研究方法也會異世界轉生？

從 Difference-in-Differences 看計量方法的跨學科可能

有些研究方法，大概天生自帶「異世界轉生」體質，尤其是計量與量化分析的方法；經濟學會用數據與模型研究政策和市場，圖書資訊學也有自己的文獻計量與資訊計量傳統；到了資料科學、資訊系統或其他實證研究領域，我們同樣會看到研究者利用統計模型，處理比較、變化與效果判斷的問題。

這些領域不是在使用同一種「計量學」工具，但它們有一個很有意思的共同點：當研究問題開始變成「差多少、為什麼有差、這個改變究竟造成了什麼」，不同學科發展出的分析方法，就有可能彼此借用。

不過方法轉生，沒有「保留前世等級」這種福利。換一個研究場景，資料怎麼產生、誰能跟誰比、原本的假設還成不成立，都得重新檢查。否則看起來像把神技帶進新地圖，實際上可能只是把不適合的模型成功裝到另一份資料上。

Difference-in-Differences（DiD，差異中的差異法）就是一個很適合拿來看這件事的方法。它原本是經濟學實證研究中常見的因果推論方法，而 Callaway 與 Sant’Anna 的 Difference-in-Differences with Multiple Time Periods，又把問題往前推了一步：如果改變不是同時發生，而是有人先、有人後，我們到底該怎麼比較？

DiD 在問的，其實是一個很日常的問題

先不管公式，假設某項政策今年開始實施，實施前的數值是 70，之後變成 80。最直覺的說法大概是：「很好，政策效果 +10。」但事情通常沒有這麼乾脆；同一段時間裡，景氣可能變了、人口結構可能變了，甚至資料蒐集方式都可能改過。只把政策前後直接相減，我們其實不知道那個「+10」有多少真的應該算在政策頭上。

經典 DiD 因此多加一層比較：除了看接受處理的一組前後怎麼變，也看沒有接受處理的一組，在同一段時間怎麼變；如果沒有政策時，兩組原本的變化具有可比較性，那麼處理組額外多出來的變化，才比較有資格被解讀成處理效果。這也是 DiD 最核心的比較邏輯。

所以它真正逼研究者回答的，不只是「前後差多少」，而是：

我憑什麼相信，這兩組可以拿來比較？

麻煩的是，真實世界很少一起按下開始鍵

經典 DiD 的世界相對整齊：兩組、兩個時間點，一組接受處理，一組當作對照組；不過，現實世界可沒有那個好說話！政策可能分年上路，不同機構可能在不同時間加入方案。Callaway 與 Sant’Anna 關注的，就是這種多時間點，而且不同單位在不同時間接受處理的情況。更具體地說，他們處理的是交錯式採用（staggered adoption）：一個單位一旦開始接受處理，之後就持續處於處理狀態。

原論文屬於經濟學研究，並以最低工資與青少年就業作為應用案例；但如果暫時把研究主題放到旁邊，只看問題的結構，就會發現這種情況未必只會出現在政策研究；例如，不同學校可能分批採用新的教學方案；不同資訊系統陸續上線某項功能；不同設備也可能在不同月份切換新的流程。

這些不是 Callaway 與 Sant’Anna 原文提出的應用案例，而是順著這套計量方法處理的問題結構，往其他研究場景延伸來看；領域不同，資料也不同，但問題很像：有人先改，有人晚一點改；而我們想知道，改變之後到底發生了什麼。這也是計量方法能夠跨學科旅行的原因之一：不同領域不一定共享同一套資料，卻可能共享相似的比較問題。

已經轉職的人，還能當新手對照嗎？

分批接受處理之後，另一個麻煩就出現了！假設 A 地區三月開始實施政策，B 地區五月才開始。到了五月，如果分析過程還把已經接受政策兩個月的 A，拿來作為剛開始接受政策的 B 的比較基準，這個「對照」就沒有表面上那麼單純。

