「TVCMを実施したが、本当にCVが伸びたのは広告効果なのか、季節要因なのか判別できない」というマーケティング担当者の悩みは少なくありません。差分の差分法（DID法／Difference-in-Differences）は、こうした「広告以外の要因」を分離して、純粋な施策効果を推定するための計量経済学の手法です。
本記事では、差分の差分法をマーケティング担当者向けにわかりやすく解説します。基本式・分析の4ステップ・メリットと限界、そしてMMM（マーケティングミックスモデリング）やアトリビューション分析との違いまで、自社施策の評価に活かせる実務目線で整理します。
差分の差分法（DID）とは？マーケティング担当者向けにわかりやすく解説
差分の差分法（DID法）は、「処置群（広告を見たグループ）」と「対照群（広告を見ていないグループ）」のKPI変化を前後で比較し、その差の差を取ることで広告効果を抽出する手法です。広告以外の共通要因（景気・季節・競合動向）は両群に等しく作用するため、引き算でキャンセルアウトされます。
Card & Krueger（1994）が最低賃金の雇用への影響を検証した古典的論文で広く知られ、近年ではマーケティングのROI測定にも応用が広がっています（Card, D., & Krueger, A. B. (1994) Minimum Wages and Employment, American Economic Review, 84(4), 772-793）。
差分の差分法の基本式と「2回の引き算」の考え方
差分の差分法の効果推定値は次の式で表せます。
効果 ＝（処置群の事後 − 処置群の事前）−（対照群の事後 − 対照群の事前）
1回目の引き算で「時間経過の影響」を除き、2回目の引き算で「もともとのグループ差」を除く——この2段構えにより、広告という介入に固有の効果だけを取り出します。
マーケティングでDID法が使われる代表的なシーン
マーケティング実務では、たとえば次のようなシーンでDID法が使われます。
- 地域別TVCM配信: 配信エリアと非配信エリアの売上推移を比較
- デジタル広告のホールドアウトテスト: 一部ユーザーへ意図的に配信を停止し、配信群との差分を比較
- 店舗単位の施策効果: 施策実施店舗と非実施店舗のKPIを並走で観測
Google Adsの公式機能「Geo Experiments（地域実験）」も、本質的にはDIDと同じ発想で広告効果を推定する仕組みです（Google Ads Help「Geo Experiments」公式ドキュメント、2025年時点）。
差分の差分法のマーケティング応用が広がっている背景
差分の差分法がマーケティングで注目される背景には、従来の効果測定手法が抱える課題があります。ここでは、ラストクリック評価の限界とEBPM（証拠に基づく政策立案）文脈での広がりを整理します。
ラストクリック評価では拾えない「認知広告の純粋効果」
クリック直前の広告に成果を全配分するラストクリック評価では、TVCMやYouTube広告などの認知広告が「指名検索→自然検索→CV」という迂回ルートをたどる場合、効果がほとんど計上されません。bfjの「差分の差分法を使った認知広告ROI改善の事例」（https://bf-j.com/scope/blog/analyze_general/ninchi-kokoku-roi-kaizen/）でも、この迂回構造が認知広告のROI算出を難しくしてきた背景として整理されています。
差分の差分法はクリック経路に依存せず、KPIの「純増分」を直接推定するため、認知広告のような迂回効果を捕捉しやすい特長があります。
EBPM文脈で公的機関も活用する因果推論手法
経済産業省は「EBPM推進事例集」で、政策効果の因果推論手法としてDIDを中核に位置づけています（経済産業省 EBPM推進事例集、2020年公表）。総務省も「ICTサービスにおけるEBPM事例集」で、地域別の通信サービス導入効果をDIDで推定する事例を掲載しました（総務省、2022年公表）。
公的機関で標準的な分析手法として運用されていることは、マーケティング部門が経営層に説明する際の信頼性の根拠にもなります。
差分の差分法の分析ステップ（4ステップで解説）
差分の差分法をマーケティングで運用する際の標準的な4ステップは次のとおりです。机上の理論ではなく、実務で動かすための工程として理解してください。
ステップ1: 処置群と対照群の設計（地域・ユーザーセグメントの切り分け）
最初の工程は処置群と対照群の設計です。地域別TVCMなら「配信エリア vs 非配信エリア」、ホールドアウトテストなら「配信ユーザー vs 非配信ユーザー」のように、属性が近いペアを作ります。両群の事業特性が大きく異なると、後段の並行トレンド仮定が崩れやすくなるため、初期設計が分析全体の精度を決めます。
ステップ2: 観測データの収集（KPI・期間の決め方）
次にKPI（売上・CV・指名検索数など）と観測期間を決めます。期間は「介入前」「介入後」をともに最低2〜3か月分確保するのが目安です。短すぎると一時的な変動と区別できず、長すぎると外部要因の混入リスクが高まります。
