🔖 キーワード索引 — 完全強化版

🔖 キーワード索引 — 完全強化版

「差の差分析（DID）」を理解するうえで必要なキーワードを 10 件以上提示します。 各チップから対応セクションへ移動できます。

30 秒結論 文脈 直感 数式 記号読み解き 実値計算 Python 実装 落とし穴 関連手法 関連用語 グループ教材 概念マップ

🎨 直感で掴む — 完全強化版

差の差分析（DID） を一言でいえば「政令指定都市と非政令指定都市の比較（前後差の差）」。 47 都道府県という小さな母集団でも、 SSDSE-B-2026 の A1101 列に注目すると、 大都市圏と地方の差・人口規模に伴う相対比較など、 様々なパターンが見えてきます。

比喩でいうと、 差の差分析（DID） はデータ分析の「眼鏡」のようなもの。 同じデータでも眼鏡を変えれば、 平均（中心）・分散（ばらつき）・相関（連動）・因果（影響）と、 異なる情報が浮かび上がります。 SSDSE-B-2026 を題材に、 この眼鏡をかけてみるのが本ページの狙いです。

• 具体例 1：47 都道府県の A1101 の中央値 ± 四分位を見ると、 規模感が掴める。
• 具体例 2：A4101 と組み合わせて散布図にすると、 群構造が見える。
• 具体例 3：政令指定都市の有無で群分けすると、 介入研究の素材になる。

🎨 概念図で押さえる（DiD の可視化）

差分の差分法（DiD）は「処置群と対照群の前後変化の差」で因果効果を推定する。 時系列の平行トレンド・処置効果のジャンプ・パネルデータ構造の 3 枚で、 DiD の幾何学的本質を把握する。

→ DiD 図で「2 群 × 2 期間」の本質、 時系列図で「トレンドの観察」、 パネル図で「データ構造」を整理。 平行トレンド仮定の検証がカギ。

✅ 理解度チェック

1. 差分の差分法（DiD）が成立する最重要の仮定は何か？
2. DiD と RCT（無作為化比較試験）の最大の違いは？
3. 処置群と対照群の処置前トレンドが平行でない場合の対処法は？
4. DiD を pandas で実装する最も基本的な手順を 3 ステップで答えよ。
5. 「カードとクルーガーの最低賃金研究」が DiD の代表例とされる理由は？

→ すべて即答できれば、 DiD を政策評価・経営判断で適切に使い分けられる基礎力は十分。

📐 数式または定義 — 完全強化版

差の差分析（DID） の代表的な定義式は次のとおりです。

ここで使われる記号や演算の意味は次節で言葉に翻訳します。

🔬 数式を言葉で読み解く — 完全強化版

上の DID 定義式の各記号を、日本語の意味に変換します。

• τ̂_DID — 推定された差の差（＝求めたい因果効果の推定量）
• Ȳ — その群・その時点の結果変数の平均（本ページ例では高齢化率の平均）
• 添字 T / C — T は処置群（Treatment）、 C は対照群（Control）
• 添字 post / pre — post は処置後、 pre は処置前の時点
• (Ȳ_T,post − Ȳ_T,pre) — 処置群の前後差（時間トレンド＋処置効果を含む）
• (Ȳ_C,post − Ȳ_C,pre) — 対照群の前後差（時間トレンドのみ、＝反実仮想の代理）
• 2 つの差の引き算 — 対照群で共通の時間トレンドを差し引き、処置効果だけを取り出す

回帰で書くと Y = β₀ + β₁·treated + β₂·post + β₃·(treated×post) + ε の交差項係数 β₃ が τ_DID に対応します。

