因果推理方法论的兴起，引发了实证研究领域的一场“识别革命”，其最重要的成果之一是差异-差异法（Difference-in-Differences, DID）的广泛应用，并逐渐成为实证分析中识别因果效应的黄金标准。
一、先来点八卦：因果推理革命
在经济学、社会科学这些领域，大家最头疼的问题就是：到底怎么证明“因果关系”？
举个例子：
* 一座城市颁布了最低工资法，然后就业率变化了。那这个就业率的变化，是因为最低工资法，还是因为经济周期，还是因为刚好世界杯开了大家都懒得上班？
过去的老办法是建一堆“结构模型”，塞进一堆假设，再算出一个结果。但问题是：假设往往是研究者拍脑袋加进去的，别人看了会觉得：“你这不是算命吗？”
于是，因果推理革命来了。核心思想是：先别急着解释机制，先搞清楚有没有因果效应。
在这个浪潮里，实验（尤其是随机对照实验，RCT）被奉为“黄金标准”。但问题来了，社会科学里你不可能随便给一半人涨工资、一半人不涨，对吧？
于是，一大批“准实验方法”横空出世，其中最出圈的就是——差异-差异法（Difference-in-Differences, DID）。
二、DID 的核心逻辑：差上再差
别被名字吓到，其实逻辑很简单，四个字：前后对比，组间对比。
* 有一组人（处理组）被政策影响了，比如 A 城市突然出台了最低工资法。
* 另一组人（对照组）没被影响，比如隔壁 B 城市，啥都没变。
* 我们观察两组人在政策前后的变化：
* A 城市就业率：政策后 - 政策前
* B 城市就业率：政策后 - 政策前
* 然后再拿这两个变化的差值相减，就是 DID。
人话就是：“我先看处理组的变化，再减掉对照组的变化，这样一来，时间趋势和固定差异就被抵消掉了，剩下的东西就更有可能是政策造成的。”
三、和双盲实验有啥不同？
很多朋友会问：这玩意是不是就像“安慰剂对照实验”？
答案是：不一样。
* 双盲实验（RCT）：完全随机，把人分到实验组和对照组，安慰剂 vs 真药，因果识别最强，不需要额外假设。
* DID：是无奈之下的“Plan B”。现实世界很多情况下无法做随机实验，于是我们利用政策变化、自然事件这种“外生冲击”，来模拟实验效果。
关键在于 DID 有个大前提：平行趋势假设。
也就是说：如果没有政策，处理组和对照组应该在时间上走向一致。只有这样，你减出来的差才有意义。
举个比喻：
* 如果两辆车（处理组 vs 对照组）在没有政策时，本来就是平行开车的。
* 政策出台后，其中一辆突然加速了。那 DID 会说：“好，这多出来的加速度就是政策效应。”
* 但如果两辆车本来速度就不同步，那你用 DID 算出来的效果就可能是错的。
四、为什么 DID 被说成“因果关系”？
因为它的目标就是把“相关性”剥离出“因果效应”。
在普通回归里，你只能看到“政策和就业率有关”。但 DID 的差中差设计，帮你排掉了一些共同趋势和固定差异，这就离因果更近了一步。
* 时间维度：抵消掉所有大家都经历的宏观冲击（比如疫情、经济危机）。
* 组间维度：抵消掉城市之间本来就存在的固定差异（比如产业结构、文化习惯）。
* 交互项（D×Post）：剩下的那一部分变化，更可能是政策“额外带来的”，也就是因果效应。
虽然 DID 不是像 RCT 那样“铁证如山”，但在社会科学里，它几乎成了“识别的黄金标准”。
五、DID 的优点和槽点
优点：
* 简单，直观，容易操作。
* 在非实验环境下，能给出一个靠谱的因果推理框架。
* 在政策评估、制度改革研究里应用极广，已经快成标配。
槽点：
* 平行趋势假设 很难完全验证，只能用“事前趋势检验”之类的间接方法。
* 如果处理组和对照组本来就趋势不同，那 DID 估计就可能偏了。
* 处理效应异质化、动态效应问题，也会让 DID 的结果失真（这几年大家用 event study、合成控制等方法改进）。
六、总结
DID 其实就是：
* 当你没法做随机实验的时候，退而求其次，利用“时间+组间”两重差异来模拟实验。
* 它是一种 特殊的因果推理方法，因为它并不是直接观察因果，而是通过设计一个巧妙的对照逻辑，把噪音剥掉，留下尽量接近因果的东西。
所以，用 DID 的研究，就像在说：
“兄弟，我不能保证这就是 100% 的因果，但我已经尽力排掉了其他可能的干扰因素，现在这个效果，八九不离十是因果。”
在社会科学里，这已经算是很硬核的识别手段了。