' for x in range(最小年, 最大年)]: interaction_term = f'{yr_col}:treated' interaction_terms.append(interaction_term) ``` #### 进行 OLS 回归分析 使用普通最小二乘法估计含有所有交互项的多元线性回归方程，并检查各系数显著性水平。 ```python formula = 'outcome ~ C(year)*C(treated)' model = ols(formula=formula, data=df).fit() print(model.summary()) ``` 此部分代码会输出详细的统计摘要信息，包括各个参数的标准误、t 统计量及其对应的 p-value 等重要指标。如果发现某些特定时期的交互项不具有统计学意义，则可能意味着违反了平行趋势前提条件。 #### Stata 实现 同样地，在Stata中也可以完成类似的检验工作: ```stata * 加载数据集 use your_dataset.dta, clear * 创建年度虚拟变量以及它们同处理状态之间的交叉产品 tabulate year, gen(yr_) foreach v of varlist yr_* { generate int interact_`v'= `v'*treated } * 执行OLS回归 regress outcome c.treated##i.yr_, robust cluster(id) testparm *interact* ``` 以上命令将会报告关于平行趋势假设的相关诊断结果。