1 差の差（DiD）の基本概念
差の差（Difference-in-Differences: DiD）は、ある介入や制度変更が集団に与えた効果を、時間に伴う変化と集団間の差を用いて推定する計量手法である。介入を受けた集団と受けない集団の双方について、介入前後で観察される結果の変化を比較し、その差をさらに比較することで、単なる相関ではない因果的な効果に近づけることを目的とする。
この枠組みでは、結果の水準そのものよりも「変化」に焦点を当てる。共通の景気変動や季節性のように、両集団へ同様に影響する時間要因が存在していても、それを差分化によって相殺しやすい点が特徴である。一方で、相殺されるのは特定の条件を満たす場合に限られるため、仮定の妥当性を検討することが中心的な課題となる。
1.1 比較の枠組み（処置群と対照群）
DiDの基本構造は、処置群と対照群を設定し、それぞれの結果変数を時間に沿って追跡することにある。処置群とは、政策や制度の導入など、ある出来事を受けた集団を指す。対照群は当該出来事を受けない（あるいは受ける時期が異なる）集団として選ぶ。
比較の設計では、処置群と対照群の間に存在しうる固定的な差（例えば、地理条件、長年の産業構成、集団固有の嗜好の違いなど）は、差分の操作によって実質的に取り除くことが狙われる。そのため、対照群には「介入がなければ処置群と同じ方向に動いていたであろう」状態を近似できるような性質が求められる。
1.2 「差の差」が意味する因果推論
「差の差」とは、時間変化の差をさらに比較する操作として理解できる。まず、介入前後での結果の変化（縦の変化）を処置群と対照群それぞれで計算する。次に、両者の変化量の差を取ることで、介入と無関係な共通要因に由来する変化を相殺しようとする。
因果推論としての解釈は、反実仮想の枠組みに結びつく。すなわち、処置群が介入を受けなかった場合の結果変化（未処置の潜在的結果）を対照群の動きで代理し、その代理に基づいて処置による上乗せ分を推定する考え方である。従って、差の差の推定値は「処置がなければ対照群と同程度の変化が起きた」という仮定が成立する範囲で因果解釈に近づく。
1.3 推定の直感（介入前後の変化）
直感的には、処置群の介入前後の変化と対照群の同期間の変化のうち、後者には含まれていない上乗せ分を効果とみなす。介入がなければ処置群に同様の変化は生じなかった、と考えられるなら、介入後に観察される差の増減は処置の影響として理解できる。
たとえば、介入前から両集団の結果が安定的に乖離していたとしても、介入後にだけ処置群で追加的な上昇（あるいは下落）が見られるなら、差の差の枠組みはその「追加分」に焦点を当てる。重要なのは、介入後の水準そのものではなく、介入後に発生した変化が対照群の変化と比べてどの程度異なるかという点である。
2 モデルと推定式
DiDは、結果変数を処置の有無や時間要因で説明する回帰型のモデルとして書き下すことで、推定と解釈の整理が可能になる。基本形では、処置の当否を表す指標と、介入後であるかを示す指標、そして両者の交差項（処置×時間）を組み合わせる。
推定式の中で交差項に付される係数が、介入により生じた追加的な変化を表す。どの係数が効果に相当するかを明確にすることは、後段の解釈や誤用の回避に直結する。
2.1 2期間・単純DiDの表現
最も基本的な設定として、介入前と介入後の2期間だけを考える。集団（あるいは個体）を \(i\)、時間を \(t\) とし、介入後なら \(t=1\)、介入前なら \(t=0\) とする。処置群であれば処置指標 \(D_i=1\)、対照群なら \(D_i=0\) とする。
このとき、平均の結果 \(Y_{it}\) を次のように表すのが典型である。
\[ Y_{it} = \alpha + \beta D_i + \gamma t + \delta (D_i \times t) + \varepsilon_{it} \]
ここで、\(\delta\) が差の差に相当する推定量となる。直観的には、処置群の介入後の変化から、対照群の同時期の変化を差し引いた量が \(\delta\) と一致するように設計されている。
2.1.1 介入効果の定式化
介入効果として \(\delta\) を読み取るには、処置群が介入を受けなかった場合の動きが、対照群の動きと比較可能であるという前提が必要である。したがって \(\delta\) は、モデルの形と仮定が適切に満たされる場合に、介入による追加的な変化（未処置との差）を表す。
