统计百科 · 2026-06-24

双重差分DID的APA报告怎么写？交互项系数、平行趋势检验与稳健性格式全解

统计百科：专攻"DID结果怎么写进论文"这一格式难点——交互项DiD系数报告、平行趋势检验结果呈现、稳健性检验写法，给出可直接套用的APA 7th完整模板，并盘点期刊审稿中最常被指出的DID报告格式错误。

DID（Difference-in-Differences，双重差分）是政策评估和因果推断中最常用的准实验方法。但跑完回归，论文里到底怎么报告那个关键的交互项？平行趋势检验结果写在哪、怎么写？稳健性检验要说明哪些内容？这篇文章专攻"DID结果怎么规范写进论文"这一格式难点，给出APA 7th的完整报告模板。

你的DID报告有这些问题吗？

审稿人和导师对DID报告最常见的反馈：

"交互项系数是核心估计量，需要报告系数、标准误、t值和p值，不能只写'显著'"
"平行趋势检验（parallel trends test）没有在正文中报告，只放了图"
"标准误类型不明确，面板数据建议聚类标准误，请注明cluster level"
"缺少稳健性检验，能否尝试安慰剂检验（placebo test）或变更控制变量集"
"处理效应量（ATT）要给出95%置信区间"
"固定效应的设置需要在方法章节说明，不能只在表注里提"

这些问题集中在APA 7th关于回归分析报告的规范，加上DID方法本身对因果推断的特殊要求。本文只讲一件事：DID结果到底怎么规范写进论文的每一个环节。

本文假设你已了解回归系数基本的APA格式（如p值不加前导零等），如需回顾，参见姊妹篇 F值的APA 7th报告写法。DID方法本身的原理与操作，参见 AI辅助双重差分DID分析完整教程。

一、DID的核心逻辑与报告框架

DID估计量是什么

DID方法通过比较"处理组"与"控制组"在政策（或事件）前后的变化差异，来识别政策的因果效应。最简洁的DID模型为：

$Y_{it} = \alpha + \beta_1 \cdot Treat_i + \beta_2 \cdot Post_t + \beta_3 \cdot (Treat_i \times Post_t) + \varepsilon_{it}$

其中：

变量	含义
$Treat_i$	处理组虚拟变量（处理组=1，控制组=0）
$Post_t$	政策后虚拟变量（政策实施后=1，之前=0）
$Treat_i \times Post_t$	DID交互项，系数 $\beta_3$ 即为核心估计量
$\beta_3$	平均处理效应（ATT，Average Treatment Effect on the Treated）

报告框架三层结构

DID论文的结果报告通常包含三个层次：

基准回归：汇报核心交互项系数 $\beta_3$ 及其统计推断
平行趋势检验：验证"政策实施前，处理组与控制组趋势平行"的核心假设
稳健性检验：安慰剂检验、变更样本、变更控制变量集等

二、交互项系数的APA报告格式

必须报告的要素

DID交互项（即处理效应ATT）是整个分析的核心，APA 7th格式要求报告以下要素：

要素	格式要求	示例
系数（b或beta）	两位小数，标明是非标准化系数	b = 0.23
标准误	SE，两位小数，注明类型	SE = 0.07
t统计量	t(df)，两位小数	t(2847) = 3.28
p值	三位小数，不加前导零	p = .001
置信区间	95% CI [下界, 上界]	95% CI [0.09, 0.37]
效应方向	明确正向/负向，以及实质含义	"政策使处理组产出提高了23%"

标准误类型说明（面板数据关键）

面板数据的DID回归必须在方法章节说明标准误的处理方式，这是审稿人最常要求补充的内容：

本研究采用聚类稳健标准误（clustered robust standard errors），
聚类层级为[省份/个体/行业]，以控制组内相关性（within-cluster correlation）。

常见选项对照：

标准误类型	适用场景	APA描述
普通OLS标准误	截面数据	"采用常规标准误（conventional standard errors）"
稳健标准误（HC3）	异方差	"采用异方差稳健标准误（heteroskedasticity-robust standard errors）"
聚类稳健标准误	面板/DID	"采用聚类至[单位]层级的聚类标准误（standard errors clustered at the [unit] level）"
双向聚类标准误	多维聚类	"采用双向聚类标准误，同时聚类至[个体]和[时间]层级"

