이중차분법

잘난 척을 위한 한 줄 요약

이중차분법은 정책을 받은 집단의 변화에서 정책을 받지 않은 집단의 변화를 한 번 더 빼서, 정책 때문에 달라진 순수한 효과에 가까이 가려는 분석 방법이다.

 

이중차분법, 정책 효과는 어떻게 ‘두 번 빼서’ 확인할까?

먼저, 이 개념이 뭔지부터

이중차분법은 영어로 Difference-in-Differences, 줄여서 DID 또는 DiD라고 부른다. 우리말로는 차이의 차이, 이중차이, 이중차분이라고도 한다.

 

이름 그대로 핵심은 차이를 한 번 구하고, 그 차이끼리 다시 한 번 비교하는 것이다.

어떤 정책이나 제도가 시행되었을 때, 우리는 이런 질문을 한다.

“이 정책 때문에 실제로 효과가 있었을까?”

 

예를 들어 어느 지역에 청년 취업지원금 정책이 도입되었다고 해보자. 정책 시행 후 그 지역의 청년 취업률이 5%p 올랐다. 그러면 정책이 효과가 있었다고 말할 수 있을까?

바로 그렇게 말하면 위험하다. 왜냐하면 같은 기간에 경기 상황이 좋아졌을 수도 있고, 전국적으로 채용이 늘었을 수도 있고, 계절적 요인이 있었을 수도 있기 때문이다.

 

그래서 비교 대상이 필요하다.

정책을 받은 지역의 취업률 변화만 보지 않고, 정책을 받지 않은 비슷한 지역의 취업률 변화도 함께 본다. 그다음 정책 지역의 변화에서 비정책 지역의 변화를 뺀다.

이것이 이중차분법이다.

 

Columbia University의 공중보건 방법론 자료는 DID를 처치집단과 통제집단의 결과 변화를 비교해, 처치집단에 대한 처치 효과를 추정하는 방법으로 설명한다. 특히 정책이나 프로그램이 특정 집단에만 적용되는 자연실험 상황에서 자주 사용된다고 정리한다.
https://www.publichealth.columbia.edu/research/population-health-methods/difference-difference-estimation

 

즉, 이중차분법은 단순히 “전후 비교”가 아니다.

전후 비교에 비교집단을 붙인 방법이다.

 

왜 그냥 전후 비교하면 안 될까

정책 효과를 볼 때 가장 쉬운 방법은 정책 전과 후를 비교하는 것이다.

예를 들어 최저임금이 오른 뒤 고용이 줄었다고 해보자. 그러면 “최저임금 인상 때문에 고용이 줄었다”고 말할 수 있을까?

아직은 어렵다.

 

그 시기에 경기 침체가 왔을 수도 있다.
특정 산업의 수요가 줄었을 수도 있다.
계절적 요인이 있었을 수도 있다.
코로나19 같은 외부 충격이 있었을 수도 있다.

즉, 정책 전후의 변화에는 정책 효과뿐 아니라 여러 요인이 함께 섞여 있다.

 

이중차분법은 이 문제를 줄이려 한다. 정책을 받은 집단과 받지 않은 집단이 있다고 할 때, 둘 다 같은 시기에 비슷한 외부 영향을 받았을 것이라고 가정한다. 그러면 통제집단의 변화는 “정책이 없었어도 생겼을 변화”를 대략 보여준다.

 

World Bank의 영향평가 자료도 Difference-in-Differences를 정책이나 프로그램의 효과를 평가하는 방법으로 소개하면서, 처치집단과 비교집단의 시간에 따른 변화를 비교하는 방식이라고 설명한다.
https://www.worldbank.org/en/programs/sief-trust-fund/publication/impact-evaluation-in-practice

 

쉽게 말하면 이렇다.

정책 지역의 변화에는 정책 효과와 공통 변화가 섞여 있다.
비정책 지역의 변화에는 공통 변화만 있다고 본다.
그래서 정책 지역의 변화에서 비정책 지역의 변화를 빼면 정책 효과에 가까워진다.