🧮 SSDSE-B-2026 を使った DID の実例 — 高齢化率の疑似 DID

SSDSE-B-2026 は 47 都道府県 × 12 年（2012〜2023）× 100 超列のパネルデータで、 DID の格好の練習台です。 実在の政策評価ではなく 手法デモ（疑似 DID）として、 「大都市圏（東京都・大阪府・愛知県）を仮の処置群、 残り 44 県を対照群」と見立て、 2018 年を境に 高齢化率（65 歳以上人口比率 ＝ A1303 ÷ A1101 × 100）の推移を比較します。 以下の数値はすべて SSDSE-B-2026 の実測値から算出したものです。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import pandas as pd

# SSDSE-B-2026（1 行目=列コード, 2 行目=日本語名）を読み込む
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
df = df.rename(columns={'SSDSE-B-2026': 'year'})   # 先頭列＝年度

# 結果変数：高齢化率（65歳以上人口 A1303 ÷ 総人口 A1101 × 100, %）
df['aging'] = df['A1303'] / df['A1101'] * 100

# 疑似処置：大都市圏 3 都府県を処置群、 2018 年以降を処置後とみなす
treat = ['東京都', '大阪府', '愛知県']
df['treated'] = df['Prefecture'].isin(treat).astype(int)
df['post'] = (df['year'] >= 2018).astype(int)
df['treat_post'] = df['treated'] * df['post']
print(df[['year', 'Prefecture', 'aging', 'treated', 'post']].head())

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import statsmodels.formula.api as smf

# ②と同じ 2 時点（2018=前, 2023=後）に絞り、 post を「2023 年ダミー」に定義し直す
d2 = df[df['year'].isin([2018, 2023])].copy()
d2['post'] = (d2['year'] == 2023).astype(int)
d2['treat_post'] = d2['treated'] * d2['post']

# 高齢化率 ~ 処置 + 時期 + 交差項（treat_post の係数が DID 推定値）
m = smf.ols('aging ~ treated + post + treat_post', data=d2).fit()
print(round(m.params['treat_post'], 2))   # -1.36（2×2 の手計算と一致）

# 県・年の固定効果を入れ、 県単位のクラスタ頑健 SE で再推定
m2 = smf.ols('aging ~ treat_post + C(Prefecture) + C(year)', data=d2) \
        .fit(cov_type='cluster', cov_kwds={'groups': d2['Prefecture']})
print(round(m2.params['treat_post'], 4), round(m2.bse['treat_post'], 4))  # -1.3561 0.3841

1
2
3
4
5
6
7
8

# 年ごとの群平均で「処置前トレンドが平行か」を目視確認する
trend = df.pivot_table(index='treated', columns='year',
                       values='aging', aggfunc='mean').round(2)
print(trend[[2012, 2015, 2018, 2021, 2023]])
# 処置群(1): 2012=22.12 → 2018=25.07（処置前 +2.95）
# 対照群(0): 2012=25.86 → 2018=30.35（処置前 +4.49）
# → 処置前から傾きが違う ＝ 平行トレンド仮定は疑わしい。
#   イベントスタディ（処置前ダミーの係数が 0 近傍か）で厳密に検証する。

🎮 触って理解する — 2×2 表と平行トレンドを動かす

DiD の心臓部は 2×2 表（処置群/対照群 × 処置前/処置後 の 4 つの平均）です。 下のスライダー（または右のグラフ上の丸い点を直接ドラッグ）で 4 つの値と さらに前の基準時点 を動かすと、 DID ＝（処置群の変化）−（対照群の変化） がリアルタイムで再計算され、 反実仮想（対照群のトレンドを処置群に当てはめた破線）と実測の縦の差＝処置効果が可視化されます。 初期値は本ページ上の SSDSE-B-2026 実測値（高齢化率, %）です。

💡 スライダーは 0.01 刻み。 グラフ上の丸い点を直接ドラッグ（スマホはタップして上下スワイプ）しても値が変わります。 青の破線は「もし処置群が対照群と同じトレンドで推移したら」を表し、 青の実線（実測）との縦の差（緑）が処置効果＝DID です。 「プレトレンドを平行にする」を押すと、 水準差を保ったまま 2012→2018 の傾きだけを揃えられます。 DID の値は変わらないのに判定が「信頼できる」に変わることを確かめてください。