三、基准回归APA报告模板

场景设定

研究情景：评估某省2019年最低工资提高政策对企业雇员人数的影响，数据为2016-2022年面板数据（N=3,200个企业，T=7年），处理组为政策省份企业，控制组为未调整省份企业。

方法章节写法

本研究采用双重差分（Difference-in-Differences，DID）方法评估最低工资
政策对企业雇员规模的影响。基准模型设定如下：

ln(Emp)_it = alpha + beta * (Treat_i x Post_t) + gamma * X_it
             + delta_i + lambda_t + epsilon_it

其中 delta_i 为企业个体固定效应，lambda_t 为年份固定效应，
X_it 为时变控制变量集（企业规模、资产负债率、行业虚拟变量）。
核心估计量为DID交互项系数 beta，代表政策对处理组企业
平均处理效应（ATT）。标准误聚类至企业层级。
显著性水平设为 alpha = .05。

结果段落模板（基准回归）

表[X]报告了DID基准回归结果。核心交互项Treat x Post的系数估计值
为 b = X.XX（SE = X.XX），95% CI [X.XX, X.XX]，t([df]) = X.XX，p [值]，
表明[政策/事件]使处理组[因变量]平均[增加/减少]了XX%（或XX单位），
[方向]向影响[显著/不显著]。

模型控制了[控制变量列表]，并加入企业个体固定效应和年份固定效应，
以吸收不随时间变化的个体异质性和共同时间趋势。
整体模型 F([df1], [df2]) = X.XX，p < .001，
组内 R² = .XX，表明模型对[因变量]组内变异具有一定解释力。

填入数值的示例：

表3报告了DID基准回归结果。核心交互项（Treat × Post）系数估计值为 b = 0.23（SE = 0.07），95% CI [0.09, 0.37]，t(2847) = 3.28，p = .001，表明最低工资上调政策使处理组企业雇员规模（对数值）平均提高了23%，政策效应在统计上显著为正。

模型纳入企业规模（对数资产）、资产负债率、行业类型等时变控制变量，并加入企业个体固定效应和年份固定效应，以控制不随时间变化的企业异质性与宏观共同趋势。整体模型 F(8, 2847) = 42.16，p < .001，组内 R² = .218，说明模型对企业层面雇员规模变动具有合理的解释力。

四、平行趋势检验的APA报告格式

为什么平行趋势检验必须报告

DID方法的核心识别假设（parallel trends assumption）是：若不存在政策冲击，处理组与控制组的[因变量]在政策实施前应保持平行趋势。这一假设不可直接检验，但可通过**事件研究法（event study）**间接验证。

审稿人通常会要求：在正文（而非仅在附录或图注）明确报告平行趋势检验结果，并说明政策后效应的动态模式。

事件研究法模型

将DID扩展为以政策实施年份（t=0）为基准的动态模型：

$Y_{it} = \alpha + \sum_{k \neq -1} \beta_k \cdot (Treat_i \times \mathbf{1}[t-t_0=k]) + \gamma X_{it} + \delta_i + \lambda_t + \varepsilon_{it}$

基准期通常设为政策实施前一年（k = -1）
政策前各期系数（k < -1）应不显著，说明平行趋势成立
政策后各期系数（k >= 0）反映处理效应的动态演变

平行趋势检验报告模板

事件研究法（event study）结果（图[X]及表[Y]）显示：
政策实施前各期（k = -[最早期], ..., k = -2），处理组与控制组之间
的系数估计值均未达统计显著水平（所有 p > .05；
具体而言，k = -2 期：b = X.XX，SE = X.XX，p = .XXX；
k = -[n] 期：b = X.XX，SE = X.XX，p = .XXX），
支持平行趋势假设成立。

政策实施后，处理效应在 k = 0 期出现[正/负]向转变
（b = X.XX，SE = X.XX，p [值]），并在随后各期持续[增大/平稳]，
表明政策效应具有[即时性/渐进性]。

填入数值的示例：

事件研究法结果（图2及表A1）显示，政策实施前各期系数均不显著（k = -3 期：b = 0.02，SE = 0.05，p = .652；k = -2 期：b = -0.01，SE = 0.04，p = .813），支持处理组与控制组在政策前具有平行趋势的核心识别假设。政策实施后，处理效应在 k = 0 期出现显著正向转变（b = 0.18，SE = 0.06，p = .003），并在 k = 1、k = 2 期进一步增大（b = 0.23 和 b = 0.26，均 p < .01），表明最低工资政策的雇员效应具有渐进递增的动态特征。