ステップ3: 並行トレンド仮定の検証
差分の差分法の最重要の前提が「並行トレンド仮定」です。これは「介入前の期間において、両群のKPIが平行に推移していた」ことを指します。介入前データを可視化し、両群のトレンドが同じ傾きを持つかを確認します。傾きが大きく異なる場合は、対照群の選び直しや、傾向スコアマッチングなどの補正を検討します（Imbens & Wooldridge, 2009, Recent Developments in the Econometrics of Program Evaluation, Journal of Economic Literature, 47(1), 5-86）。
ステップ4: 効果推定と統計的有意性の確認
最後に効果量を推定し、統計的有意性を確認します。実装は回帰分析（OLS）で「処置ダミー × 事後ダミー」の交互作用項の係数を読むのが標準です。標準誤差は処置群×時間でクラスター化して算出する必要があります。p値・信頼区間まで揃えて初めて「効果がノイズではない」と主張できます。
差分の差分法のメリットと限界
差分の差分法は強力な因果推論手法ですが、万能ではありません。実務で誤用しないために、メリットと限界の両方を押さえておきましょう。
メリット: ランダム化実験が難しいケースで因果推論ができる
最大のメリットは、ランダム化実験（A/Bテスト）が現実的でない場合でも、観察データから因果効果を推定できることです。TVCMやOOHのようにユーザー単位の出し分けが難しい媒体でも、地域や時間軸での切り分けにより効果検証が可能になります。実装コストもMMMより低く、データ要件は前後数か月のKPI観測で済みます。
限界: 並行トレンド仮定・対照群の質・複数施策の同時実施
一方で、限界も明確です。並行トレンド仮定が満たされない場合、推定値にバイアスが生じます。対照群の選定が恣意的だと結果がブレやすく、「望ましい結果が出る対照群を後付けで選ぶ」と分析自体の信頼性が崩れます。
さらに実務で最も難しいのは、複数の認知広告施策を同時並行で運用しているケースです。TVCM・YouTube・OOHを同時に走らせていると、対照群にも他施策の影響が混入し、「広告A単独の効果」を切り出すのが困難になります。
差分の差分法と他の広告効果測定手法の違い（MMM・アトリビューション・ブランドリフト）
広告効果測定には差分の差分法以外にも複数の手法が存在します。それぞれの強みと適用シーンを比較表で整理しましょう。
MMM（マーケティングミックスモデリング）との使い分け
MMMは複数媒体の出稿量と売上の長期データから回帰モデルで媒体別貢献度を推定する手法です。3年以上の長期データと数千万円規模の費用がかかる一方、媒体横断の予算配分判断に強みがあります。差分の差分法は短期間・単一施策の評価に向き、MMMは中長期の予算アロケーションに向く、と棲み分けるのが実務的です。
アトリビューション分析・ブランドリフト調査との使い分け
アトリビューション分析はクリックベースで媒体間の貢献度を配分する手法ですが、認知広告の迂回効果は捕捉しづらい構造があります。詳細は「アトリビューション分析の限界と因果推論アプローチ」（https://bf-j.com/scope/blog/analyze_general/attribution-analysis/）を参照してください。ブランドリフト調査はアンケートで認知度・好意度の変化を測る手法で、行動指標までは追えません。差分の差分法はこれら3手法と補完関係にあります。
比較表: 4手法の特徴と適用シーン
手法 ／ 主な強み ／ 必要データ ／ コスト感 ／ 適用シーン
差分の差分法（DID） ／ 短期・単一施策の純粋効果推定 ／ 前後数か月のKPI ／ 低〜中 ／ 地域別TVCM・ホールドアウトテスト
MMM ／ 媒体横断の長期貢献度 ／ 3年以上の媒体投下と売上 ／ 高 ／ 年間予算アロケーション
アトリビューション分析 ／ デジタル経路の貢献配分 ／ クリック・CVログ ／ 中 ／ デジタル広告のクリエイティブ評価
ブランドリフト調査 ／ 認知・好意度の変化 ／ 配信前後のアンケート ／ 中 ／ ブランディング施策の意識指標
【bfj独自視点】DIDが届きにくい「複数施策同時並行」を補う特許型分析
差分の差分法の限界として最も実務で問題になるのが「複数施策同時並行運用」です。bfj Scopeは特許取得済みのノイズ除去技術により、この限界を補完します。
複数の認知広告を同時運用するとDIDの仮定が崩れやすい
実際のマーケティング現場では、TVCM・YouTube・OOHを同時並行で運用するのが一般的です。このとき、対照群にも他施策の影響が混入し、並行トレンド仮定や「対照群＝介入なし」という前提が崩れます。結果として、DIDで推定した値が「広告Aの効果」なのか「広告A＋他施策の混合効果」なのか判別しづらくなるのです。
bfj Scopeの特許型分析（JP 7630213 B1）がノイズを切り分ける仕組み
