我看到你在用双重差分法（DID）分析学生评估数据时，手动计算DID结果正常，但回归模型里的交互项却因奇异值无法估计——这大概率是虚拟变量构造逻辑重复导致的完全多重共线性，咱们一步步来解决：

问题根源拆解 #

你构造的post_treatment_treated变量，本质上就是treatment和post_treatment的交互项本身：

assessment$post_treatment_treated <- ifelse(assessment$treatment==1 & assessment$ï..year>=2017,1,0)

当你在回归里同时放入post_treatment_treated、post_treatment，再加上它们的交互项时，三个变量之间存在完全线性依赖关系，R会判定交互项为奇异值，直接跳过估计。

正确的DID回归设置 #

DID的核心是处理组标识、时间标识，以及两者的交互项（即真正的DID效应），下面是标准实现步骤：

1. 规范变量构造 #

不需要手动构造交互项，lm()函数可以通过*自动生成主效应和交互项，避免重复：

# 确保treatment是分类变量（可选，但输出结果更直观）
assessment$treatment <- as.factor(assessment$treatment)
# 定义时间虚拟变量：2017及以后为处理后时期
assessment$post_treatment <- ifelse(assessment$ï..year >= 2017, 1, 0)

2. 标准DID回归的两种写法（效果完全一致） #

写法一：用*自动生成交互项（推荐）

# 语言科目DID回归
did_lang <- lm(lang_percentage ~ treatment * post_treatment, data = assessment)
summary(did_lang)

# 数学科目DID回归
did_math <- lm(maths_percentage ~ treatment * post_treatment, data = assessment)
summary(did_math)

写法二：手动指定主效应和交互项

# 先构造交互项
assessment$did_term <- assessment$treatment * assessment$post_treatment
# 回归模型
did_lang <- lm(lang_percentage ~ treatment + post_treatment + did_term, data = assessment)
summary(did_lang)

运行后，交互项（treatment1:post_treatment）的系数就对应你手动计算的DID值，完美匹配。

修正手动计算的时间范围问题 #

你之前手动计算平行趋势时，时间范围存在重叠（>=2016和<=2017包含了2017年），这会导致计算结果偏差，修正后的代码如下：

# 语言科目正确手动计算DID
control_lan_pretreatment <- mean(assessment$lang_percentage[assessment$treatment==0 & assessment$ï..year < 2017])
control_lan_posttreatment <- mean(assessment$lang_percentage[assessment$treatment==0 & assessment$ï..year >= 2017])
treated_lan_pretreatment <- mean(assessment$lang_percentage[assessment$treatment==1 & assessment$ï..year < 2017])
treated_lan_posttreatment <- mean(assessment$lang_percentage[assessment$treatment==1 & assessment$ï..year >= 2017])
# 标准DID公式：(处理组前后差) - (控制组前后差)
did_lan_manual <- (treated_lan_posttreatment - treated_lan_pretreatment) - (control_lan_posttreatment - control_lan_pretreatment)

修正后的手动计算值会和回归模型的交互项系数完全一致。

额外优化建议 #

• 利用数据里的prepost变量：如果"bl"代表预处理时期，可以直接用它定义post_treatment，避免年份范围错误。
• 加入控制变量：比如gender、class等，提升模型解释力，扩展模型示例：

  did_lang <- lm(lang_percentage ~ treatment * post_treatment + gender + class, data = assessment)
  

• 面板数据优化：如果是同一学生/班级的多期数据，推荐用plm包做固定效应回归，控制个体和时间固定效应，更符合DID的平行趋势假设。

内容的提问来源于stack exchange，提问作者Rahul Shukla