R语言：为双重差分模型高效循环计算多指标

嘿，我明白你现在手动复制粘贴跑不同指标的DID模型有多麻烦——尤其是指标多的时候，既费时间又容易出错。下面给你几个R里高效批量处理的方法，帮你摆脱重复代码的困扰：

方法1：基础R的lapply批量生成模型 #

先把你要分析的所有因变量列出来，然后用循环批量拟合模型，完全不需要复制粘贴：

# 第一步：定义需要分析的指标列表
outcome_vars <- c("miles_driven", "hours_worked")

# 第二步：批量生成DID模型
did_models <- lapply(outcome_vars, function(var) {
  # 动态构建DID公式：因变量 ~ 处理组 + 时间 + 交互项
  did_formula <- as.formula(paste(var, "~ Group + Time + Group:Time"))
  # 拟合线性模型
  lm(did_formula, data = df)
})

# 给模型列表命名，方便后续调用（比如查看某指标的模型结果）
names(did_models) <- outcome_vars

之后你想查看某个指标的模型结果，直接用summary(did_models$miles_driven)或者summary(did_models$hours_worked)就行，非常便捷。

方法2：用tidyverse+purrr+broom一键整理模型结果 #

如果需要把所有模型的系数、p值、置信区间整理成结构化的数据框（方便后续分析或可视化），用tidyverse生态的工具会更顺手：

首先加载必要的包：

library(tidyverse)
library(broom)

然后批量拟合模型并提取结果：

# 批量拟合+整理结果
did_summary <- tibble(outcome = outcome_vars) %>%
  mutate(
    # 批量拟合每个指标的DID模型
    model = map(outcome, ~lm(as.formula(paste(.x, "~ Group + Time + Group:Time")), data = df)),
    # 提取模型的系数、p值、置信区间等信息
    tidied_results = map(model, tidy, conf.int = TRUE)
  ) %>%
  # 把嵌套的结果展开成数据框
  unnest(tidied_results)

# 重点查看DID核心交互项的结果（Group:Time）
did_summary %>%
  filter(term == "Group:Time") %>%
  select(outcome, estimate, p.value, conf.low, conf.high)

运行完你会得到一个清晰的数据框，直接展示所有指标的DID估计值、显著性和置信区间，省去了逐个查看模型的麻烦。

额外小技巧 #

• 如果需要加入控制变量，只需要修改公式即可，比如：

  did_formula <- as.formula(paste(var, "~ Group + Time + Group:Time + age + gender + income"))
  

  批量处理逻辑完全不变。
• 如果需要稳健标准误，可以用estimatr包的lm_robust替代lm，方法和上面完全一致，只需要替换函数名。

内容的提问来源于stack exchange，提问作者Andrew