🧠 直感：共通のトレンドを差し引いて「効果だけ」を取り出す

処置群の前後差（初期値 +0.31）は「時間による自然な変化 ＋ 政策効果」が混ざったもの。 このうち「時間による自然な変化」を、 政策の影響を受けていない対照群の前後差（+1.66）で代理し、 引き算で消去する。 残った −1.35 が処置効果の推定値です。 自然実験で得た擬似的な処置群・対照群に対し、 この「差の差」で反実仮想を近似するのが DiD の核心です。

⚠️ よくある落とし穴：平行トレンド仮定と処置前の差

• 平行トレンド仮定：対照群の前後差が「処置群が処置を受けなかった場合の変化」を正しく代理するには、 処置前から両群のトレンドが平行である必要がある。 上のグラフで 2012→2018 の傾きが揃っていないと（初期値がまさにそう。 プレトレンド差 −1.54）、 DID はバイアスを含む。 平行トレンドの検証（プレトレンド検定・イベントスタディ）は必須です。
• 水準差は問題ない／傾き差が問題：処置群と対照群の 水準（高さ）が違っても DiD は成立する（固定効果で吸収される）。 崩すのは 傾き の差。 「プレトレンドを平行にする」ボタンで水準差を保ったまま傾きだけ揃えると、 DID の値は変わらないのに「信頼できる」判定に変わることを確認しよう。

🚀 発展：イベントスタディ・二方向固定効果・合成統制法

• イベントスタディ：処置前の各期に「偽の処置ダミー」を置き、 その係数が 0 近傍なら平行トレンドを支持。 処置後は動的な効果の推移（立ち上がり・逓減）を追える。 上の 3 時点モデルの拡張版にあたる。
• 二方向固定効果（TWFE）：固定効果で個体（県）と時点（年）を同時に制御。 2×2 DID の交差項係数と代数的に一致する（本ページ ③ 参照）。 ただし処置時点が群ごとに異なる staggered 設計では TWFE はバイアスを持つため、 Callaway-Sant'Anna 等の現代的手法を使う。
• 合成統制法：処置単位が 1 つだけのとき、 複数の対照単位の加重平均で「合成対照群」を構築し、 反実仮想をより精緻に近似する DiD の拡張。 パネルデータがあれば適用しやすい。

🐍 実装バリエーション — statsmodels / linearmodels / DiD パッケージ

(A) statsmodels OLS — シンプルな2x2 DID

1
2
3
4
5

import statsmodels.formula.api as smf
# 結果変数は 'y' ではなく、このページで作った 'aging'（高齢化率）。
# 交差項は treated:post と書けば、その場で作ってくれる
m = smf.ols('aging ~ treated + post + treated:post', data=df).fit()
print(round(m.params['treated:post'], 4))  # DID 推定値

(B) linearmodels PanelOLS — 双方向固定効果が簡単

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

from linearmodels.panel import PanelOLS
# 被説明変数はこのページで作った 'aging'（高齢化率）。df には
# year / Prefecture / aging / treated / post / treat_post が入っている
df_p = df.set_index(['Prefecture', 'year'])
m = PanelOLS.from_formula(
    'aging ~ 1 + treat_post + EntityEffects + TimeEffects',
    data=df_p).fit(cov_type='clustered', cluster_entity=True)
print(m.params.round(4))
print('p 値:', round(m.pvalues['treat_post'], 4))
# 都道府県固定効果・年固定効果とクラスタ頑健 SE を一行で

(C) DiD (Callaway & Sant'Anna) — 時差導入処置

1
2
3
4
5
6

# pip install differences
from differences import ATTgt
att = ATTgt(data=df, cohort_name='treat_year', strata_name=None,
            base_period='varying', anticipation=0).fit(formula='y ~ 1')
print(att.aggregate('simple'))
# 集約 ATT と動的 ATT を頑健に推定

