双重差分 DID 与平行趋势事件研究

双重差分法 (Difference-in-Differences, DiD / 诺贝尔经济学奖 Card 核心方法) 与事件研究法动态效应检验体系 (DiD Causal Identification & Event Study Dynamic Parallel Trends) 是在宏观政策调整、不可随机化的城市级新功能上线或新法规落地时，评估真实因果净效应的经典计量准则；核心逻辑：通过“两次差分”消除时间趋势与固有群体差异：$\hat{\tau}_{\text{DiD}} = (\bar{Y}_{T, \text{post}} - \bar{Y}_{T, \text{pre}}) - (\bar{Y}_{C, \text{post}} - \bar{Y}_{C, \text{pre}})$；双向固定效应双回归方程：$Y_{it} = \alpha + \gamma \text{Treat}_i + \lambda \text{Post}_t + \beta (\text{Treat}_i \times \text{Post}_t) + \epsilon_{it}$（其中交互项系数 $\beta$ 精确度量因果效应）；命门假设：平行趋势假设 (Parallel Trends Assumption)——即若没有该干预，处理组与对照组的时间变化趋势应完全平行；通过事件研究法 (Event Study: 估计干预前 $t-3, t-2, t-1$ 各期的伪处理效应全为 0) 进行严格证伪检验。

区域性/城市级功能全量发布评估、重大运营政策变革因果效应复盘、宏观营销活动效果测算。

政策发布前后指标上涨，但无法区分是政策本身的贡献还是大盘自然增长或季节性拉动；DiD 通过对照组的时间差分剔除了所有共同宏观背景趋势。

写出双向固定效应 (Two-Way Fixed Effects, TWFE) 回归方程，并严格推导为什么交互项系数 $\beta$ 恰好等于四个样本均值的双重差分？

事件研究法 (Event Study Design): 如何通过引入滞后与前置指示变量 $\sum_{k=-K}^M \beta_k (\text{Treat}_i \times \mathbb{I}_{t = t_0 + k})$ 检验事前平行趋势并观察事后动态衰减？

交错双重差分 (Staggered DiD / Goodman-Bacon 分解定理): 为什么当不同城市在不同时间点分批次逐步上线时，标准 TWFE 回归会产生严重的“负权重偏差 (Negative Weights)”？

现代多期交错 DiD 修正估计器：Callaway & Sant'Anna (CS-DiD) 或 Sun & Abraham 估计器如何通过清洁对照组 (Clean Control Groups) 消除异质性偏差？

当平行趋势假设不满足时（如处理组自然增长快于对照组），如何结合倾向得分匹配 (PSM-DiD) 或合成控制法 (Synthetic Control) 进行稳健性补救？