仅使用联合F检验时的简化写法

若未做完整的事件研究，仅汇报政策前趋势的联合F检验：

对政策实施前各期交互项的联合显著性F检验结果不显著，
F([df1], [df2]) = X.XX，p = .XXX，
说明处理组与控制组在政策前不存在系统性差异趋势，
平行趋势假设具有合理的经验支撑。

五、稳健性检验的APA报告格式

常见稳健性检验类型

检验类型	目的	关键报告内容
安慰剂检验（时间安慰剂）	验证效应非偶然	虚假政策时点下交互项不显著
安慰剂检验（处理组安慰剂）	排除选择偏误	虚假处理组下交互项不显著
变更控制变量集	系数稳定性	系数方向和量级未实质变化
排除干扰事件	同期事件污染	排除后系数仍显著
变更标准误类型	推断稳健性	不同SE下统计显著性维持
PSM-DID	控制选择偏误	匹配后DID系数与基准一致

稳健性检验报告模板

安慰剂检验（虚假政策时点）：

为排除结果由偶然因素驱动的可能性，本研究将政策实施时间
人为提前[N]年（即以[年份]作为虚假政策冲击时点），重新估计DID模型。
虚假冲击时点下，交互项系数不显著（b = X.XX，SE = X.XX，p = .XXX），
与基准结果的显著效应（p < .05）形成对比，表明基准结果并非偶然。

变更控制变量集：

为考察基准结果对控制变量选取的稳健性，本研究分别估计了
（1）不含控制变量的简化模型（b = X.XX，p [值]）；
（2）基准模型（含X_it控制变量集，b = X.XX，p [值]）；
（3）扩展模型（进一步加入[额外控制变量]，b = X.XX，p [值]）。
三个模型中，DID交互项系数的方向、量级和显著性基本一致，
表明核心估计量对控制变量选取不敏感。

PSM-DID稳健性：

为控制处理组与控制组在可观测变量上的系统差异，本研究
采用倾向得分匹配（PSM）对样本进行1:1最近邻匹配，
平衡处理前特征后重新估计DID模型。
PSM-DID核心估计量为 b = X.XX（SE = X.XX，p [值]），
与基准结果（b = X.XX）高度一致，验证了基准结论的稳健性。

六、在ChatSRS一句话生成规范DID报告

打开 chatsrs.com，上传面板数据后输入：

"对我的面板数据做双重差分DID分析，因变量是企业雇员规模（对数），处理组变量是Treat，政策时点为2019年，控制变量包含企业规模和资产负债率；加入企业和年份双向固定效应；标准误聚类至企业层级；同时输出：（1）基准回归结果（含交互项系数、SE、t值、p值、95%CI）；（2）事件研究法图及政策前各期系数表；（3）安慰剂检验（提前3年）；（4）符合APA 7th格式的完整结果段落，可直接复制进论文。"

ChatSRS会同时调用R的fixest包或Stata风格的面板回归引擎，输出带聚类SE的回归表、事件研究图、安慰剂检验，并自动生成APA格式的文字报告段落。

七、方法章节标准写法（可直接修改套用）

完整方法章节模板

本研究采用双重差分（DID）方法识别[政策/事件]对[因变量]的因果效应。
数据为[起止年份]年的[省级/企业/个体]层面非平衡/平衡面板数据，
共包含[N]个[单位]、[T]个时间期，观测值[总计]个。

基准模型为：
Y_it = alpha + beta*(Treat_i x Post_t) + gamma*X_it + delta_i + lambda_t + epsilon_it

其中 delta_i 为[单位]个体固定效应，lambda_t 为年份固定效应，
X_it 包含[控制变量列表]。核心系数 beta 代表政策实施后
处理组相对于控制组的平均处理效应（ATT）。
标准误聚类至[单位]层级，以处理组内序列相关。

核心识别假设的检验：本研究采用事件研究法（event study）对
平行趋势假设进行检验，以政策实施前一年（[年份]）为基准期，
估计政策前后各期的动态处理效应。若政策前各期系数均不显著，
则支持平行趋势假设成立。