(D) 合成統制法（SyntheticControlMethods）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

import pandas as pd

# ── Synth に渡すパネルを用意する（都道府県 × 年 の高齢化率）──
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df_pivot = pd.DataFrame({
    'Prefecture': _d['Prefecture'],
    'year': _d['SSDSE-B-2026'],
    'aging': _d['A1303'] / _d['A1101'] * 100,
}).sort_values(['Prefecture', 'year']).reset_index(drop=True)

from SyntheticControlMethods import Synth
scm = Synth(df_pivot, 'aging', 'Prefecture', 'year', 2015, '東京都', n_optim=10).fit()
scm.plot(['original', 'pointwise', 'cumulative'])
# 「合成東京都」を構築して、 実際の東京都との差で処置効果を推定

(E) scikit-learn の DoubleML（DID）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

import numpy as np
import pandas as pd
from doubleml import DoubleMLData

# ── DoubleML に渡すデータを用意する ──
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_aging = _d['A1303'] / _d['A1101'] * 100
_raw = pd.DataFrame({
    'y': _d['L3221'].astype(float),                        # 消費支出
    'treat': (_d['SSDSE-B-2026'] >= 2016).astype(int),     # 2016 年以降を処置後
    'x1': np.log(_d['A1101'].astype(float)),               # 総人口の対数
    'x2': _aging,                                          # 高齢化率
})
data = DoubleMLData(_raw, y_col='y', d_cols='treat', x_cols=['x1', 'x2'])

from doubleml import DoubleMLDID
from sklearn.ensemble import RandomForestRegressor, RandomForestClassifier
dml_did = DoubleMLDID(data, y='y', d='treat', x_cols=['x1', 'x2'],
                      ml_g=RandomForestRegressor(), ml_m=RandomForestClassifier())
dml_did.fit()
print(dml_did.summary)  # 機械学習で nuisance を推定する高度版 DID

⚠️ 追加の落とし穴 — DID の実務

⚠️ 落とし穴 — 完全強化版

差の差分析（DID） を実務で扱う際に踏みやすい落とし穴を 5 件挙げます。

• 平行トレンド違反: 処置前期間のトレンドが群間で平行でなければ DID は無効。プレトレンド検定が必須。
• 同時ショック: 処置と同じタイミングで別のイベントが発生すると、効果が混在する。文脈調査が不可欠。
• SUTVA 違反: 群間の波及効果があると相互汚染。地理的隣接や情報波及を確認。
• 異質効果: 個体ごとに効果が異なる場合、平均効果は誤解を招きうる。サブグループ分析を併用。
• 標準誤差過小評価: パネル構造のクラスタリングを考慮しないと SE が小さすぎる。クラスタ頑健 SE を利用。

🌐 関連手法・派生 — 完全強化版

• 平行トレンド — DiD が成り立つための前提。介入前の推移を図で確認する
• 対照群 — 何と比べた効果なのかを決める。作り方が結論の大半を決める
• パネルデータの因果推論 — 固定効果で個体差と時期の効果を落とす
• 操作変数法 — 平行トレンドが成り立たないときの別経路
• 同時性 — 互いに決まり合う関係では DiD でも識別できない

🔗 関連用語（拡張マップ）

📚 前提となる用語（4個以上）

🔀 並列・関連手法（4個以上）

🚀 発展・応用先（4個以上）

🔗 関連用語（前提・並列・発展） — 完全強化版

本ページ「差の差分析（DID）」に関連する用語を 前提（基礎となる概念）／並列（同カテゴリ）／発展（応用先） の 3 区分で整理します。

📥 前提となる用語

• 平均 — 中心傾向の最も基本的な要約値
• 分散 — ばらつきの定量化
• 標準偏差 — 分散の平方根、原データと同じ単位
• 確率 — 不確実性の数学的基礎
• 正規分布 — 連続確率分布の基盤

