igerber/diff-diff

解决的问题

diff-diff 提供了一个全面的差分的差分（DiD）因果推断工具包，使研究人员和分析师能够通过比较处理组和对照组随时间的变化来衡量处理或政策的实际影响（“提升”）。它特别解决了现代因果分析中的复杂性，例如分阶段实施（不同单位在不同时间接受处理）、可逆处理，以及需要严格的敏感性测试以确保结果不受偶然趋势驱动的问题。

如何工作

该库实现了多种经济计量估计量，采用类似 scikit-learn 的 API（fit 和 predict 模式）和 statsmodels 风格的输出。支持多种设计模式：

• 标准 DiD：基本的 2x2 比较。
• 分阶段采用：支持 Callaway & Sant'Anna、Sun & Abraham 和 Imputation DiD 等高级估计量，以处理不同的处理时间。
• 合成控制/DiD：在处理单位极少的情况下，创建加权反事实。
• 专用设计：支持回归不连续性（RDD）、三重差分（DDD）和连续 DiD，用于剂量-反应分析。
• 稳健性工具：内置诊断工具，用于平行趋势检验、安慰剂测试和“诚实 DiD”敏感性分析，以在假设违反时界定结果范围。
• 调查集成：原生支持复杂调查数据（如 ACS 或 CPS）的设计基础方差估计（分层、PSU、权重）。

适用人群

• 计量经济学家和学术研究人员：用于严格的因果推断和政策评估。
• 营销分析师：用于衡量活动提升和产品发布影响。
• 数据科学家：用于运行 A/B 测试、分阶段实施和业务影响分析。

主要亮点

• 丰富的估计量库：包含 CS、SA、BJS 和 TROP 估计量的现代实现。
• 严谨的工作流程：提供结构化的 8 步实践工作流程（Baker et al. 2025），防止得出不可靠结果。
• 调查感知：唯一一个在现代异质性稳健估计量上提供设计基础方差估计的 Python/R DiD 包。
• AI 就绪：包含 get_llm_guide() 函数，为 AI 代理提供简洁的 API 参考和工作流程。
• 全面的诊断工具：包括 RD 图、操纵检验和空间 HAC 标准误（Conley SE）。