さらに、解釈上は「平均処置効果」という言い方が用いられることが多い。これは、処置群と対照群のそれぞれに含まれる単位（企業、自治体、個人など）の平均的な変化の差として理解できるからである。ただし、効果が単位ごとに異なる場合、推定値がどのような加重で平均されるかはデザインや推定方法に依存する。
2.2 事例拡張（複数期間のDiD）
介入前後を2期間に限定しない場合、時間を複数に拡張して動学的な変化を扱える。単純なDiDをそのまま複数期間に適用すると、介入後全体が1つの期間としてまとめられる一方、実際には介入効果が時間とともに変わる可能性がある。
このため複数期間では、「いつから効果が現れたか」「どの程度持続するか」といった時間構造を取り込む設計が検討される。イベントスタディに近い発想へ拡張する場合もあるが、ここでは複数期間のDiDとしての基本構造を押さえる。
2.2.1 時間効果と処置効果の分解
複数期間では、一般に時間に共通する要因（景気や季節性など）を表す項と、介入による追加的影響を表す項を分けて表す。時間効果は \(t\) の関数として捉えられ、処置効果は「処置群であり、かつ特定の時点以降である」という条件に対応する形で表現される。
この分解により、介入前にも処置群と対照群の差が体系的に変化していた場合（つまり共通要因では説明できないトレンド差）が推定に混入しやすくなる。従って、時間分解を行うほど、事前期間の挙動を丁寧に確認し、モデルが前提を満たしているかを点検する重要性が高まる。
2.3 固定効果や回帰による実装
実務では、固定効果を用いることで非観測の異質性を吸収し、推定の安定性を高めることが多い。たとえば、集団ごとの特性が結果に影響しうる場合、単純な2期間モデルよりも多期間データに固定効果を組み込み、平均的な処置効果を推定することができる。
代表的には、集団固定効果と時間固定効果を同時に入れる枠組みが用いられる。これにより、集団に固有の定数項と、全体に共通の時間要因が同時に制御される。
2.3.1 平均処置効果としての解釈
固定効果を含む回帰推定では、係数の解釈が「処置の効果は、集団ごとの差や共通の時系列変動を差し引いた上で残る部分として捉えられる」形に整理される。具体的には、観測単位間で時間不変な要因は固定効果により除去され、さらに全体に共通な時間変動も時間固定効果により吸収される。
こうした操作の結果、推定値は介入に関連する変化のうち、定数的な差と全体トレンドを除いた部分の平均に対応する。ただし、効果が異質である場合には、どの単位のどの時点がどの程度寄与しているかが推定結果に影響するため、推定対象（どの集団の平均なのか、どの時期の効果なのか）を明確にしておくことが望ましい。
3 必要な仮定と妥当性
DiDは強力な手法である一方、因果解釈には特有の仮定が必要になる。仮定が成立しない場合、差の差が単なる変化の比較に戻り、因果と相関の境界が曖昧になる。したがって、仮定の意味を理解し、データの特徴に照らして妥当性を点検することが不可欠である。
また、現実のデータでは、介入以外の出来事や集団構成の変化が同時に起こりうる。これらは仮定の破れとして現れるため、分析設計と診断の両面が重要になる。
3.1 並行トレンド仮定
並行トレンド仮定とは、介入が行われなかったなら、処置群と対照群の結果が時間に沿って同じ方向・同じ程度の変化を示したはずだ、という考え方である。2期間モデルでは特に強い形として表れるが、複数期間では介入前の複数点でその整合性を確認することで検討できる。
この仮定が満たされるとき、対照群の介入前から介入後への動きが、処置群の「反実仮想の動き」をよく近似する。逆に、介入前から両群のトレンドが異なっているのに、それが介入後も続くなら、差の差は処置効果以外の要素を混ぜてしまう。
3.2 交絡の扱い（交差するショックへの注意）
DiDが想定する「相殺される共通の時間要因」は、処置群と対照群に同様に影響するものに限られる。介入と同時期に、処置群だけに作用するショックや、対照群だけを揺さぶる出来事がある場合、推定は交絡を含む可能性が高い。
たとえば、介入と近い時期に地域固有の政策が追加で実施されたり、業界で重要な出来事が起きたりすると、並行トレンド仮定の背景が崩れる。したがって、時点の選定やイベント周辺の状況把握が重要であり、外部情報（制度改正の実施日、ニュース、行政記録など）を使って同時ショックの有無を評価することが求められる。
3.3 選択バイアスとサンプル変化
