典型的做法是目视检查对照组和治疗组的治疗前趋势。如果您只对这两组进行单一的二元处理，这将特别容易。理想情况下，预处理趋势应如下所示：

该图取自先前对为什么我们需要共同趋势假设的问题的回答。这还包括对蓝色虚线的解释，如果我们能够合理地验证平行趋势假设，则可以假设它是处理后的反事实结果。

也适用于多值处理或多个组的正式测试是将处理变量与时间虚拟变量交互。假设您有 3 个治疗前阶段和 3 个治疗后阶段，那么您会倒退

$$y_{it} = \lambda_i + \delta_t + \beta_{-2}D_{it} + \beta_{-1}D_{it} + \beta_1 D_{it} + \beta_2 D_{it} + \beta_3 D_{it} + \epsilon_{it}$$

在哪里$y$是个人的结果$i$有时$t$,$\lambda$和$\delta$是个体和时间固定的影响（这是写下差异模型的通用方式，它也允许在不同时间进行多次治疗或治疗）。

思路如下。您包括时间虚拟变量和前两个预处理周期的处理指标的交互作用，并且由于虚拟变量陷阱而忽略了最后一个预处理周期的一个交互作用。同样，现在所有其他交互都相对于作为基线的省略时段表示。如果治疗组和对照组的结果趋势相同，那么$\beta_{-2}$和$\beta_{-1}$应该是不显着的，即在治疗前期间两组之间的差异没有显着差异。

该测试的一个吸引人的特点是，治疗后时间假人与治疗指标的相互作用也是信息丰富的。例如，$\beta_{1}, \beta_2, \beta_3$向您显示治疗效果是否会随着时间的推移而消失、保持不变，甚至会增加。这种方法的一个应用是Autor (2003)。

注意文献一般指$\beta_{-2}, \beta_{-1}$作为“线索”和$\beta_{1}, \beta_2, \beta_3$作为“滞后”，即使它们只是治疗指标与时间虚拟变量的相互作用，实际上并不是时间序列术语意义上的治疗指标的领先和滞后。Steve Pischke 的讲义（第 7 页此处或第9页此处）提供了有关此平行趋势测试的更详细说明。

在具有两个时间和两个时期的差异差异框架中，有一种很好的方法可以验证趋势前的共同假设是否合理。但是有必要拥​​有超过一个预处理周期的一些数据（有时，具有两个周期的 DiD 比具有多个周期的 DiD 表现更好）。

考虑到您的示例，您可以运行 2002 年的 DiD，例如后处理和另一个预处理期（假设 2001）。如果 ATT 具有统计显着性，则它是反对趋势前普遍假设的证据，换句话说，在 2001-2002 年期间，这种影响已经发生。

以下论文使用了这种方法：

比蒂和希姆斯哈克，2011

利马和西尔维拉-内托，2015