igerber/diff-diff

解决的问题

diff-diff 是一个全面的 Python 库，用于差分法（DiD）因果推断。它提供了一个标准化的、类似 sklearn 的 API，可实现多种计量经济学方法，通过比较处理组和对照组在时间上的变化，来衡量干预措施（如营销活动、政策变化或产品发布）的因果效应。

如何工作

该库实现了多种因果估计器，可处理不同的数据场景，包括：

• 分阶段采用：适用于单位在不同时间被处理的情况，例如 Callaway & Sant'Anna 和 Sun & Abraham 方法。
• 合成控制：在处理单位极少的情况下，将 DiD 与合成控制方法结合使用。
• 复杂处理：支持可逆（非吸收性）处理、连续处理（剂量-反应）以及三重差分（DDD）设计。
• 高级诊断工具：提供平行趋势检验、安慰剂测试和敏感性分析（如 Honest DiD）等工具，用于检验结果在假设违反情况下的稳健性。
• 调查数据集成：内置支持基于设计的方差估计（分层、PSU、权重），适用于 ACS 或 CPS 等复杂调查数据的分析。

适用人群

• 计量经济学家和数据科学家：在面板数据或横截面数据上进行严谨因果分析的专业人士。
• 营销分析师：负责衡量营销活动提升效果和产品发布影响的从业者。
• 政策研究人员：评估政策在不同地区或时间段 rollout 效果的分析人员。

主要亮点

• 多样化的估计器套件：涵盖从基础的 2x2 DiD 和 Two-Way Fixed Effects (TWFE) 到前沿方法如 TROP 和 DMLDiD 的全部内容。
• 严谨的工作流程：提供基于 Baker et al. 2025 的结构化 8 步实践工作流程，确保结果不仅被计算，而且被验证。
• AI Agent 就绪：包含专用的 get_llm_guide() 函数，可为 LLM 提供简洁的 API 参考和工作流程。
• 全面的诊断工具：支持 Bacon 分解、RD 图、操纵检验等，适用于回归不连续设计（RDD）。