 

숫자로 보면 바로 이해된다

예를 들어보자.

어떤 교육 프로그램이 A지역에만 도입되었다. B지역은 도입되지 않았다. 두 지역의 취업률을 정책 전후로 비교한다.

구분	정책 전 취업률	정책 후 취업률	변화
A지역, 정책 시행	50%	60%	+10%p
B지역, 정책 미시행	48%	53%	+5%p

A지역만 보면 취업률이 10%p 올랐다. 하지만 B지역도 5%p 올랐다. 그렇다면 A지역의 증가분 10%p 전체를 정책 효과라고 보기는 어렵다. 전국 경기 개선 같은 공통 요인 때문에 B지역도 올랐기 때문이다.

 

이중차분법은 이렇게 계산한다.

 

정책 효과 = A지역 변화 - B지역 변화

 

즉,

10%p - 5%p = 5%p

 

따라서 이 분석에서는 교육 프로그램의 효과를 약 5%p로 추정한다.

 

이것이 이중차분이다.

첫 번째 차분: A지역의 정책 전후 변화
두 번째 차분: B지역의 정책 전후 변화

 

이중차분: 두 변화의 차이

그래서 영어로 Difference-in-Differences, 즉 차이들 사이의 차이라고 부른다.

 

공식으로 보면 더 깔끔하다

이중차분법은 보통 다음과 같이 쓴다.

 

DID = (처치집단의 사후값 - 처치집단의 사전값) - (통제집단의 사후값 - 통제집단의 사전값)

 

조금 더 기호로 쓰면 다음과 같다.

DID = (Y_treatment, after - Y_treatment, before)
    - (Y_control, after - Y_control, before)

 

여기서 처치집단은 정책이나 프로그램을 받은 집단이다. 통제집단은 받지 않은 집단이다.

이 공식은 간단하지만 생각보다 강력하다. 왜냐하면 시간에 따른 공통 변화와 집단 간 고정된 차이를 어느 정도 제거해주기 때문이다.

 

예를 들어 A지역이 원래 B지역보다 취업률이 높거나 낮을 수 있다. 하지만 DID는 수준 차이보다 변화량의 차이를 본다. 그래서 두 지역의 출발점이 완전히 같지 않아도, 변화 추세가 비슷했다면 정책 효과를 추정할 수 있다.

 

핵심 가정 : 평행추세

이중차분법에서 가장 중요한 가정은 평행추세 가정(parallel trends assumption)이다.

평행추세 가정은 쉽게 말해 이런 뜻이다.

 

정책이 없었다면, 처치집단과 통제집단은 비슷한 방향과 속도로 변했을 것이다.

 

이 가정이 성립해야 통제집단의 변화가 “처치집단이 정책을 받지 않았다면 겪었을 변화”를 대신 보여줄 수 있다.

 

World Bank 블로그도 DID가 비실험 자료에서 프로그램 효과를 추정하는 인기 있는 방법이지만, 핵심적으로 평행추세 가정에 의존한다고 설명한다. 즉, 프로그램을 받은 사람들이 프로그램을 받지 않았다면 평균적으로 통제집단과 같은 변화 추세를 보였을 것이라는 가정이 중요하다.
https://blogs.worldbank.org/en/impactevaluations/when-your-difference-differences-has-too-many-differences

 

예를 들어 교육 프로그램을 도입한 A지역과 도입하지 않은 B지역이 있다고 해보자. 정책 전부터 A지역의 취업률은 빠르게 오르고 있었고, B지역은 정체되어 있었다면 어떨까?

 

그렇다면 정책 후 A지역 취업률이 더 많이 오른 것이 정책 때문인지, 원래 A지역이 상승세였기 때문인지 구분하기 어렵다.

이 경우 이중차분법의 결과는 정책 효과를 과대평가할 수 있다.

 

즉, 이중차분법의 핵심은 비교집단을 잘 고르는 것이다. 통제집단은 “정책을 받지 않은 처치집단의 가상 모습”에 가까워야 한다.