↔️ 並列・関連の用語

• 相関 — 2 変数の線形関係
• 共分散 — 相関の規格化前の量
• 線形回帰 — 関係性のモデル化
• 仮説検定 — 統計的判断の枠組み
• 信頼区間 — 推定の不確実性
• p 値 — 帰無仮説下での観測の極端さ
• 効果量 — 実質的な大きさ
• 標準誤差 — 推定量のばらつき

🚀 発展・応用の用語

• t 検定 — 平均差の検定
• ANOVA — 多群比較
• カイ二乗検定 — カテゴリ変数の独立性
• ロジスティック回帰 — 二値結果のモデリング
• クラスタリング — 教師なし分類
• 時系列解析 — 時間構造の解析
• パネルデータ — 時間と個体の二次元構造

📚 グループ教材・関連リンク

DID と隣接するテーマのグループ教材へのリンクです。 処置群・対照群の設計や時系列構造の理解を深めるのに役立ちます。

• クラスタリング教材
• 時系列解析教材
• 処置群・対照群教材
• 対照群教材
• 自然言語処理教材

🎯 まとめ — 完全強化版

本ページでは「差の差分析（DID）」を 12 セクション（🔖 キーワード索引／💡 30 秒結論／📍 文脈／🎨 直感／📐 数式／🔬 数式を言葉で読み解く／🧮 実値計算／🐍 Python 実装／⚠️ 落とし穴／🌐 関連手法／🔗 関連用語／📚 グループ教材）で完結に整理しました。 SSDSE-B-2026 を素材に、 概念の輪郭・式の意味・実装手順・典型的な失敗パターンの 4 点を最低限押さえれば、 統計データ分析コンペの現場で迷わず使えるはずです。

🗺️ 概念マップ — 体系の中での位置

🗺️ 概念マップ — 3つの視点で体系を理解する

差分の差分法（DiD） がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 因果推論 › 因果手法 › DiD

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に 差分の差分法（DiD） を置き、 そこから IV・傾向スコア・内生性・重回帰・ロジスティック回帰 計 5 個の用語へ、 前提・兄弟・発展形といった関係を矢印で結んでいます。 線がどちら向きかを見れば、 先に読むべき用語とあとから読む用語が分かります。 ノードはドラッグで動かせ、 ホイールでズーム、 クリックでその用語のページへ遷移します。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「差分の差分法（DiD）」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「差分の差分法（DiD）」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 3 つの図は同じ位置関係を別の角度から描いています。 関係マップは DiD の隣に何が並ぶかを、 包含マップとツリーマップは 統計・データサイエンス → 因果手法 → DiD という入れ子の位置を示します。 「因果手法には他に何があったか」を思い出したいときは包含マップを、 「次に何を読むか」を決めたいときは関係マップを開いてください。

🗺 概念マップ — 完全強化版

• 基礎：平均／分散／標準偏差／確率
• 分布：正規分布／標本／中心極限定理
• 関係性：相関／共分散／線形回帰
• 推測：仮説検定／信頼区間／p 値／効果量
• 因果：内生性／IV／DID／平行トレンド／RDD
• 分類：クラスタリング／階層クラスタリング／Ward 法
• 時系列：ARIMA／VAR／グレンジャー因果／自己相関

🔗 隣接手法への橋渡し

「差分の差分法 (DID)」は単独で完結する手法ではなく、 隣接領域と連携することで真価を発揮する。 具体的には次の 3 方向と密接につながる：

• 上流: 因果関係と 因果推論の基礎 — DID の理論背景
• 並列: 傾向スコア・回帰不連続デザイン・操作変数法 — 同階層の因果推論手法
• 下流: 政策評価と A/B テスト — DID 結果の応用

