Difference-in-Differences – DiD – khai thác thay đổi trước–sau giữa nhóm bị tác động và nhóm đối chứng. Phương pháp đặc biệt tự nhiên trong BĐS khi hạ tầng, chính sách, zoning hoặc thuế được triển khai tại một số khu nhưng không phải tất cả.
DiD không yêu cầu treated và control có cùng mức outcome trước treatment; điều kiện cốt lõi là xu hướng phản thực song song: nếu không treatment, chênh lệch giữa hai nhóm sẽ tiến triển theo cùng xu hướng.
Chuyên đề: Mô hình định lượng, không gian & mô phỏng trong BĐS · Bài 33 · Nhân quả và đánh giá tác động
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. DiD 2×2 trực giác
Effect = (Y_T,post−Y_T,pre) − (Y_C,post−Y_C,pre). Chênh lệch thứ hai loại common time shock và time-invariant group difference.
2. Hồi quy kinh điển
Y_it = α + Treat_i + Post_t + β(Treat×Post)+ε_it. β là DiD effect trong setup đơn giản.
3. Two-way fixed effects
Với nhiều units/time: Y_it=α_i+λ_t+βD_it+ε_it. Unit FE loại khác biệt cố định; time FE loại shock chung. Nhưng với staggered adoption và heterogeneous effects, TWFE β có thể là weighted mixture khó diễn giải.
4. Parallel trends
Không thể kiểm trực tiếp counterfactual trend sau treatment. Pre-treatment trends giúp đánh giá plausibility nhưng 'không significant pretrend' không chứng minh assumption đúng.
5. Event-study leads/lags
Vẽ dynamic effects quanh treatment giúp xem anticipation, pretrends và timing hậu treatment. Với staggered timing, TWFE event-study có thể bị contamination; dùng estimators hiện đại cho cohort-time effects.
6. Staggered treatment
Metro stations mở khác thời điểm, zoning thay đổi theo khu. Group-time ATT cho từng cohort×time rồi aggregate minh bạch hơn một TWFE coefficient.
7. Never-treated và not-yet-treated controls
Never-treated tốt nếu comparable; not-yet-treated có thể dùng trước treatment của họ. Already-treated làm control có thể gây bias khi effects heterogeneous.
8. Covariate adjustment
Nếu parallel trends chỉ hợp lý sau điều chỉnh X, có thể dùng outcome regression, weighting hoặc doubly robust DiD. Covariates nên pre-treatment hoặc không bị treatment ảnh hưởng.
9. Anticipation
Giá BĐS có thể phản ứng từ lúc công bố metro, không chờ khai trương. Treatment date phải gắn economic event thật. Nếu anticipation 2 năm, pre-period gần treatment đã bị nhiễm.
10. Spatial spillovers
Control lân cận có thể cũng tăng giá nhờ metro, vi phạm no-interference và làm effect bị giảm. Cần distance rings, spatial DiD hoặc loại buffer.
11. Standard errors
Treatment thường cluster theo khu hoặc chính sách; SE cần cluster ở level assignment. Ít clusters cần phương pháp như wild cluster bootstrap hoặc randomization inference.
12. Composition changes
Giao dịch sau metro có thể là loại căn khác. Hedonic controls hoặc repeat-sales giúp kiểm composition, nhưng nếu treatment làm composition thay đổi thì estimand cần rõ.
13. Case: metro opening
Treated là parcels 0–800 m; control 1,5–3 km cùng corridor. Pre 5 năm, post 4 năm. Event study cho effect bắt đầu từ công bố; vì vậy cần định nghĩa treatment phase hoặc estimate announcement và opening riêng.
14. Placebo tests
- Giả treatment date trước thật.
- Giả tuyến metro không triển khai.
- Outcome khó bị ảnh hưởng.
- Vùng xa ngoài catchment.
15. Cấu trúc dữ liệu
| unit_id | time | cohort_treat | treated_now | outcome | distance_station | pre_controls |
|---|---|---|---|---|---|---|
| G01 | 2024Q1 | 2025Q3 | 0 | log_price | 0.5 | ... |
16. Khi DiD không phù hợp?
Chỉ có một treated và vài controls có thể Synthetic Control tốt hơn; treatment theo cutoff sắc có RDD; parallel trends không plausible và không có design khác thì causal claim yếu.
17. Sai lầm
- Pretrend p>0,05 = chứng minh parallel.
- TWFE staggered timing không kiểm.
- Date khai trương bỏ anticipation.
- Control bị spillover.
- SE không cluster.
- Post-treatment controls.
18. Bài tập thực hành
Thiết kế DiD cho tuyến metro: treatment radius, donor ring, announcement/opening dates, 8 pre periods, cohort estimator, event study, placebo và spatial spillover sensitivity.
19. Treatment intensity thay vì treatment nhị phân
Metro exposure có thể là giảm travel time, số ga trong 2 km hoặc accessibility change. Binary 800 m đôi khi quá thô. Continuous-treatment DiD hoặc event-study theo intensity có thể phù hợp, nhưng identification phức tạp hơn và cần pre-specification.
20. Triple Differences
Difference-in-Difference-in-Differences có thể thêm một chiều so sánh, ví dụ gần/xa metro × trước/sau × residential/commercial. DDD giúp loại một số confounding chung nhưng thêm assumption về counterfactual trends giữa ba chiều.
21. Heterogeneous treatment effects
Effect có thể khác theo khoảng cách, loại tài sản, pháp lý, income area hoặc supply elasticity. Nên xác định heterogeneity có lý thuyết trước và dùng interaction/cohort estimands rõ, tránh đào dữ liệu tới khi thấy subgroup significant.
22. Outcome aggregation và transaction-level data
Nếu dùng từng giao dịch, composition thay đổi và clustering phức tạp. Nếu aggregate theo grid×quarter, noise giảm nhưng MAUP tăng. Có thể kiểm cả transaction-level Hedonic-DiD và area-level price index như robustness.
Ghi nhớ trong 30 giây
- DiD dùng thay đổi chênh lệch, không cần cùng level ban đầu.
- Parallel trends là assumption cốt lõi.
- Staggered timing cần estimator phù hợp.
- Anticipation và spillover rất quan trọng trong BĐS.
- Event study là diagnostic và dynamic effect.
Nguồn tham khảo
- Callaway & Sant’Anna (2021), Difference-in-Differences with Multiple Time Periods, Journal of Econometrics.
- Sun & Abraham (2021), Estimating Dynamic Treatment Effects in Event Studies with Heterogeneous Treatment Effects.
- Goodman-Bacon (2021), Difference-in-Differences with Variation in Treatment Timing.
Bài tiếp theo: Regression Discontinuity: khai thác ranh giới và ngưỡng chính sách