bfj Scopeは特許取得済みの広告分析システム（特許番号 JP 7630213 B1、公報発行2025年2月17日）を用いて、複数施策のノイズを変数化して除外する設計を提供します。分析対象期間は3日〜3か月と短く、最短1か月程度で結果報告まで到達できる点が特長です。3年以上のデータを必要とするMMMと比べて、より柔軟に「いま走っている認知広告の純粋効果」を可視化できます。
実例: ある自動車メーカー（toC）でのYouTube広告効果定量化
ある自動車メーカー（toC）の事例では、YouTube広告でCV154%・サイト訪問384%・指名検索167%のリフトを定量化しました。複数の認知広告を並行運用していた状況下でも、種類ごとの純粋効果を切り出して比較できる設計が、投資判断の意思決定に直結しました。差分の差分法だけでは難しかった「同時並行下での個別寄与の定量化」を、bfj Scopeは特許型ノイズ除去で補完しています。
よくある質問（FAQ）
Q1. 差分の差分法とDID法は同じ意味ですか？
A. はい、同じ手法を指します。差分の差分法は英語名「Difference-in-Differences」の和訳で、頭文字をとった「DID法」も同義語として使われます。日本の学術論文・公的資料では両表記が混在しています。
Q2. 並行トレンド仮定が満たされない場合はどうすればよいですか？
A. 対照群を選び直すのが第一選択です。傾向スコアマッチングで属性を揃える、複数の対照群を組み合わせるなどの補正もあります。それでも仮定が満たせない場合は、合成コントロール法やMMMなど別手法への切り替えを検討します。
Q3. 差分の差分法を実務で実装するには何が必要ですか？
A. 最低限、処置群・対照群それぞれの介入前後のKPIデータと、回帰分析を実装できる環境（R・Python・Excelの分析ツールパック等）があれば実装可能です。難易度はAI等で補助可能になっています。重要なのは初期の処置群・対照群設計で、ここを誤ると結果の信頼性が大きく損なわれます。
Q4. 差分の差分法とA/Bテストはどう違うのですか？
A. A/Bテストはランダムに群を割り当てる実験的手法、差分の差分法は観察データから因果効果を推定する準実験的手法です。広告のように個人単位でランダム割当が難しい場合、差分の差分法がA/Bテストの代替になります。一方、Webサイト内のUI改善などランダム割当が容易な場面ではA/Bテストの方が頑健です。
まとめ
差分の差分法（DID法）は、観察データから広告施策の純粋効果を推定できる強力な手法です。地域別TVCMやホールドアウトテストなど、ランダム化が難しい場面で実装ハードルを下げられる一方、並行トレンド仮定や複数施策同時並行運用には注意が必要です。TVCMの効果測定で他手法と比較するケースは「TVCM 効果測定 方法」（https://bf-j.com/scope/blog/medium_analyze/tvcm-koka-sokutei-hoho/）も参考になります。
複数の認知広告を同時運用していて、DIDだけでは効果の切り分けが難しいと感じる場合は、bfj Scopeの特許型ノイズ除去分析がご検討材料になります。媒体横断で純粋効果を可視化したい方は、bfj Scopeへお気軽にご相談ください（https://bf-j.com/scope/contact）。
出典・参考
1. Card, D., & Krueger, A. B. (1994). Minimum Wages and Employment: A Case Study of the Fast-Food Industry in New Jersey and Pennsylvania. American Economic Review, 84(4), 772-793 — 取得日: 2026-05-06
2. Imbens, G. W., & Wooldridge, J. M. (2009). Recent Developments in the Econometrics of Program Evaluation. Journal of Economic Literature, 47(1), 5-86 — 取得日: 2026-05-06
3. 経済産業省 EBPM推進事例集（2020年公表） https://www.meti.go.jp/policy/policy_management/ebpm.html — 取得日: 2026-05-06
4. 総務省 ICTサービスにおけるEBPM事例集（2022年公表） https://www.soumu.go.jp/menu_news/s-news/01tsushin01_02000236.html — 取得日: 2026-05-06
5. Google Ads Help「Geo Experiments」 https://support.google.com/google-ads/answer/9259563 — 取得日: 2026-05-06
6. 特許公報 JP 7630213 B1（広告分析システム、発行日2025-02-17）
