igerber/diff-diff

解決的問題

diff-diff 提供一個全面的差分的差分（DiD）因果推論工具包，讓研究人員與分析師能透過比較處理群與對照群隨時間的變化，來衡量處理或政策的實際影響（「提升」）。它特別針對現代因果分析的複雜性，例如分階段實施（不同單位在不同時間接受處理）、可逆處理，以及需要嚴格的敏感性測試，以確保結果不會受偶然趨勢驅動。

如何運作

此套件實作了多種經濟計量估計量，採用類似 scikit-learn 的 API（fit 與 predict 模式）與 statsmodels 風格的輸出。支援多種設計模式：

• 標準 DiD：基本的 2x2 比較。
• 分階段採用：支援 Callaway & Sant'Anna、Sun & Abraham 與 Imputation DiD 等高階估計量，以處理不同的處理時間。
• 合成控制/DiD：在處理單位極少的情況下，建立加權反事實。
• 專用設計：支援回歸不連續性（RDD）、三重差分（DDD）與連續 DiD，用於劑量-反應分析。
• 穩健性工具：內建診斷工具，用於平行趨勢檢驗、安慰劑測試與「誠實 DiD」敏感性分析，以在假設違反時界定結果範圍。
• 調查整合：原生支援複雜調查資料（如 ACS 或 CPS）的設計基礎變異數估計（分層、PSU、權重）。

適用對象

• 計量經濟學家與學術研究者：用於嚴謹的因果推論與政策評估。
• 行銷分析師：用於衡量活動提升與產品上市影響。
• 資料科學家：用於執行 A/B 測試、分階段實施與業務影響分析。

主要亮點

• 豐富的估計量庫：包含 CS、SA、BJS 與 TROP 估計量的現代實作。
• 嚴謹的工作流程：提供結構化的 8 步實務工作流程（Baker et al. 2025），防止得出不可靠結果。
• 調查感知：唯一一個在現代異質性穩健估計量上提供設計基礎變異數估計的 Python/R DiD 套件。
• AI 就緒：包含 get_llm_guide() 函數，為 AI 代理提供簡潔的 API 參考與工作流程。
• 全面的診斷工具：包含 RD 圖、操縱檢驗與空間 HAC 標準誤差（Conley SE）。