1. DID 在识别什么

双重差分关注的是“处理组相对对照组，在政策后多变化了多少”：

$$ Y_{it}=\alpha_i+\gamma_t+\beta D_{it}+\varepsilon_{it} $$

其中 $\beta$ 是核心参数，解释依赖平行趋势假设。

2. 平行趋势不能只靠口头陈述

建议至少做三步：

• 政策前趋势图（处理组 vs 对照组）；
• 事件研究中的政策前 lead 系数检验；
• 更换样本窗口与控制组做稳健性对照。

3. Python 示例（双向固定效应）

from linearmodels.panel import PanelOLS
import statsmodels.api as sm

panel = df.set_index(["unit", "time"]).sort_index()
panel["const"] = 1

mod = PanelOLS.from_formula(
    "y ~ 1 + did + x1 + x2 + EntityEffects + TimeEffects",
    data=panel,
)
res = mod.fit(cov_type="clustered", cluster_entity=True)
print(res)

4. 事件研究法（动态效应）

构造相对政策时点 $k=t-T_i$，回归：

$$ Y_{it}=\alpha_i+\gamma_t+\sum_{k \neq -1}\beta_k 1{event_time=k}+\varepsilon_{it} $$

• 省略 $k=-1$ 作为基期；
• 政策前 $\beta_k$ 应接近 0；
• 政策后 $\beta_k$ 展示动态影响路径。

5. 实务陷阱

• 处理时点错位导致“伪动态效应”；
• 标准误未聚类导致显著性夸大；
• 处理组与对照组构成差异过大。

结论应建立在“识别假设 + 诊断图 + 稳健性”的组合证据上。