平行趋势到底在看什么？我们继续沿用前面的环保政策例子。2019 年，某城市开始对高污染企业实施更严格的环保监管，你把高污染企业作为实验组，把其他企业作为对照组，跑了一个 DID，结果也显著。但这时候有人提出质疑：政策前几年，高污染企业的利润水平明显低于其他企业，这还能用 DID 吗？这里恰恰是对“平行趋势”最常见、也最致命的误解。平行趋势从来不要求两组企业在政策前“看起来一样”，它只关心一件事：如果没有政策，这两组企业的变化轨迹是否可以被认为是相同的。
那平行趋势到底怎么看？最规范、也是最容易被审稿人接受的方式，并不是简单画一张均值图，而是把政策发生前的每一年单独拆出来，检验这些年份是否已经出现了系统性差异。直观理解就是：政策还没来之前，实验组有没有提前“动起来”？
具体做法是，把年份转化为“相对于政策实施年的时间”，例如 2019 年作为 0，2018 年是 −1，2017 年是 −2，以此类推。然后分别生成这些年份与实验组的交互项，观察政策前几年的系数是否显著。如果在政策前，所有这些系数都围绕 0 波动且不显著，而在政策实施之后开始明显偏离 0，那么我们就有充分理由相信：实验组和对照组在政策前不存在趋势上的系统性差异。
? Stata 代码
相对政策时间
gen rel_year = year - 2019
构造事件期虚拟变量（以 -1 年为基准）
forvalues i = -4/4 {
gen Di\' = (rel_year == i\') * treat
}
事件研究回归
xtset firm year
xtreg profit D-4 D-3 D-2 D0 D1 D2 D3 D4 i.year, fe cluster(firm)
在这组结果中，真正需要盯紧的不是政策后的系数，而是政策前的 D-4、D-3、D-2。如果它们不显著，你的 DID 才算真正站稳脚跟。
那如果趋势真的不平行，还能不能救？答案是：有时可以，但不能强行。 最常见、也最合理的做法，是缩短时间窗口，只使用政策前最近、趋势最接近的几年；而如果即便在临近政策前，趋势依然明显发散，那么问题往往不在技术，而在研究设计本身——这种情况下，DID 可能并不适合你的问题。
#实证分析 #硕士论文 #毕业论文 #多元线性回归 #统计学
那平行趋势到底怎么看？最规范、也是最容易被审稿人接受的方式，并不是简单画一张均值图，而是把政策发生前的每一年单独拆出来，检验这些年份是否已经出现了系统性差异。直观理解就是：政策还没来之前，实验组有没有提前“动起来”？
具体做法是，把年份转化为“相对于政策实施年的时间”，例如 2019 年作为 0，2018 年是 −1，2017 年是 −2，以此类推。然后分别生成这些年份与实验组的交互项，观察政策前几年的系数是否显著。如果在政策前，所有这些系数都围绕 0 波动且不显著，而在政策实施之后开始明显偏离 0，那么我们就有充分理由相信：实验组和对照组在政策前不存在趋势上的系统性差异。
? Stata 代码
相对政策时间
gen rel_year = year - 2019
构造事件期虚拟变量（以 -1 年为基准）
forvalues i = -4/4 {
gen Di\' = (rel_year == i\') * treat
}
事件研究回归
xtset firm year
xtreg profit D-4 D-3 D-2 D0 D1 D2 D3 D4 i.year, fe cluster(firm)
在这组结果中，真正需要盯紧的不是政策后的系数，而是政策前的 D-4、D-3、D-2。如果它们不显著，你的 DID 才算真正站稳脚跟。
那如果趋势真的不平行，还能不能救？答案是：有时可以，但不能强行。 最常见、也最合理的做法，是缩短时间窗口，只使用政策前最近、趋势最接近的几年；而如果即便在临近政策前，趋势依然明显发散，那么问题往往不在技术，而在研究设计本身——这种情况下，DID 可能并不适合你的问题。
#实证分析 #硕士论文 #毕业论文 #多元线性回归 #统计学
