Difference-in-Differences (DID)
DID (Sai phân kép) là phương pháp suy luận nhân quả ước lượng tác động của một can thiệp/chính sách bằng cách so sánh thay đổi theo thời gian giữa nhóm xử lý (treatment) và nhóm đối chứng (control). Ý tưởng: chênh lệch của chênh lệch trước–sau giữa hai nhóm chính là tác động chính sách, với điều kiện hai nhóm có xu hướng song song (parallel trends) nếu không có can thiệp.
Trong EcoLab, DID thuộc nhóm Suy luận nhân quả (Causal Inference). Xem Ước lượng & Mô hình hóa.
Khi nào nên dùng DID?
- Có một cú sốc/chính sách áp dụng cho một nhóm tại một thời điểm, nhóm khác không bị áp dụng.
- Có dữ liệu trước và sau can thiệp cho cả hai nhóm (panel hoặc lặp lại chéo).
- Giả định xu hướng song song là hợp lý (kiểm tra được bằng pre-trends).
Đặc tả mô hình
Dạng DID hai nhóm – hai thời kỳ:
- (hệ số tương tác) là ước lượng tác động chính sách (ATT).
- Mở rộng: TWFE (two-way fixed effects) với hiệu ứng cố định đơn vị và thời gian cho nhiều nhóm/nhiều thời kỳ.
Giả định và kiểm định
- Xu hướng song song (parallel trends): kiểm tra bằng so sánh xu hướng trước can thiệp (pre-trends) qua event study.
- Không có cú sốc đồng thời chỉ ảnh hưởng một nhóm.
- SUTVA / không lan tỏa giữa nhóm xử lý và đối chứng.
- Với thời điểm xử lý so le (staggered), TWFE truyền thống có thể chệch — cân nhắc các ước lượng hiện đại (Callaway–Sant'Anna, Sun–Abraham).
- Sai số chuẩn cụm (clustered) theo đơn vị.
Thực hiện trong EcoLab
- Module Thu thập dữ liệu: tạo biến
Treat,Postvà biến tương tác; chuẩn bị dữ liệu panel. - Module Mô hình hóa → nhóm Causal Inference → DiD (hoặc TWFE).
- Khai báo biến xử lý, thời gian, biến kết quả và các biến kiểm soát; chọn sai số chuẩn cụm.
- Chạy event study để kiểm tra pre-trends; đọc hệ số
δ(ATT) và mã tái lập.
Ví dụ đầu vào / đầu ra
Đầu vào (minh họa): chính sách hỗ trợ doanh nghiệp áp dụng từ năm T tại một số tỉnh; revenue là kết quả.
Đầu ra (định dạng, số liệu minh họa — không phải kết quả thực):
| Thành phần | Hệ số | p-value |
|---|---|---|
| Treat × Post (δ, ATT) | 0.124*** | 0.003 |
| Pre-trend (event study) | ≈ 0, không ý nghĩa | song song hợp lệ |
Diễn giải: chính sách làm tăng kết quả khoảng 12.4% so với đối chứng; pre-trends không ý nghĩa củng cố giả định song song.
Minh họa mã tái lập
- Stata
- R
- Python
* === DID — Difference-in-Differences ===
* C ách 1: Hồi quy tương tác với sai số chuẩn cụm
regress y i.treated##i.post controls, vce(cluster id)
* Cách 2: Lệnh chuyên dụng diff (cần cài ssc install diff)
diff y, t(treated) p(post)
* Staggered DID hiện đại (Callaway–Sant'Anna)
* cần cài: ssc install did_multiplegt
did_multiplegt y id time treated
# === DID — Difference-in-Differences ===
# Cách 1: Hồi quy tương tác + sai số chuẩn cụm
library(lmtest)
library(sandwich)
did_lm <- lm(y ~ treated * post + controls, data = df)
coeftest(did_lm, vcov = vcovCL(did_lm, cluster = df$id))
# Cách 2: Gói did (Callaway–Sant'Anna) cho staggered DID
library(did)
att <- att_gt(
yname = "y",
tname = "time",
idname = "id",
gname = "first_treated",
data = df
)
summary(att)
aggte(att, type = "dynamic") # event study
# === DID — Difference-in-Differences ===
import statsmodels.formula.api as smf
# Hồi quy tương tác với sai số chuẩn cụm
did_model = smf.ols('y ~ treated * post + controls', data=df)
result = did_model.fit(
cov_type='cluster',
cov_kwds={'groups': df['id']}
)
print(result.summary())
# Hệ số tương tác treated:post = δ (ATT)
Hạn chế và lưu ý
- Kết quả vô hiệu nếu xu hướng song song bị vi phạm — luôn báo cáo event study.
- Staggered DID với TWFE có thể bị "negative weighting"; dùng ước lượng hiện đại khi thời điểm xử lý khác nhau.
- Nhóm đối chứng phải thực sự so sánh được; cân nhắc kết hợp [PSM] hoặc synthetic control.
- Cần đủ quan sát trước can thiệp để kiểm tra pre-trends.