 

그래프로 보면 더 직관적이다

이중차분법은 그래프로 보면 아주 직관적이다.

가로축은 시간이다.
세로축은 결과 변수다. 예를 들어 취업률, 매출, 임금, 시험점수, 사망률 같은 것이다.

정책 시행 전에는 처치집단과 통제집단이 비슷한 추세로 움직인다. 두 선이 평행하게 가는 모습이다. 정책 시행 후 처치집단의 선이 통제집단보다 더 크게 올라가거나 내려간다면, 그 차이를 정책 효과로 본다.

 

중요한 것은 두 집단의 수준이 꼭 같을 필요는 없다는 점이다. A지역이 원래 취업률이 더 높고, B지역이 더 낮아도 괜찮다. 핵심은 정책 전 추세가 비슷했는가다.

 

정책 전부터 두 선이 서로 다른 방향으로 움직이고 있었다면, 정책 후 차이를 정책 효과라고 말하기 어렵다.

 

그래서 DID 분석에서는 정책 전 여러 시점의 데이터를 확인하는 것이 중요하다. 정책 직전 한 번만 보는 것보다, 정책 전 추세가 실제로 평행했는지 살펴야 한다.

 

회귀식으로는 어떻게 표현할까

실제 논문이나 정책평가에서는 이중차분법을 회귀분석으로 표현하는 경우가 많다.

기본 형태는 다음과 같다.

Y = β0 + β1 Treat + β2 Post + β3 (Treat × Post) + ε

 

여기서 의미는 다음과 같다.

• Y: 결과 변수
• Treat: 처치집단이면 1, 통제집단이면 0
• Post: 정책 이후면 1, 정책 이전이면 0
• Treat × Post: 처치집단이면서 정책 이후인 경우
• β3: 이중차분 추정치, 즉 정책 효과

이 식에서 가장 중요한 것은 상호작용항 β3이다. 처치집단이 정책 이후에 얼마나 추가로 달라졌는지를 보여주기 때문이다.

간단히 말해 β3가 바로 DID 효과다.

 

예를 들어 β3가 0.05라면 정책 때문에 결과가 5%p 증가했다고 해석할 수 있다. 물론 결과 변수의 단위와 모형 설정에 따라 해석은 달라진다.

 

어떤 상황에서 자주 쓰일까

이중차분법은 무작위 실험을 하기 어려운 정책평가에서 많이 쓰인다.

예를 들어 정부가 어떤 지역에만 정책을 먼저 시행한 경우가 있다. 또는 특정 산업에만 규제가 도입되었거나, 일부 학교에만 프로그램이 적용되었거나, 특정 연령대에만 지원금이 지급되었을 수 있다.

 

이런 상황은 실험실 실험처럼 무작위 배정이 아니지만, 자연스럽게 처치집단과 통제집단이 생긴다. 그래서 DID를 적용할 수 있다.

대표적인 주제는 다음과 같다.

• 최저임금 인상이 고용에 미친 영향
• 교육 프로그램이 성적에 미친 영향
• 복지정책이 빈곤율에 미친 영향
• 세금 감면이 기업 투자에 미친 영향
• 규제 도입이 사고율에 미친 영향
• 건강보험 확대가 의료 이용에 미친 영향
• 코로나19 정책이 소비나 이동량에 미친 영향
• 특정 지역 개발사업이 집값에 미친 영향

NBER의 여러 연구에서도 DID는 정책이 지역별·시점별로 다르게 시행되는 상황에서 처치 효과를 추정하는 데 자주 사용된다. 최근 연구들은 정책 시행 시점이 집단마다 다른 경우와 처치 효과가 이질적인 경우의 추정 문제를 다루고 있다.
https://www.nber.org/papers/w33026

 

즉, DID는 “완벽한 실험은 아니지만, 정책이 적용된 집단과 적용되지 않은 집단의 전후 변화를 이용해 효과를 추정해보자”는 방법이다.

