平行趋势是差分中的差分（Difference-in-Differences, DID）等准实验方法中的关键识别假设之一。其直观表述是：若没有处理（政策、干预或事件），处理组与对照组在结果变量上的时间变化趋势应当相同。这样一来，DID所观察到的“处理前后、组间的差异变化”，才能被解释为处理效应，而非由同时发生但与处理无关的系统性因素所驱动。

需要强调的是，“平行”指的是趋势（随时间的变化规律）而非水平（某一时点的绝对值）。两组即使在处理前水平不同，只要其后在没有处理时仍会保持相同的变化方式，DID仍可获得可识别的效应含义。

1.1 识别问题：为什么需要“相同趋势”

DID试图将结果变化拆解为多种成分：共同的宏观冲击、组别固有差异，以及处理所引致的额外变化。若处理前后恰好存在其他同时影响且只影响某一组的因素，那么组间差异的变化就不再能被简单归因于处理。

因此，平行趋势相当于对“其他同时发生的系统性差异如何随时间演化”的约束。它将识别依赖的来源从“处理前两组长得一样”转向“处理前两组如何随时间同步变化”。

1.2 形式化表述：反事实框架下的平行趋势

在反事实框架中，设某个单位在时间 \(t\) 的潜在结果包括“未处理”状态与“已处理”状态。DID关注的是处理引致的“增量”，即处理后单位从未处理路径偏离的幅度。

平行趋势通常可表述为：对于在处理前相同或可对比的单位，未处理潜在结果的时间变化在处理组与对照组之间应当一致。用语言概括就是：没有处理时，两组“会走同一条时间路径的变化方向”。

该条件并不要求完全逐期相等，更常见的表述是对差分后的趋势一致性给予假设，从而保证处理效应在统计识别上可从观测数据中分离出来。

1.3 与DID估计量的关系：可识别性与偏误来源

在标准两期DID中，估计量本质上是将组间差异在处理后减去处理前，并以此抵消共同冲击。平行趋势保证了“抵消后剩下的部分”不包含来自未处理情景下的系统性变化。

若平行趋势不成立，偏误来源可理解为：处理后组间差异的变化中，有一部分本应在无处理情况下也会发生，但被错误地归入了处理效应。结果可能表现为效应被高估或低估，具体方向取决于违背平行趋势的趋势偏离方式。

2 在DID中的作用方式

平行趋势在DID中并非停留在直觉层面，而是通过差分运算的结构被转化为“共同变化被消除、剩余部分可解释为处理”的机制。其核心在于：DID通过组合时间维度与组别维度的差异，来分离不同成分。

2.1 处理组与对照组的趋势比较

DID将观察到的结果差异按组别与时间划分：处理组在处理前后各自的变化，以及对照组在同一时期的变化。平行趋势要求：对照组所反映的“未处理变化”能够用于刻画处理组在无处理情况下会经历的相同变化。

因此，比较并不只是“处理组与对照组谁更高”，而是重点落在“谁的变化更快、变化方向是否一致”。

2.2 时间维度与差分运算如何“消除”共同冲击

在含有共同时间冲击的情形下（例如宏观经济波动、行业景气变化），若这些冲击同时影响两组，那么在DID中会被差分抵消。直观上，DID把时间冲击当作“共同成分”，通过“处理后减处理前”的运算消去其影响；再进一步通过“处理组减对照组”的运算剔除两组的固有水平差异。

若平行趋势成立，这种消除与分离是可靠的；若不成立，消除的并非真正的共同变化，而是混入了组别差异化的未观测趋势。

2.3 处理效应分解：从趋势差异到效应估计

DID可以被理解为一种分解：先观察到总差异变化，再扣除未处理情况下应有的部分。平行趋势提供后者的替代路径。

在这一框架下，DID估计量可被视为“处理前后趋势差的组间差异”。因此，任何导致处理组在无处理情况下趋势也会更快或更慢的因素，都会直接进入“趋势差”这一差分结构，从而影响最终估计。

3 假设检验与诊断方法

由于平行趋势难以直接、严格地从数据中证明，研究者通常依赖诊断工具来评估其合理性。需要注意，这些方法更多是“支持或削弱可信度”的证据，而不是逻辑意义上的证明。

3.1 事件研究图（预处理期系数）的可视化检查

事件研究（event study）将处理的相对时间（相对处理发生的期数）纳入模型，估计各个相对时点的效应路径。特别关注处理前各期的系数：若在处理发生前，估计的趋势差异接近零且围绕某种基准平稳波动，通常被视为平行趋势可能更合理的信号。

可视化检查的价值在于，它直观呈现“处理前是否已有系统偏离”的模式，有助于发现可能的预趋势问题。

3.2 安慰剂检验：伪处理时间与虚拟事件窗口

安慰剂检验通过将处理时间随机或按“虚拟事件”进行错配，重新估计DID或事件研究模型。若在伪处理时间附近仍观察到显著“效应”，则可能说明模型对时间变化的识别并不依赖真实处理，而是受其他同时发生因素影响。

这类检验通常包括：伪处理发生在处理实际之前、或在与实际政策无关的时间点设置“虚拟事件”。当结果在这些安慰剂窗口中不显著（或显著性模式与真实处理不一致）时，支持了平行趋势的可信度。

3.3 协变量平衡与趋势一致性的间接证据

平行趋势并不要求观测协变量完全平衡，但协变量平衡可提供间接支持：若处理分配与个体特征在处理前高度相关，且这些特征会影响未来趋势，那么平行趋势更可能被破坏。反之，若处理组与对照组在处理前的可观测变量分布相近，且协变量的变化未表现出系统性差异，则有助于降低“同时发生的选择性变化”风险。

