Causal Inference: 解释双重差分（DID）与它的关键假设。

Core Concept: 比较处理组与对照组的'前后变化之差'；关键假设是平行趋势。

DID 的核心思想是<strong>用对照组的变化扣除时间趋势</strong>：处理组的前后变化 = 处理效应 + 时间趋势，对照组的前后变化 = 时间趋势，两者相减即得处理效应。这比简单前后比较（会混入时间趋势）和简单组间比较（会混入组间固有差异）都更强。<strong>关键识别假设是平行趋势（parallel trends）</strong>：若无处理，处理组与对照组的结果本会沿<strong>平行</strong>路径演变。注意这是<strong>反事实假设</strong>，不可直接检验（因为处理组的反事实路径不可观测），只能间接支持。DID 可写成双向固定效应回归：Y_it=α+β·Treat_i·Post_t+γ_i+δ_t+ε_it，其中 γ_i、δ_t 为个体与时间固定效应，β 即 DID 估计量。

实践要点：① <strong>平行趋势的诊断</strong>——用<strong>事件研究法（event study）</strong>画处理前多期的动态效应，若处理前的系数接近 0 且无趋势，则支持平行趋势假设；若处理前已存在趋势差异，DID 失效。其他方法包括：用不同的对照组做安慰剂检验、做合成控制（synthetic control）构造更可信的反事实。② <strong>交错处理（staggered adoption）的陷阱</strong>——当不同个体在不同时间接受处理时，用传统双向固定效应（TWFE）回归会因'已处理组被当作对照组'而产生<strong>负权重</strong>问题（Goodman-Bacon 分解证明 β 是多个 2×2 DID 的加权和，部分权重为负），可能给出方向相反的结论。解法是使用现代估计量：<strong>Callaway & Sant'Anna (2021)</strong> 的组-时间 ATT、<strong>Sun & Abraham (2021)</strong> 的交互加权、或 <strong>Borusyak et al.</strong> 的插补法。③ <strong>其他威胁</strong>——预期效应（处理前已反应）、组成变化（样本进出）、其他同期政策冲击，需用安慰剂检验与稳健性分析排除。