 

이중차분법이 제거해주는 것

이중차분법은 두 가지 문제를 어느 정도 줄여준다.

 

1. 집단 간 원래 차이

처치집단과 통제집단은 처음부터 다를 수 있다. A지역은 원래 소득이 높고, B지역은 원래 소득이 낮을 수 있다. 단순히 정책 후 두 지역의 소득을 비교하면 이 원래 차이가 섞인다.

DID는 변화량을 비교하기 때문에 이런 고정된 차이를 줄인다.

 

2. 시간에 따른 공통 변화

정책 전후에는 전체 사회가 함께 변할 수 있다. 경기가 좋아지거나 나빠질 수 있고, 전국적인 제도 변화가 있을 수 있다.

DID는 통제집단의 변화량을 빼기 때문에 이런 공통 시간효과를 줄인다.

하지만 여기서 “줄인다”라고 말해야 한다. 완전히 없앤다고 단정하면 안 된다. 두 집단이 서로 다른 추세를 보이거나, 정책과 동시에 처치집단에만 영향을 주는 다른 사건이 생겼다면 DID도 편향될 수 있다.

 

이중차분법의 가장 큰 약점

이중차분법의 가장 큰 약점은 역시 평행추세 가정이다. 이 가정은 직접 관찰할 수 없다.

 

정책이 시행된 뒤 처치집단이 정책을 받지 않았다면 어떻게 되었을지 우리는 알 수 없다. 이것을 반사실적 상황(counterfactual)이라고 한다.

 

DID는 통제집단을 이용해 이 반사실적 상황을 추정한다. 그런데 통제집단이 적절하지 않으면 결과가 흔들린다.

 

예를 들어보자.

A지역에 청년 일자리 정책이 시행되었다.
B지역은 정책이 없었다.
그런데 A지역은 동시에 대기업 공장이 새로 들어왔다.

이 경우 A지역 취업률이 오른 것이 청년 일자리 정책 때문인지, 대기업 공장 때문인지 구분하기 어렵다. DID는 이 추가 사건을 제대로 제거하지 못할 수 있다.

 

또 다른 예시도 있다.

 

정책이 필요한 지역에만 정책이 시행되었다면, 그 지역은 원래부터 더 악화되는 추세였을 수 있다. 이 경우 정책 효과가 과소평가될 수도 있다.

 

그래서 DID 분석에서는 “왜 이 통제집단이 적절한가”를 설득하는 것이 매우 중요하다.

 

정책 시행 시점이 여러 개면 더 복잡해진다

기본 DID는 아주 단순한 상황을 가정한다.

처치집단과 통제집단이 있다.
정책 전과 정책 후가 있다.
정책은 한 시점에 처치집단에만 적용된다.

하지만 현실은 더 복잡하다.

어떤 지역은 2020년에 정책을 받는다.
어떤 지역은 2021년에 받는다.
어떤 지역은 2022년에 받는다.
어떤 지역은 끝까지 받지 않는다.

 

이런 상황을 staggered adoption, 즉 단계적·순차적 정책 도입이라고 한다. 이때 전통적인 이원고정효과 회귀(TWFE)를 무조건 쓰면 문제가 생길 수 있다.

 

2024년 건강정책 방법론 리뷰는 최근 경제학 문헌에서 처치 시점이 서로 다르고 처치 효과가 집단·시간에 따라 달라질 때 DID 추정량이 편향될 수 있음이 밝혀졌다고 설명한다.
https://pmc.ncbi.nlm.nih.gov/articles/PMC11305929/

 

그래서 최근 DID 연구에서는 Callaway and Sant’Anna 방식, Sun and Abraham 방식, event study 설계 등 더 정교한 방법이 많이 쓰인다. 실무에서는 “DID니까 그냥 Treat × Post만 넣으면 된다”가 아니라, 정책 시행 구조와 효과의 이질성을 점검해야 한다.

 

이벤트 스터디와 이중차분법

이중차분법과 함께 자주 나오는 방법이 이벤트 스터디(event study)다.

