双重差分（DID）
基础学习策略
3_面向应用的计量经济方法学习策略
作者：计量科研导航站发布：2026-04-14★★
面向应用的计量方法学习策略——以 DID 为例
掌握双重差分法（DID）需要理论、实证、代码三位一体的学习。本文以 DID 为例，总结面向实证研究的方法学习策略，并提供 AI 赋能下的学习建议。
三位一体学习框架
透彻学习任何计量方法，需要同时覆盖三个维度：
第一维度：理论
- 基本概念：因果效应定义、潜在结果框架、处理效应类型
- 基本原理：识别逻辑、关键假设、推导过程
- 模型形式：回归方程、估计量构造、方差估计
- 关键假设：平行趋势、SUTVA、外生性等
第二维度：实证
- 设计思路：如何处理/控制组的选择、处理时间的确定
- 必要检验：平行趋势检验、安慰剂检验、预趋势分析
- 论证逻辑：从数据到结论的完整推理链条
第三维度：代码
- 模拟理解：通过模拟数据验证方法的正确性
- 实证复现：复现经典论文的结果，理解细节
理论学习的途径
经典教材
| 教材 | 特点 |
|---|---|
| Mostly Harmless Econometrics (Angrist & Pischke) | 直觉驱动，公式最少，最适合入门 |
| Causal Inference: The Mixtape (Cunningham) | 免费在线阅读，案例丰富 |
| Mastering 'Metrics (Angrist & Pischke) | 面向非技术读者，直觉解释出色 |
| Advanced Econometrics (Wooldridge) | 全面严谨，适合深入理论 |
论文文献
| 类型 | 推荐 |
|---|---|
| 方法论论文 | Ashenfelter & Card (1984), Bertrand et al. (2004), Callaway & Sant'Anna (2021) |
| 应用论文 | Card & Krueger (1994), 周黎安 & 陈烨 (2005) |
| 综述论文 | Imbens & Wooldridge (2009), Athey & Imbens (2017) |
实证学习的途径
实证研究的核心要素
- 研究问题：明确因果问题，定义处理变量和结果变量
- 数据构造：构建面板数据，确定处理组和控制组
- 模型设定：选择合适的估计方法（TWFE / CS / SA）
- 假设检验：平行趋势、安慰剂、预趋势
- 稳健性检验：替换样本、更换模型、更换聚类层级
- 异质性分析：处理效应因何而异？
- 机制分析：处理通过什么渠道影响结果？
代码学习的途径
模拟数据理解原理
通过模拟数据生成过程（DGP），可以直观理解 DID 的工作原理：
实证复现
复现顶刊论文是理解方法的最高效途径：
- 英文顶刊：JPE、QJE、AER、RES 等期刊网站
- 中文顶刊：《经济研究》《管理世界》《中国工业经济》《数量经济技术经济研究》
- 推荐复现论文：Card & Krueger (1994)、周黎安 & 陈烨 (2005)
AI 赋能下的 DID 学习
从学习到研究的全流程 AI 应用
DID 及任何计量经济学方法的 AI 应用，至少可以包含以下环节：
| 阶段 | AI 应用场景 |
|---|---|
| 理论学习 | 从直觉理解到数理推导的辅助解释 |
| 文献阅读 | 快速梗概、重点精读、代码理解与复现 |
| 实证设计 | 设计思路讨论、变量选取逻辑、内生性分析 |
| 异常结果处理 | 检验不通过、变量不显著、符号异常的诊断 |
| 结果解读 | 结果规范化解读、审稿建议回复、政策建议 |
经典案例：AI 辅助调试代码
问题：运行 DID 回归时 Stata 报错变量共线
报错信息：
AI 辅助诊断：
- 变量可能与 固定效应共线
- 在控制了 固定效应后不再有变化
解决方案：调整固定效应设定或检查变量构造逻辑。
AI 使用的重要原则
- 重视独立思考：AI 是教练和专家，不是代笔者。任何让 AI 做的，先自己尝试做
- 迭代思维：先让 AI 生成初步提示词，再逐步细化
- 保护深度思考能力：用 AI 启发而非替代思考
核心要点
- 学习计量方法需要理论、实证、代码三位一体，缺一不可
- 模拟数据 + 实证复现是理解方法的最佳途径
- AI 可以大幅提升学习效率，但独立思考能力仍需保护