在更强调动态一致性的框架中，也可检查某些关键协变量是否在处理前呈现类似的变化轨迹，从而作为趋势一致性的旁证。

3.4 敏感性分析：对潜在违背平行趋势的稳健性评估

敏感性分析旨在回答：“如果平行趋势存在一定程度的偏离，结论还会不会大幅改变？”常见做法包括设定可解释的偏离幅度范围，或采用不同模型设定、不同样本窗口与不同加权策略观察估计是否稳健。

当结论对“合理范围内的平行趋势偏离”不敏感时，研究对假设的依赖性相对较小；反之，若结论对小幅偏离就出现剧烈翻转，则应在解释中更谨慎，并可能需要更强的设计改进或进一步的证据。

4 常见违背情形与应对思路

平行趋势可能被多种机制破坏。理解这些情形有助于在研究设计阶段预防，或在结果报告阶段明确风险来源，并采取更贴合问题的应对策略。

4.1 组间存在差异化的非观测冲击

若存在未观测因素在处理前已对处理组或对照组产生不同的冲击，并且这种差异会持续或随时间强化，平行趋势就难以成立。例如，某组所在地区可能存在独立的产业调整、社会治理变化或样本构成的持续变化。

应对上通常需要增强对组别差异化时间变化的控制：包括更合理的匹配、使用更贴近的对照单位，或在模型层面引入能够捕捉趋势差异的结构。

4.2 处理影响在预处理期已“提前显现”（anticipation）

若处理在真正实施前就已产生预期效应（例如企业或个人提前调整行为），那么处理前的趋势就会出现与“未处理路径”不同的变化。此时事件研究图会显示预处理期系数并非接近零。

应对思路包括：重新界定处理开始的时间点（例如以实际可感知的政策生效为准），或在模型中允许存在预期影响并相应调整估计窗口；同时在报告中明确“提前显现”可能是机制而非数据噪声。

4.3 处理分组在时间上发生选择与构成变化

在一些研究中，处理并非随机分配，且处理组的构成可能随着时间发生变化。若进入或退出研究样本的规则与处理相关，或样本中不同类型单位的权重随时间改变，那么观察到的组别平均结果差异可能反映“构成迁移”，而非纯粹的处理效应。

应对策略通常包括：使用更一致的样本定义（避免时间不对齐的抽样偏差）、检查样本构成是否在处理前后发生系统变动，以及采用合适的样本权重或结构化模型以减轻构成效应。

4.4 采用改进策略：分组DID、加权DID或更灵活的模型（概念层面）

当单一DID设定难以满足平行趋势要求时，研究者可能采用更灵活或更精细的估计策略以增强识别的可信度。

概念层面上，常见方向包括：

  • 分组DID：根据处理强度、时间或可观测特征对样本进行分层，降低趋势差异；
  • 加权DID：通过权重设计使对照组更接近处理组在处理前的趋势表现；
  • 更灵活的模型：例如允许更复杂的时间效应结构或使用更丰富的动态项，以减少遗漏趋势导致的偏误。

这些方法并不能自动“保证”平行趋势成立，但可在实践中提升与假设相容的程度。

5 实务建议与报告规范

在论文或报告中，平行趋势相关内容不仅是技术环节，也影响读者对结果可信度的判断。规范表达应同时覆盖证据质量与不确定性边界。

5.1 如何在论文中表述平行趋势的可信度

更合适的表述通常包含两部分：一是说明平行趋势在研究设计下的直觉来源（例如政策冲击的时间性、对照组的可比性、样本构成稳定性）；二是说明基于哪些诊断或检验对假设进行了评估（例如事件研究预趋势、安慰剂结果）。

避免将平行趋势表述成“已被证明”，而应强调其可信度是基于证据与设计共同支持的判断。

5.2 图表与检验结果的呈现要点

常见呈现包括：事件研究图中处理前期系数的走势、置信区间与显著性模式；安慰剂检验在伪处理窗口的估计分布或回归结果；以及协变量平衡的处理前对比（含样本权重或匹配方案时尤需清晰）。

呈现时建议把“关键判断用的图或表”放在易被核对的位置，并在文字中点明结论依赖的证据类型与主要发现，避免只给结果而不解释其含义。

5.3 结果解释的边界：当平行趋势可能不成立时的措辞与补充分析

若诊断显示预趋势明显、安慰剂在伪处理期也出现显著效应，或敏感性分析表明估计对假设偏离高度敏感，则解释应更谨慎。可以采用的写法包括：指出估计结果在识别假设不完全满足时可能带来的方向性不确定性，并报告补充分析如何改变或限制结论。

当结论与某些诊断结果存在冲突时，不宜强行“解释成仍然成立”，而应考虑进一步的模型调整、替换对照组或采用替代识别策略，并把这些作为结论可信度的一部分呈现。

5.4 常见误区：把“趋势相似”当作“假设已被证明”

一个常见误区是将处理前两组趋势“看起来差不多”直接等同于平行趋势被验证。视觉相似可能受噪声、样本量、时间分辨率或特定参数设定影响，且“相似”也可能是“恰好在有限时间窗口内相似”，并不保证更一般的趋势一致性。

更严格的做法是结合模型化的预趋势检验、安慰剂策略与敏感性分析，给出对识别假设依赖度的证据性说明。