 

이벤트 스터디는 정책 시행 전후 여러 시점의 효과를 시간별로 추정한다. 예를 들어 정책 시행 3년 전, 2년 전, 1년 전, 시행연도, 시행 후 1년, 2년, 3년의 효과를 따로 보는 방식이다.

 

이 방법은 두 가지 점에서 유용하다.

첫째, 정책 전 추세가 평행했는지 확인할 수 있다. 정책 시행 전부터 처치집단과 통제집단의 차이가 벌어지고 있었다면 평행추세 가정이 의심된다.

둘째, 정책 효과가 시간이 지나며 어떻게 변하는지 볼 수 있다. 정책 효과가 바로 나타나는지, 몇 년 뒤에 커지는지, 일시적 효과인지 확인할 수 있다.

 

그래서 최근 정책평가 논문에서는 단순 DID 결과뿐 아니라 이벤트 스터디 그래프를 함께 제시하는 경우가 많다.

 

이중차분법과 무작위실험의 차이

무작위실험은 사람이나 집단을 무작위로 처치집단과 통제집단에 배정한다. 이렇게 하면 두 집단은 평균적으로 비슷해진다. 그래서 처치 후 차이를 비교하면 인과효과를 비교적 강하게 말할 수 있다.

 

이중차분법은 보통 무작위 배정이 없는 관찰자료에서 사용된다. 처치집단과 통제집단이 원래 다를 수 있다. 대신 정책 전후 변화를 비교하고, 통제집단의 변화를 빼서 인과효과에 접근한다.

 

정리하면 이렇다.

구분	무작위실험	이중차분법
집단 배정	무작위	자연 발생 또는 정책 결정
핵심 비교	처치 후 집단 간 차이	전후 변화의 집단 간 차이
강점	인과추론이 강함	현실 정책평가에 적용 가능
약점	비용·윤리·현실 제약	평행추세 가정 필요

즉, DID는 실험이 어려운 현실 세계에서 인과효과를 추정하기 위한 준실험적 방법이다.

 

간단한 예시: 최저임금 정책

이중차분법을 설명할 때 자주 쓰이는 주제가 최저임금이다.

 

어떤 주에서 최저임금이 올랐고, 이웃 주에서는 오르지 않았다고 해보자. 연구자는 두 주의 고용 변화를 비교할 수 있다.

처치집단: 최저임금이 오른 주
통제집단: 최저임금이 오르지 않은 비슷한 주
정책 전: 최저임금 인상 전
정책 후: 최저임금 인상 후
결과 변수: 고용률 또는 고용자 수

 

만약 최저임금이 오른 주의 고용이 2% 줄었고, 오르지 않은 주의 고용도 1% 줄었다면, DID 추정치는 -1%가 된다.

 

즉, 전체 고용 감소 2% 중 1%는 공통 경기요인일 수 있고, 추가 감소 1%를 정책 효과로 추정하는 것이다.

 

물론 실제 연구에서는 산업 구조, 경기 상황, 지역 특성, 장기 추세, 표준오차, 클러스터링 등 훨씬 많은 요소를 고려해야 한다.

 

이중차분법을 읽을 때 확인할 것

논문이나 보고서에서 DID 분석을 봤다면, 결과 숫자만 보면 안 된다. 최소한 다음을 확인해야 한다.

첫째, 처치집단과 통제집단이 누구인가. 비교집단이 정말 비슷한가를 봐야 한다.

둘째, 정책 전 추세가 평행한가. 사전 추세 그래프나 이벤트 스터디 결과가 있는지 확인해야 한다.

셋째, 정책과 동시에 다른 사건이 있었는가. 처치집단에만 영향을 주는 다른 충격이 있으면 결과 해석이 어렵다.

넷째, 표본 구성은 안정적인가. 정책 전후에 표본이 크게 바뀌면 결과가 왜곡될 수 있다.

다섯째, 처치 효과가 집단마다 다른가. 모든 집단에 같은 효과가 있다고 가정하면 현실을 놓칠 수 있다.

