DID

差分の差分法

Claude Code.icon

DIDが解こうとしている問題

ある施策（例：ある地域だけで打った広告キャンペーン）の効果を測りたい。素朴には2通りの比較が考えられますが、どちらも単独では間違える：

table:_

比較のやり方 何が混ざるか

介入した地域 vs 別の地域（横の比較） 地域固有の差（もともと売上水準が違う等）が混ざる

介入地域の「前 vs 後」（縦の比較） 時間トレンド（季節要因・景気など自然な変化）が混ざる

DIDの発想は、この2つの「邪魔者」を引き算で両方とも消すことです。

仕組み：差を2回とる

「Difference in Differences（差分の差分）」の名前のとおり、引き算を2段階で行います。

ステップ1：各地域で「後 − 前」をとる

このとき、時間で変わらない地域固有の差（水準の違い）が消えます。

ステップ2：その2つの差をさらに引く

code:_

DID効果 = (介入地域の前後差) − (非介入地域の前後差)

= (時間トレンド + 施策効果) − (時間トレンド)

= 施策効果

両地域に共通する時間トレンドが消えて、施策効果だけが残る。

数値の例

table:_

介入前 介入後 前後差

介入地域 100 130 +30

非介入地域 80 95 +15

DID効果 = 30 − 15 = +15。

（単純に介入地域の前後差 +30 を効果と見ると、時間トレンド分 +15 を過大評価してしまう）

DIDが成り立つ前提は1つ。

もし介入地域が施策を受けなかったとしたら、その時間変化は非介入地域の変化と一致していたはずだ

「ステップ2で時間トレンドが消える」と言えるのは、両地域のトレンドが同じだと仮定しているからです。

ここがエッセンスでも強調されている核心ですが——この仮定は観測できない反実仮想（介入地域の"もし介入しなかったら"）に対する仮定なので、データだけでは原則検証できない。最後は分析者の解釈に委ねられます。本書全体のメッセージ「4つの手法はどれもデータから検証できない仮定の上に立つ」の一例です。

実務上の注意点

クラスター標準誤差が必要：同じ対象を複数期間追うため誤差が自己相関を持ちやすく、補正しないと標準誤差を過小評価する。