這也是多期 DiD 特別需要小心的地方，在處理時間不同、處理效果又可能隨時間改變的情況下，常見的雙向固定效果模型（Two-Way Fixed Effects, TWFE）可能混合不同類型的比較，讓最後得到的係數不容易直接解讀成我們原本想知道的處理效果。Callaway 與 Sant’Anna 因此選擇先把不同群組、不同時間的效果拆開來看。

這裡可以簡單記住一個重點：模型給你一個數字，不代表那個數字剛好回答了你的研究問題。

先別急著抓平均：哪一批、哪個時間？

Callaway 與 Sant’Anna 的做法，有一個很值得借鏡的流程：

先不要急著把所有接受處理的單位揉成一個平均。

他們先按照「第一次接受處理的時間」分組，再觀察不同群組在不同時間的處理效果，也就是論文所說的 group-time average treatment effect，ATT(g,t)；為什麼要這麼麻煩？因為效果不一定立刻出現，也不一定每一批都一樣。有些措施需要一段時間才開始發揮效果；有些可能剛開始最明顯，後面逐漸減弱；不同時間加入的群組，也可能有不同的結果。

所以研究者可以先看這些差異，再依照真正想回答的問題決定怎麼彙整。原論文也特別指出，不同的彙整( aggregation )方式可以用來觀察不同群組、接受處理時間長短或不同日曆時間下的效果變化，沒有一種彙整方式適合所有研究問題。

簡單說：先別急著問「平均有沒有效」，先看看是哪一批、什麼時候，以及效果有沒有改變。

方法可以轉生，但世界觀設定不能省略

看到這裡，可能會有人想：既然我的資料也是「有人先改、有人後改」，是不是就可以直接套 DiD？

沒有這麼方便，Callaway 與 Sant’Anna 處理的是特定的交錯式採用（staggered adoption）情境：不同單位在不同時間接受處理，而且一旦接受處理，之後持續維持處理狀態；更重要的還有 DiD 的核心條件之一：平行趨勢；它不是要求兩組的數值一模一樣，而是要求：如果沒有接受處理，兩組原本的結果變化必須具有可比較性。

問題就在於，「如果沒有接受處理，結果會怎麼變」本來就是我們看不到的反事實。因此，這個假設需要研究設計、處理前資料與研究背景來支持，不是只要手上剛好有兩組前後資料，就自動過關。

所以把一套方法帶進另一個學科之前，不能只問：「我的資料長得像不像？」

還要問：「這套方法原本成立的條件，在我的研究裡還站得住嗎？」

陪你做研究的最後

跨學科使用計量方法，最有意思的地方，不只是多學一個模型。以這篇 DiD 研究來說，它真正值得借走的，是一套把比較問清楚的方式：

誰跟誰比？什麼時候比？這個差異真的可以這樣解釋嗎？

從經濟學走到教育、資訊系統，甚至其他具有類似資料結構的研究場景，資料內容會變，方法成立的條件也得重新檢查，但這些問題並沒有因此消失。

這也回到文章一開始說的「轉生」：計量方法之所以有機會跨出原本的學科，不是因為一條公式到哪裡都有效，而是因為不同領域有時候會遇到結構相似的分析問題。

如果你也想看看一個研究主題正在和哪些學科發生交會，圖書館提供的 Research Horizon Navigator 可以作為探索入口。它透過 Interdisciplinarity 指標提供跨學科發展的線索，讓研究者從自己熟悉的領域出發，看看相近問題正在其他學科如何發展，有時候，跨學科不是急著換一套方法，而是先發現：原來別的領域，也在處理跟我很像的問題。

參考文獻

Callaway, B., & Sant’Anna, P. H. C. (2021). Difference-in-Differences with multiple time periods. Journal of Econometrics, 225(2), 200–230. https://doi.org/10.1016/j.jeconom.2020.12.001

推廣組 柯文仁／本文搭配 AI 工具進行寫作輔助