여섯째, 표준오차 처리가 적절한가. DID에서는 같은 지역이나 개인이 반복 관찰되는 경우가 많아 클러스터 표준오차가 중요하다.

 

Bertrand, Duflo, Mullainathan의 유명한 논문은 DID 분석에서 직렬상관을 제대로 고려하지 않으면 표준오차가 과소추정되어 잘못된 유의성이 나올 수 있다고 지적했다. 이 논문은 DID 추정의 신뢰성을 논의할 때 자주 인용된다.
https://academic.oup.com/qje/article-abstract/119/1/249/1876068

How Much Should We Trust Differences-In-Differences Estimates?*

 

자주 헷갈리는 포인트

1. 이중차분법은 단순 전후 비교와 같은가?

아니다. 단순 전후 비교는 처치집단의 정책 전후 변화만 본다. 이중차분법은 통제집단의 전후 변화까지 함께 빼준다. 그래서 이름 그대로 차이를 두 번 계산한다.

 

2. 통제집단은 아무 집단이나 써도 되나?

아니다. 통제집단은 정책이 없었다면 처치집단이 보였을 변화 추세를 잘 대표해야 한다. 가장 중요한 조건이 평행추세 가정이다.

 

3. 정책 전 두 집단의 수준이 같아야 하나?

반드시 같을 필요는 없다. DID는 수준 차이보다 변화 추세를 본다. 다만 정책 전 변화 추세가 비슷해야 한다.

 

4. 평행추세는 증명할 수 있나?

완전히 증명하기는 어렵다. 정책이 없었을 때 처치집단이 어떻게 변했을지는 관찰할 수 없기 때문이다. 다만 정책 전 여러 시점의 데이터를 이용해 사전 추세가 비슷했는지 점검할 수 있다.

 

5. DID 결과가 나오면 바로 인과효과라고 말해도 되나?

조심해야 한다. DID는 인과효과 추정에 강력한 방법이지만, 평행추세 가정, 동시 충격, 표본 변화, 처치 효과 이질성 같은 조건을 검토해야 한다. 조건이 설득력 있을 때 인과 해석이 가능하다.

 

결국 핵심은 이것이다

이중차분법은 정책효과를 볼 때 단순히 “정책 전보다 좋아졌는가”를 묻지 않는다. 더 정확히는 이렇게 묻는다.

정책을 받은 집단은 얼마나 변했는가?
정책을 받지 않은 집단도 같은 기간 얼마나 변했는가?
그 둘의 변화 차이는 얼마인가?

 

한마디로 정리하면 이렇다.

 

이중차분법은 정책집단의 전후 변화에서 비교집단의 전후 변화를 빼서, 정책이 없었어도 생겼을 변화를 걷어내려는 방법이다.

 

이 방법이 강력한 이유는 현실 세계의 정책평가에 잘 맞기 때문이다. 우리는 모든 정책을 실험실처럼 무작위 배정할 수 없다. 하지만 정책이 지역별, 시점별, 집단별로 다르게 적용되는 경우는 많다. 이중차분법은 바로 그 차이를 이용한다.

 

다만 좋은 도구일수록 조건이 중요하다. DID의 핵심은 계산 공식이 아니라 평행추세 가정이다. 비교집단이 적절하지 않으면 “두 번 뺐다”는 계산은 그럴듯해 보여도 인과효과와 멀어질 수 있다.

 

그래서 이중차분법을 제대로 이해한다는 것은 공식을 외우는 것이 아니다.

 

정책이 없었더라면 처치집단은 어떻게 변했을까?

 

이 보이지 않는 반사실적 질문을 통제집단으로 얼마나 설득력 있게 대신할 수 있는지를 따지는 것이다.

