1.4 研究方法

本书使用的研究方法主要是双重差分法。双重差分法是评估政策因果效应的重要研究方法。双重差分法适用于在政策实施前所有个体都未受到政策干预，而在政策实施后有部分个体受到政策干预的情形。本书将受到政策干预的组称为处理组，而将未受到政策干预的组称为对照组。笔者根据政策实施时间（T）和个体是否受到政策干预（D）这两个变量将样本分为4组，如表1-1所示。

表1-1 双重差分法

在政策实施评估中，本书主要关心处理组的平均因果处理效应，即政策干预对受到影响的个体的平均影响程度。同时，双重差分模型的识别条件是共同趋势假设成立，即如果没有政策干预，那么处理组和对照组在政策实施前后应该具有相同的变动趋势。由于在政策实施后，处理组的反事实无法被观测，因此本书将借鉴以往研究中使用的方法，即通过检验政策实施前处理组和对照组是否具有相同的变动趋势来间接验证共同趋势假设。双重差分法示意图如图1-6所示。

图1-6 双重差分法示意图

根据共同趋势假设，我们可以推导出如下双重差分估计量：

其中，t为处理组试点年份，t-1为处理组试点前年份，c为对应地区，Dct=1表示c地区在t年进入处理组，Dct=0表示c地区在t年是对照组，Xct为控制变量。因此，E（Y1ct｜Dct=1，Xct）表示在给定Xct变量后，处理组c地区在试点年份t后的平均经济发展情况，E（Y0pt｜Dpt=1，Xpt）表示试点地区的反事实，实际无法观测。因此，使用双重差分法的前提条件是平行趋势假设成立，即E（Y0ct｜Dct=1，Xct）=｛E（Y0ct-1｜Dct=1，Xct）+E（Y0ct-Y0ct-1｜Dc=0，Xct）｝。其中，等号右边的条件期望可以基于观测数据计算得到，而等号左边的反事实是无法观测到的，因此平行趋势假设无法通过可观测数据来检验。若处理组与对照组的变化趋势在试点前无显著差异，那么我们可以推断平行趋势假设很有可能成立。

另外，本书使用了双向固定效应模型。在计量经济学领域，面板数据模型因具有独特的数据结构，即同时包含时间序列和横截面数据，而成为研究复杂经济现象不可或缺的工具。双向固定效应模型作为面板数据分析的一种形式，通过精细地控制个体固定效应和时间固定效应，为研究提供对变量间因果关系更为精确的估计。双向固定效应模型是一种多元线性回归模型，其核心在于同时考虑了不随时间推移而变化的个体特征（个体固定效应）和所有个体在特定时间点共同面临的外部冲击（时间固定效应）。这种模型结构使得研究能够更为准确地剥离出自变量对因变量的净影响，因为模型已经控制了那些可能同时影响自变量和因变量，但又不易观测的个体特征和时间因素。使用该模型的优势在于，能够控制未观测的异质性因素。在经济学研究中，个体层面和时间层面的异质性因素往往是难以避免且难以完全观测到的，这些未观测到的异质性因素可能导致估计结果出现偏差。而双向固定效应模型通过引入个体固定效应和时间固定效应，有效地控制了这些未观测到的异质性因素，从而增强了估计结果的可靠性和准确性。

综上所述，双向固定效应模型作为面板数据分析的重要工具，在计量经济学研究中发挥着举足轻重的作用。其通过精细地控制个体固定效应和时间固定效应，为研究者提供了更为可靠的因果推断方法。值得说明的是，双重差分模型和双向固定效应模型均基于面板数据进行分析。面板数据同时包含横截面数据和时间序列两个维度，这使得双重差分模型和双向固定效应模型能够捕捉个体（或群体）随时间推移而变化的行为特征。这两种模型都试图通过控制某些变量来减少估计偏误。双重差分模型通过比较处理组（接受政策或干预的组）和对照组（未接受政策或干预的组）在政策（或干预）实施前后的差异，来估计政策（或干预）的实施效应，这实际上控制了时间不变的个体特征、处理组与未处理组之间的异质性。双向固定效应模型则通过引入个体固定效应和时间固定效应，进一步控制未观测到的个体异质性和时间趋势。通过控制潜在的混杂因素，我们能够更准确地估计处理效应（或政策效应），从而为本书的研究提供有力支持。