Difference-in-Differences (DiD) for Causal Effect Estimation

1. 解决的问题

核心思想：利用处理组和对照组在政策/干预前后的变化差异来估计因果效应。基本逻辑是：如果没有干预，处理组的趋势应该与对照组平行（平行趋势假设）。干预后的实际差异减去趋势差异，就是干预的净效应。

2. 核心算法逻辑

核心思想：利用处理组和对照组在政策/干预前后的变化差异来估计因果效应。基本逻辑是：如果没有干预，处理组的趋势应该与对照组平行（平行趋势假设）。干预后的实际差异减去趋势差异，就是干预的净效应。

3. 业务应用场景

业务问题：2025年美国对中国产婴儿推车加征25%关税。团队需要评估：关税究竟导致销量下降了多少？是自然的市场波动，还是关税的直接影响？

应用流程： 1. 定义处理组和对照组： - 处理组：销往美国的婴儿推车（受关税影响） - 对照组：销往加拿大/英国的婴儿推车（未受关税影响） 2. 定义时间窗口： - 干预前：2024年6月-2025年5月（12个月） - 干预后：2025年6月-2026年5月（12个月） 3. 检验平行趋势：事件研究法，看干预前12个月处理组和对照组的趋势是否平行 4. 估计DiD效应：计算交互项系数

预期产出： - 关税导致的销量下降幅度（如：月均销量下降 18%，其中 12% 可归因于关税） - 事件研究图：干预前后各月的动态效应 - 稳健性检验：安慰剂检验、替换对照组

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• 数据要求：需要处理组和对照组在干预前后的面板数据
• 技术门槛：低，核心是OLS回归
• 主要挑战：平行趋势假设的检验和满足（需要领域知识选择合理的对照组）
• 必要性极高：跨境电商面临大量外部政策冲击（关税、平台规则、物流变化），DiD是最自然的评估工具
• 通用性强：几乎所有"自然实验"场景都适用
• 实施成本低：不需要实验数据，利用现有历史数据即可

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Difference-in-Differences (DiD) — 双重差分因果效应估计
用于评估政策/干预对母婴出海业务的因果影响

支持：经典DiD、Staggered DiD（Callaway-Sant'Anna）、事件研究法
"""

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import warnings
warnings.filterwarnings('ignore')


# ==================== DiD 核心实现 ====================

class DifferenceInDifferences:
    """双重差分估计器"""

    def __init__(self, method='classic'):
        """
        初始化 DiD 估计器

        Args:
            method: 'classic' 或 'staggered'
        """
        self.method = method
        self.model = None
        self.tau = None
        self.se = None
        self.event_study_results = None

    def fit(self, df, unit_col, time_col, treat_col, post_col, outcome_col,
            covariates=None, cluster_col=None):
        """
        拟合 DiD 模型

        Args:
            df: DataFrame
            unit_col: 单元标识列（如店铺ID、国家）
            time_col: 时间列
            treat_col: 处理标志列（1=处理组，0=对照组）
            post_col: 干预后标志列（1=干预后，0=干预前）
            outcome_col: 结果变量列（如销量、转化率）
            covariates: 协变量列表（可选）
            cluster_col: 聚类标准误的聚类变量（可选）
        """
        df = df.copy()

        # 创建交互项
        df['treat_post'] = df[treat_col] * df[post_col]

        # 构建特征矩阵
        feature_cols = [treat_col, post_col, 'treat_post']
        if covariates:
            feature_cols.extend(covariates)

        X = df[feature_cols].values
        y = df[outcome_col].values

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。