DID は介入前後の差を treatment と control で比較し、 共通トレンド仮定下で因果効果を推定。

🌳 手法選択フロー

DID を含む因果推論の手法選択は、 データ構造・処置の入り方・識別仮定の妥当性で決まる。 典型シナリオと候補手法を示す。

典型シナリオ別の手法選択

選んだ後の検証ステップ

1. プレトレンド検定: 処置前ダミーの係数が 0 近傍か（イベントスタディ）
2. 標準誤差: 県単位のクラスタ頑健 SE、 少クラスターならワイルドブートストラップ
3. プラセボ検定: 偽の処置時点・偽の処置群で効果が出ないか確認
4. 同時ショック: 処置と同時期の別イベントを制御・議論したか
5. 頑健性: サンプル期間・対照群・推定量を変えても符号と大きさが安定するか

🎨 直感を深める — 2×2 表の「4 セルには何が混ざっているか」

DiD の心臓部である 2×2 表（上のウィジェットと同じ実測値）を、 処置群／対照群と処置前後で切ると 4 つのセルができます。 この 4 セルの各平均が「何の足し算でできているか」を分解すると、 なぜ 2 回引き算するのか（＝差の差）が腑に落ちます。 記号は 群固有の水準を α、 その年の時間効果を λ、 求めたい処置効果を τ とします。

• 横に 1 回引く（前後差）：群固有の水準 α（大都市圏はもともと高齢化率が低い、 という「高さの違い」）が消える。 処置群の前後差＝λ_post−λ_pre+τ＝+0.31、 対照群の前後差＝λ_post−λ_pre＝+1.66。
• 縦にもう 1 回引く（差の差）：両群に共通の時間効果 λ_post−λ_pre が消え、 残るのは τ だけ。 (+0.31)−(+1.66)＝−1.35。 これが「共通トレンドを差し引いて効果だけを取り出す」の正体です。
• 「共通トレンド」＝「λ が両群で共通」という仮定そのもの：上の分解は、 対照群の時間効果 λ を処置群にもそのまま当てはめられる、 と暗黙に置いています。 これが崩れる（群ごとに λ が違う）と、 引き算で消えず τ に混ざります。 → 平行トレンド仮定。
• 水準差 α は無害・傾き差 λ が有害：α_T≠α_C（25.07 と 30.35 で 5 ポイントも違う）は前後差で消えるので問題になりません。 固定効果が個体ごとの α を、 年ダミーが λ を吸収する構造は、 この 2×2 の分解を多期間・多個体へ一般化したものです（本ページ ③ の C(Prefecture)+C(year)）。

反実仮想の言葉で言い換えると、 「処置群がもし処置を受けなかったら 2023 年にどうなっていたか」を 25.07＋（対照群の変化 +1.66）＝26.73 と見積もり、 実測 25.38 との差 −1.35 を効果と呼んでいます。 対照群は自然実験的に用意した「反実仮想の代理」です。

⚠️ 落とし穴を深める — 「識別を壊す 5 つの脅威」を機序で理解する

上の 落とし穴集を、 推定量にどう効くか（符号の向き）の観点で整理し直します。 とくに DiD 初学者が見落としがちな 時変交絡（time-varying confounder）を明示的に加えます。

💡 要点：固定効果（または 変量効果）が消せるのは「時間で変わらない個体差 α」だけ。 ①と⑤はいずれも「時間で変わる群差」であり、 固定効果を入れても自動では消えません。 DiD を『固定効果を入れたから因果』と誤解しない、 が最大の勘所です。 より体系的な位置づけは パネルデータと因果推論を参照（因果推論の全体像・潜在的結果モデルは本サイト内の関連ページ群にも散在）。

🚀 発展を深める — イベントスタディ・TWFE の落とし穴・合成対照法

① イベントスタディ（リード／ラグ係数）— 本ページの −1.36 を「年ごとに分解」する

2×2 DiD は「処置前 1 点・処置後 1 点」に情報を圧縮しています。 これを各年に開いたのがイベントスタディです。 処置年（2018）を基準（係数 0）に固定し、 各年ダミー×処置群の交互作用係数を並べます。 処置前の係数が 0 近傍ならば平行トレンドを支持、 処置後の係数は動的な効果の推移を表します。 下表は SSDSE-B-2026 の実測群平均から算出した、 2 群飽和イベントスタディの係数（＝群平均ギャップの 2018 基準正規化。 実測値のみ）です。

