使用因果图评估双重差分研究中的平行趋势

双重差分法（DID）之所以流行，是因为当关键的平行趋势假设成立时，它可以允许存在未测量的混杂。然而，关于如何先验地判断这一假设是否合理，现有的指导很少。我们试图通过考虑因果图与平行趋势假设之间的关系来发展此类指导。这具有挑战性，因为平行趋势是尺度依赖的，而因果图通常是尺度独立的。我们发展了一些条件，在这些条件下，给定一个非参数因果图，可以拒绝或无法拒绝平行趋势。特别是，我们采用了一个线性忠实性假设，该假设指出所有图形上连接的变量都是相关的，这在实践中通常是合理的。我们表明，如果满足以下任一条件，则可以拒绝平行趋势：（i）处理受到处理前结果的影响，或（ii）存在未测量的混杂因素，这些混杂因素影响处理对处理前结果的效果，但不是处理后结果的混杂因素，反之亦然（更准确地说，两个结果拥有不同的最小充分集）。我们还论证，如果（iii）处理前结果影响处理后结果（尽管两者可能相关），则应对平行趋势提出强烈质疑，因为存在合理的半参数模型，其中这种效应违反了平行趋势。当（i-iii）不存在时，平行趋势的一个必要且充分条件是，共同混杂因素集与潜在结果之间的关联在加性尺度上在处理前后是恒定的。这些条件与先前在线性结构方程模型中推导出的条件相似，但更为通用。我们在美国平价医疗法案下医疗补助扩展对健康保险覆盖率影响的背景下讨论了我们的方法。