当平行趋势不成立时，双重差分分析前匹配的收益与成本

双重差分(DiD)估计量是一种流行的估计量，建立在“平行趋势”假设之上，即断言处理组若未受处理，其随时间的变化会与对照组“相似”。为支持此主张，可通过匹配生成与处理组在预处理结果和/或预处理协变量上相似的比较组。遗憾的是，正如先前所指出的，这种直观的方法在偏倚方面亦有成本。为评估我们应用中匹配的权衡，我们首先在允许具有随时间对结果产生时变效应的时不变已观测与未观测混杂因子的线性结构模型下，刻画DiD分析前匹配的偏倚。基于我们的框架，我们验证了基于基线协变量的匹配一般能降低偏倚。我们进一步展示了额外基于预处理结果的匹配兼具成本与收益。首先，基于预处理结果的匹配部分平衡了未观测混杂因子，从而缓解部分偏倚；该缓解程度与结果可靠性成正比，后者衡量结果与潜在协变量的耦合程度。抵消这些收益的是，匹配通过回归至均值效应破坏DiD中的第二次差分，从而向最终估计注入偏倚。因此，我们提供了启发式准则，用于判定匹配的偏倚削减在何种程度上可能超过偏倚成本。我们通过重新分析一项在DiD分析前使用匹配的校长流失研究来阐释我们的准则，发现同时对预处理结果与已观测协变量进行匹配使估计的处理效应更可信。