DiDで用いるデータは、分析対象期間を通じて同じ単位を追跡できるとは限らない。観察される単位の構成が介入後に変化すると、平均的な比較が歪み、効果の推定が難しくなる。これが選択バイアスやサンプル変化として問題になる。
介入後に対象から脱落する単位がある場合、残った集団の性質が変わり、結果の変化が処置効果と混同されることがある。特に移動や入れ替わりが大きい環境では、サンプルの安定性が推定の基盤になる。
3.3.1 サンプルの流入・流出の影響
流入・流出は、処置群・対照群の双方で異なる形で起こることがあるため、差の差を介しても相殺されない場合がある。たとえば、介入により特定地域や事業体への集中が起き、対照群から質の異なる単位が流れ込むような状況では、結果変数の平均が構成の変化により押し上げられうる。
この問題への対処として、可能なら追跡対象を固定し、分析単位の定義を介入前後で比較可能にする工夫が必要になる。さらに、入れ替えが避けられない場合は、流入・流出を直接測り、追加の検証や感度分析で歪みの方向を評価することが実務上の要点となる。
4 設計・実務上の論点
DiDを実際に適用する際には、データ設計、標準誤差の扱い、不確実性の見積もり、そして頑健性チェックの充実が重要になる。手法自体は単純に見えても、実装の細部が推定結果に与える影響は大きい。
また、誤用はしばしば「仮定の確認不足」や「設計の前提に反するデータ構造」に起因する。したがって、分析の見通しと診断手順を最初から計画することが望ましい。
4.1 イベント時点の定義と運用
イベント時点は、介入が実際に行われた（または効果が発現しうる）タイミングとして定義する必要がある。制度の公布日、施行日、実際の運用開始日など、複数の候補が存在しうるため、どれを採用するかで推定対象の時間がずれる。
また、効果の立ち上がりに遅れがある場合、介入後直ちに変化が見えないことがある。この場合、モデルが「介入の効果が即時に現れる」前提で設計されると、推定結果が過小評価される恐れがある。したがって、時点定義は制度の実務運用や因果経路の理解に基づいて検討することが求められる。
4.2 標準誤差と推定の不確実性
DiDの推定では、通常の独立同分布の仮定が成り立たないことが多い。特にパネルデータでは、同一集団に属する観測値間の相関が残るため、標準誤差は適切に補正する必要がある。クラスターに基づく推定（例：集団単位でのクラスタリング）が広く用いられる。
標準誤差の設定が不適切だと、有意性の過大評価や過小評価が起きる。推定係数の解釈と同様に、どのレベルで誤差相関が想定されているかを明示することが重要になる。
4.3 頑健性チェック（前トレンド検証など）
頑健性チェックは、仮定の破れがどれほど推定に影響するかを探る作業である。代表例は、介入前の期間におけるトレンドが平行に近いかを確認する前トレンド検証である。もし介入前から大きな乖離が見られるなら、推定値の因果解釈には慎重さが必要になる。
その他にも、推定対象期間の切り方を変える、サンプルの除外基準を変える、時間固定効果や追加の共変量を入れるなどの感度分析が行われる。これにより、結果が特定の設計条件に強く依存していないかを評価できる。
3.4.1 構成の変化に対する感度分析
構成変化への感度分析は、流入・流出や対象の入れ替わりによる歪みを評価するために行う。具体的には、追跡の範囲を厳密にしたサブサンプルで推定して結果が再現するかを確認したり、構成の代理指標（年齢構成、規模、業種分布など）が介入後に大きく動いていないかを点検したりする。
構成が変わっている場合は、単純な比較だけで因果効果を結論づけない判断が必要になる。代替的に、構成要因を説明変数として追加する、あるいは対象単位を安定的に保てるデータに限定する、といった方針が検討される。
4.4 よくある誤用と回避策
DiDで頻出する誤用は、並行トレンド仮定を検証せずに推定へ進むこと、介入時点の定義を曖昧にしてしまうこと、また対照群に対して介入と同時期の独自ショックが作用している可能性を見落とすことにある。結果として、推定値が真の効果ではなく、別要因の影響を取り込む危険が高まる。
回避策として、まず介入前の挙動を可視化し、トレンドの整合性を確認する。次に、イベント周辺で同時に起きた制度・環境の変化を整理し、対照群との比較可能性を点検する。さらに、標準誤差のクラスタリングやモデル仕様の変更による感度分析を行うことで、偶然性に左右されにくい結論に近づけることができる。