将双重差分推广到非标准设定：识别一系列估计量

考虑一个一般设定，其中在两个时间点对两个“组”收集结果数据，某些组-时期被视为“处理组”，其他被视为“未处理组”。一个特例是规范的双重差分(DiD)设定，其中一个组仅在第二时期接受处理，而另一个组在两个时期均未接受处理。众所周知，在两组间平行趋势假设下，经典的DiD公式（用处理组结果跨时期的平均变化减去未处理组结果跨时期的平均变化）识别了第二时期处理组的平均处理效应。但组、时期和处理之间可能存在其他关系。例如，组可能是人口统计学（或其他基线协变量）类别，其中两个组中的所有单位在第二时期都接受处理，而在第一时期均未接受处理，即前-后设计。或者，一个组在两个时期都接受处理，而另一个组在两个时期均未接受处理。此外，在其他处理机制下也可能存在其他平行趋势假设。例如，我们可以假设在“第二时期不转换处理”的机制下，两组潜在结果会平行演化。事实上，存在一系列的数据结构和平行趋势假设。两组结果变化之间的差异，我们称之为“组DiD”(gDiD)公式，根据所采用的数据结构和平行趋势假设，识别不同的因果估计量。在此，我们确定了在哪些数据结构和假设的组合下，gDiD公式能识别有意义的因果估计量。我们还探讨了何时平行趋势假设可通过单世界干预图进行经验检验或结构证明。