此外，本研究报告以下稳健性检验：（1）时间安慰剂检验；
（2）变更控制变量集；（3）PSM-DID。
所有分析使用ChatSRS（R fixest引擎）完成，显著性水平设为 alpha = .05。

八、DID报告常见错误对照表

常见错误	正确写法	关键点
只报告"交互项显著"	报告 b、SE、t(df)、p值和95% CI	完整统计量缺一不可
未说明标准误类型	明确说明聚类层级	面板数据必须用聚类SE
平行趋势仅放图	在正文文字中报告前期系数	审稿人要求文字呈现
政策前只说"不显著"	报告每期系数和具体p值	联合检验也要报告F和p
固定效应只在表注说明	方法章节明确说明固定效应设置	方法透明度要求
未报告稳健性检验	至少1种安慰剂+1种变更规格	因果推断可信度要求
R²用总体R²（overall R²）	面板DID报告组内R²（within R²）	固定效应模型用within R²
ATT混淆为ATE	DID识别的是ATT，非全样本ATE	概念准确性

常见FAQ

Q：DID的交互项系数要不要报告标准化系数（beta）？

A：通常不报告。DID的核心估计量是非标准化系数（unstandardized coefficient, b），因为它代表政策效应的"实际量级"（如雇员增加了多少人、工资提高了多少元），标准化系数会失去这一直觉含义。方法章节应明确说明报告的是非标准化系数。若因变量是对数形式，系数可近似解释为百分比变化（如 b = 0.08 ≈ 8%；精确计算为 e^0.08 − 1 ≈ 8.3%，误差约 0.3ppt，在小系数情形下近似可接受），在结果段落中应加此注释。若系数较大（如 b = 0.23），精确计算 e^0.23 − 1 ≈ 25.9%，与近似值 23% 相差约 2.9ppt，建议直接报告精确值。

Q：双向固定效应模型（TWFE）的F检验怎么写？

A：双向固定效应模型（Two-Way Fixed Effects）整体显著性检验的写法与普通回归相同：F(df1, df2) = X.XX, p < .001。但需注意，此处的df1为模型自由度（包含所有解释变量，不含固定效应），df2为残差自由度。在论文中通常还要补充组内R²（within R²），以反映模型在个体内变异上的解释力，而非总体R²。

Q：平行趋势检验图（event study plot）需要在正文还是附录？

A：主流期刊的惯例是将事件研究图放在正文结果部分（而非附录），因为它是DID可信度的核心证据。图的横轴为相对时间（以政策年前一期为基准），纵轴为系数估计值，需绘制95%置信区间。关键要求：政策前各期的置信区间应跨越零（即不显著），政策后各期如出现持续偏离则进一步支持因果解读。正文中的文字描述须明确说明前期系数不显著（给出具体p值）。

Q：如果平行趋势检验没有完全通过，怎么办？

A：若个别政策前期系数在边界上显著（如 p = .048），需在论文中如实报告并讨论。常见的处理方式有：（1）加入协变量交互项（controls × time dummies）以吸收趋势差异；（2）采用倾向得分匹配（PSM）预先平衡协变量后再做DID；（3）改用合成控制法（Synthetic Control）作为替代方法；（4）在局限性章节如实说明，并讨论对结论的影响程度。不应在报告中故意略去不显著的前期系数，审稿人会要求完整报告。

快速参考：DID报告格式速查卡

[基准回归——核心交互项]
b = X.XX (SE = X.XX), 95% CI [X.XX, X.XX], t([df]) = X.XX, p [= .XXX / < .001]
注：说明标准误类型（聚类层级）；因变量为对数时注释百分比含义

[平行趋势——事件研究前期系数（每期分别报告）]
k = -[n]: b = X.XX, SE = X.XX, p = .XXX（不显著，支持平行趋势）
...
联合F检验: F([df1], [df2]) = X.XX, p = .XXX

[平行趋势——政策后动态效应]
k = 0: b = X.XX, SE = X.XX, p [值]
k = 1: b = X.XX, SE = X.XX, p [值]
...

[稳健性——安慰剂检验]
虚假时点交互项: b = X.XX, SE = X.XX, p = .XXX（不显著，与基准形成对比）

[固定效应与拟合]
个体FE + 时间FE; within R^2 = .XX; N = [个体数] x T = [期数]