ข้อสันนิษฐานที่สำคัญของความแตกต่างในความแตกต่าง (DID) คือทั้งสองกลุ่มมีแนวโน้มร่วมกันในตัวแปรผลลัพธ์ก่อนการรักษา นี่เป็นสิ่งสำคัญเพื่อให้การโต้แย้งว่าการเปลี่ยนแปลงสำหรับกลุ่มที่ได้รับการรักษานั้นเป็นเพราะการรักษาและไม่ใช่เพราะทั้งสองกลุ่มมีความแตกต่างจากกันเพื่อเริ่มต้นด้วย
หากคุณสุ่มตัวอย่างผู้คนที่แตกต่างกันก่อนและหลังการรักษาสิ่งนี้จะทำให้การโต้แย้งอ่อนแอลงเว้นแต่กลุ่มตัวอย่างของคุณจากกลุ่มการรักษาและกลุ่มควบคุมนั้นจะสุ่มและใหญ่ ดังนั้นอาจเป็นไปได้ว่ามีใครบางคนกำลังถามคุณว่า: "คุณจะทำให้แน่ใจได้อย่างไรว่าผลกระทบนี้เกิดจากการรักษาและไม่ใช่เพียงเพราะคุณสุ่มตัวอย่างคนอื่น" - และนั่นจะยากที่จะตอบ คำถามนี้คุณสามารถหลีกเลี่ยงได้โดยใช้ข้อมูลพาเนลเนื่องจากคุณติดตามหน่วยสถิติเดียวกันตลอดเวลาและโดยทั่วไปนี่เป็นวิธีที่มั่นคงกว่า
เพื่อตอบคำถามสุดท้ายของคุณ: ใช่ข้อมูลมีความสำคัญ แต่คุณสามารถใช้ OLS เพื่อประเมินสมการของคุณด้านบน สิ่งสำคัญที่ในอดีตมักถูกมองข้ามคือการประเมินความผิดพลาดมาตรฐานที่ถูกต้อง หากคุณไม่แก้ไขให้ถูกต้องความสัมพันธ์แบบอนุกรมจะประเมินค่าต่ำเกินไปด้วยจำนวนที่เหมาะสมและคุณจะพบผลกระทบที่สำคัญแม้ว่าคุณอาจไม่ควรทำก็ตาม สำหรับการอ้างอิงและคำแนะนำสำหรับวิธีการจัดการกับปัญหานี้โปรดดูเบอร์แทรนด์และคณะ (2004) "เราควรเชื่อความแตกต่างในการประมาณการต่างกันมากแค่ไหน" .
สิ่งสุดท้ายคือถ้าคุณมีข้อมูลรวม (เช่นในระดับรัฐ) หรือถ้าคุณสามารถรวบรวมข้อมูลของคุณได้อย่างง่ายดายและถ้าคุณต้องการใช้วิธีเศรษฐมิติที่ใหม่กว่า DID คุณอาจต้องการดูAbadie et al (2010) "วิธีการควบคุมสังเคราะห์สำหรับการเปรียบเทียบกรณีศึกษา" วิธีการควบคุมแบบสังเคราะห์ถูกนำมาใช้มากขึ้นเรื่อย ๆ ในการวิจัยในปัจจุบันและมีการจัดทำเป็นเอกสารที่ดีสำหรับ R และ Stata บางทีนี่อาจเป็นสิ่งที่น่าสนใจสำหรับคุณเช่นกัน