 

참고 자료

1. Columbia University Mailman School of Public Health / Difference-in-Difference Estimation
   https://www.publichealth.columbia.edu/research/population-health-methods/difference-difference-estimation
   이중차분법의 기본 개념, 처치집단과 통제집단, 처치효과 추정 방식을 공중보건 연구 맥락에서 설명한 자료다.
2. World Bank / Impact Evaluation in Practice
   https://www.worldbank.org/en/programs/sief-trust-fund/publication/impact-evaluation-in-practice
   정책효과 평가 방법론을 다룬 세계은행 자료다. Difference-in-Differences를 포함해 실험·준실험 평가 방법을 체계적으로 소개한다.
3. World Bank Blogs / When your difference-in-differences has too many differences
   https://blogs.worldbank.org/en/impactevaluations/when-your-difference-differences-has-too-many-differences
   DID가 평행추세 가정에 의존한다는 점과, 비교집단 선택이 왜 중요한지 설명한 글이다.
4. World Bank Blogs / What Are We Estimating When We Estimate Difference-in-Differences?
   https://blogs.worldbank.org/en/impactevaluations/what-are-we-estimating-when-we-estimate-difference-differences
   정책 시행 시점이 지역별로 다른 경우 DID 추정이 무엇을 의미하는지 설명한 글이다.
5. Columbia University / Difference-in-Difference Estimation
   https://www.publichealth.columbia.edu/research/population-health-methods/difference-difference-estimation
   DID가 주로 처치집단에 대한 처치효과를 추정하는 데 사용되며, 더 강한 가정이 있으면 평균처치효과도 논의할 수 있음을 설명한다.
6. Bertrand, Duflo, Mullainathan / How Much Should We Trust Differences-in-Differences Estimates?
   https://academic.oup.com/qje/article-abstract/119/1/249/1876068
   DID 분석에서 표준오차와 직렬상관 문제를 다룬 대표 논문이다. DID 추정 결과의 통계적 신뢰성을 볼 때 중요하다.
7. Wang et al. / Advances in Difference-in-differences Methods for Policy Evaluation Research
   https://pmc.ncbi.nlm.nih.gov/articles/PMC11305929/
   최근 DID 방법론의 발전을 건강정책 평가 맥락에서 정리한 리뷰 논문이다. 정책 시행 시점이 다르거나 처치효과가 이질적인 경우의 문제를 이해하는 데 도움이 된다.
8. Roth et al. / What’s Trending in Difference-in-Differences?
   https://arxiv.org/abs/2201.01194
   최근 DID 계량경제학 문헌의 발전을 정리한 논문이다. 다기간 DID, 평행추세 위반, 추론 방법 등 실무자가 주의해야 할 쟁점을 다룬다.
9. NBER / A Flexible, Heterogeneous Treatment Effects Difference-in-Differences Estimator
   https://www.nber.org/papers/w33026
   처치 시점이 다르고 처치효과가 이질적인 경우 DID 추정 방법을 다룬 최신 NBER 연구다.

 

참고 영상

1. Difference-in-Differences Explained
   https://www.youtube.com/results?search_query=difference+in+differences+explained
   이중차분법의 기본 개념과 계산 방식을 설명하는 입문 영상들을 찾을 수 있는 검색 링크다.
2. Difference-in-Differences Parallel Trends
   https://www.youtube.com/results?search_query=difference+in+differences+parallel+trends
   DID의 핵심 가정인 평행추세를 설명하는 영상들을 찾을 수 있다.
3. Difference-in-Differences Regression Explained
   https://www.youtube.com/results?search_query=difference+in+differences+regression+explained
   DID를 회귀식으로 표현하는 방법과 Treat × Post 상호작용항 해석을 설명하는 영상 검색 링크다.
4. Event Study Difference-in-Differences
   https://www.youtube.com/results?search_query=event+study+difference+in+differences
   이벤트 스터디와 DID를 함께 이해할 수 있는 영상들을 찾을 수 있다.
5. Difference-in-Differences Causal Inference
   https://www.youtube.com/results?search_query=difference+in+differences+causal+inference
   인과추론 관점에서 DID가 어떤 가정 아래 정책효과를 추정하는지 설명하는 영상 검색 링크다.