嘿，这个问题在政策评估和计数数据分析的交叉场景里真的挺常见的，我来给你拆解清楚：

一、Poisson-DID模型的合理性完全没问题！ #

首先，你选的方向是对的——当因变量是计数数据（非负整数，比如事件发生次数、专利数量这类），用Poisson回归结合DID框架是非常标准且被广泛认可的做法，很多顶刊研究都有应用。

• 从模型形式上看，Poisson回归的指数结构 E(Y|X) = exp(Xβ) 刚好能容纳DID的线性交互项：你把DID的核心项（处理组虚拟变量×政策实施时间虚拟变量）放进Xβ的线性组合里，完全符合Poisson回归的要求，用极大似然估计（MLE）也是Poisson模型的标准估计方法，完全合理。
• 补充一点：如果你的数据存在过度离散（即因变量的方差远大于均值），可以考虑换成负二项回归版本的DID，但Poisson-DID是基础且常用的起点；即使存在轻度过度离散，用稳健标准误也能有效修正统计推断的偏差。

二、交互项的解读要结合Poisson的对数特性 #

Poisson回归的系数是对数均值的边际效应，所以DID交互项的系数（假设为β_did）要这么解读：

• 直接看系数：β_did代表处理组在政策实施后，因变量的对数均值相对于对照组的差异变化。
• 更直观的百分比解读：对系数取指数exp(β_did) - 1，这个值就是处理组因变量均值相对于对照组的百分比变化幅度。比如如果β_did=0.3，那么exp(0.3)-1≈35%，意思是政策实施后，处理组的因变量均值比对照组多增加了35%。
• 和线性DID的区别：线性DID的交互项是绝对数值的变化，而Poisson-DID是相对比例的变化，这更适合计数数据（尤其是数值跨度大、增长呈比例的情况）。

三、几个关键注意事项 #

• 固定效应不能少：和标准DID一样，你需要控制个体固定效应（或分组固定效应）和时间固定效应，来排除不可观测的组间异质性和时间趋势的干扰。如果是面板数据，用固定效应Poisson模型（比如Stata里的xtpoisson, fe）是更稳妥的选择，它用条件MLE处理不可观测的个体异质性。
• 平行趋势假设检验：这是DID的核心前提，你需要验证政策实施前，处理组和对照组的因变量趋势是平行的。可以通过加入处理组×各时间期的虚拟变量，观察政策前的交互项系数是否不显著来完成检验。
• 过度离散检验：可以用统计软件里的离散度检验（比如Stata的estat gof），如果检验结果显著说明存在过度离散，这时候换成负二项DID模型，解读逻辑和Poisson-DID一致，只是模型更适配数据特征。

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