DDD 三重差分模型简介

什么是 DDD？

三重差分法（Difference-in-Difference-in-Differences, DDD）是双重差分法（DID）的扩展形式。它主要用于解决 DID 模型中可能存在的“平行趋势假设”不成立的问题，或者当政策冲击不仅随时间和地区变化，还随特定人群变化时。

核心逻辑

DDD 通过引入第三个维度（通常是群体维度），构建了更严格的反事实框架：

1. 第一重差分：比较目标群体与控制群体之间的差异。
2. 第二重差分：比较政策实施前后的时间差异（即传统的 DID）。
3. 第三重差分：比较“处理地区”的 DID 与“控制地区”的 DID 之间的差异。

数学表达

基准回归方程通常设定为：
$$ Y_{igt} = \beta_0 + \beta_1 Treat_i + \beta_2 Post_t + \beta_3 Group_g + \beta_4 (Treat_i \times Post_t) + \beta_5 (Treat_i \times Group_g) + \beta_6 (Post_t \times Group_g) + \beta_7 (Treat_i \times Post_t \times Group_g) + \epsilon_{igt} $$

其中，系数 $\beta_7$ 即为我们要估计的 DDD 效应量，它剔除了随时间变化的共同冲击、随地区变化的固定效应以及随群体变化的固有差异。

适用场景

• 政策仅在部分地区对特定人群实施。
• 需要排除仅针对特定群体的时间趋势干扰。
• 例如：某省（Treat）在某年（Post）对老年人（Group）实施了新的医保政策，需评估该政策对老年人医疗支出的影响，同时排除该省年轻人或其他省份老年人的自然变化趋势。

DDD 计算结果展示说明

本模块不包含图形化界面，所有结果通过标准输出（Console）或 API 返回的 JSON 数据呈现。以下是输入与输出的具体对应描述：

1. 输入描述

用户需构建一个包含以下字段的观测数据列表（List of Objects），并传递给 calculate 方法：

• isTreated (Boolean): 标记样本是否位于政策实施地区（1=是，0=否）。
• isPost (Boolean): 标记样本是否处于政策实施后时期（1=是，0=否）。
• isTargetGroup (Boolean): 标记样本是否属于目标受影响群体（1=是，0=否）。

• outcome (Double): 连续型结果变量（如：收入、支出、就业率等）。

• 输入示例逻辑*：

系统接收 8 组均值数据或原始微观数据。若传入原始数据，系统将自动按上述三个布尔维度分组并计算各组均值。

2. 输出描述

程序执行完毕后，将返回一个包含关键统计量的 JSON 对象（或控制台打印结构化文本）。

• 输出内容包含：
  1. 基础均值*：
  • 输出 8 个细分单元格的因变量均值（例如：mean_TPG 表示 处理组×后期×目标群体 的平均值）。
  • 格式示例: "mean_TPG": 52.4

2. 中间过程指标：

   • DID_Treat: 处理地区内，目标群体相对于控制群体的前后变化差值。
   • DID_Control: 控制地区内，目标群体相对于控制群体的前后变化差值。
   • 格式示例: "DID_Treat": 3.5, "DID_Control": 0.8

3. 最终核心结果：

   • DDD_Estimate: 三重差分估计量（即 $\beta_7$）。
   • 含义: 表示在剔除了地区、时间和群体固有趋势后，政策带来的净效应。
   • 格式示例: "DDD_Estimate": 2.7

3. 交互示例

• 当用户输入*：

一组包含 10,000 条记录的列表，其中定义了某省老年人在政策前后的健康评分，以及对照省和对照年轻人的数据。

• 系统将输出*：

一段 JSON 文本，其中 DDD_Estimate 字段显示为 1.25。这表示该政策使目标地区的目标群体健康评分平均提升了 1.25 个单位，且该结果已排除了其他地区和其他人群的干扰因素。若数据不足导致无法计算某组均值，对应字段将返回 0.0 并建议在日志中检查数据覆盖率。