21_DDD的基本思想

三重差分法（DDD）的基本思想

三重差分法（Difference-in-Differences-in-Differences，简称 DDD 或 Triple Differences）是 DID 的扩展，用于处理更复杂的识别问题。

---

一、DDD 的核心逻辑

研究场景

当标准 DID 的平行趋势假设可能不成立，但我们有第三组可以提供额外信息时，DDD 可以通过"三次差分"进一步剥离混淆因素。

三次差分

$\hat{\tau}_{DDD} = (\Delta Y_{T1} - \Delta Y_{C1}) - (\Delta Y_{T2} - \Delta Y_{C2})$

其中：

• 下标 T/C 表示处理组/控制组
• 下标 1/2 表示两个子群体

---

二、DDD 的识别假设

平行趋势的平行趋势

DDD 假设：处理组和控制组之间趋势差异的变化在两个子群体中是相同的。

即：如果标准 DID 的平行趋势在子群体 2 中不成立（存在趋势差异 $\delta$），我们假设这个趋势差异在子群体 1 中也同样存在。通过 DDD，可以减去这个共同的趋势差异。

直观理解

• 子群体 2（不受政策影响）：提供了一个"趋势差异"的基准
• 子群体 1（受政策影响）：包含政策效应 + 趋势差异
• DDD = 子群体 1 的 DID - 子群体 2 的 DID = 政策效应

---

三、经典应用：Card & Krueger (1994) 的扩展

原研究比较了新泽西（提高最低工资）和宾夕法尼亚（不提高）的就业变化。

DDD 扩展：可以进一步比较快餐店（受最低工资影响大）和高级餐厅（受最低工资影响小）：

	新泽西-宾州 DID	含义
快餐店	DID_1	政策效应 + 趋势差异
高级餐厅	DID_2	趋势差异（近似）
DDD	DID_1 - DID_2	政策效应

---

四、DDD 的局限性

1. 假设更强：需要假设趋势差异在两个子群体中相同
2. 解释更复杂：结果的解释不如 DID 直观
3. 数据需求更高：需要三个维度的变异

---

核心要点

1. DDD 是 DID 的扩展，通过第三组提供额外的识别信息
2. 核心假设是趋势差异在子群体间相同
3. 适用于标准 DID 平行趋势可能不成立的场景
4. 假设比 DID 更强，需谨慎使用