読み方：処置後 2023 の係数 −1.36 は、 本ページ ②の 2×2 DiD（−1.36）と一致します（イベントスタディの「処置年基準・特定年係数」は 2×2 DiD の一般化だから）。 ところが処置前の係数が 0 でなく、 +1.53→+0.33 と単調に下がっています。 これは処置前から両群のギャップが縮み続けていた（＝平行トレンドが成り立っていない）動かぬ証拠で、 −1.36 の相当部分は処置ではなく既存トレンドの延長である疑いが濃厚です。 実務では、 処置前係数が 0 近傍に収まっているかを図で示すことが、 DiD の信頼性の生命線になります。 → 平行トレンド。 なお本例はあくまで手法デモ（疑似 DiD）であり、 実在の政策効果ではありません。

② 二元固定効果（TWFE）の落とし穴 — 異質処置効果でのバイアス

「個体固定効果＋年固定効果＋処置ダミー」の TWFE 回帰は、 全群が同時に処置される 2×2 設計では 2×2 DiD と厳密に一致します（本ページ ③）。 しかし処置年が群ごとに異なる staggered 設計では話が変わります。 Goodman-Bacon (2021) は、 TWFE 推定値が「多数の 2×2 比較の加重平均」に分解でき、 その中に「すでに処置された群」を対照に使う禁じられた比較が混じることを示しました。

• 負の重み（negative weights）：効果が時間とともに成長する（例：処置後じわじわ効く）と、 一部の 2×2 比較に負の重みがつき、 個々の ATT がすべて正でも TWFE 全体が逆符号になりうる（de Chaisemartin-d'Haultfoeuille 2020）。
• 汚染された対照：先に処置された群は、 後から処置される群の「クリーンな対照」ではない。 その群自身が処置効果を抱えているため、 差の差が歪む。
• 対策（現代的 staggered DiD）：Callaway-Sant'Anna（群×時間別 ATT を推定して集約）、 Sun-Abraham（交互作用重み付きイベントスタディ）、 de Chaisemartin-d'Haultfoeuille。 2020 年代以降、 staggered なら TWFE を素で使わないのが標準作法です。

※ 本ページの疑似 DiD は「全処置群が 2018 年に同時処置」の設計なので、 この staggered バイアスは生じません（③で FE 入り係数が 2×2 と一致するのはそのため）。 上記は「もし処置年がバラバラだったら」という一般論としての注意です。

③ 合成対照法（synthetic control）への橋渡し

処置単位が 1 つしかない（例：ある 1 県だけが政策を導入）とき、 「どの 1 県を対照にするか」で結果が揺れます。 合成対照法はこの選択を、 複数の対照候補の加重平均で「合成された対照単位」を作ることで自動化します。 重みは処置前の結果変数（と共変量）の軌跡が処置単位に最もよく一致するように決めます。

• DiD との関係：DiD は「対照群の重みを全員 1/N で固定」した特殊ケースと見なせます。 合成対照は重みをデータ駆動で最適化し、 処置前フィットを良くすることで平行トレンド仮定への依存を弱めます。
• 効果の読み方：処置後の「実測の処置単位」と「合成対照」の縦の差が推定効果。 パネルデータの処置前期間が長いほど信頼できます。
• 推論：処置単位が少ないので、 プラセボ（対照候補を仮の処置単位に置いて効果分布を作る）で有意性を評価するのが定石です。

📝 関連ページ（html/glossary 内・実在確認済）：平行トレンド／パネルデータと因果推論／固定効果／変量効果／パネルデータ／自然実験／内生性／操作変数法（IV）／回帰不連続（RDD）／処置群／対照群／選択バイアス／交絡／因果関係／A/B テスト。 なお 合成対照法・イベントスタディ・傾向スコア・因果推論総論・潜在的結果モデルの独立ページは現時点で未作成のため、 本文中でテキスト説明としています。