研究说了什么
双重差分比较处理组前后的变化与对照组前后的变化，两者之差即为估计效应。核心假设是平行趋势：如果没有处理，两组的结局会以相同斜率变化。这个反事实无法观察，只能间接检验：用事件研究图看处理前各期的系数是否接近零，做前期趋势检验，或用未受影响的结局做安慰剂。传统双向固定效应在交错处理时会出问题，已经处理的单位被当成对照，估计量变成各时点效应的加权平均，部分权重可能为负，这就是负权重问题。现在常用 Callaway 与 Sant'Anna 的分组时点估计、Sun 与 Abraham 的交互加权、Gardner 的两步法来纠正。样本量小、处理组少时，聚类稳健标准误也常被低估，需要 Wild bootstrap。另一个细节是处理定义：政策宣布与政策落地之间往往有滞后，把宣布年当处理年，会稀释效应，把落地年当处理年又可能把预期行为提前算进前期趋势。分析前还应确认对照组未被处理间接影响，比如邻近地区因患者流动而受益。
为什么重要
政策与制度变动是最接近随机的一类自然实验，限盐立法、含糖饮料税、医保覆盖扩面、空气质量治理、疫苗接种年龄资格，都可以用双重差分评估。抗衰领域虽然少见这类设计，但凡是地区层面推行的干预，它都比单纯的前后对比可靠。对读者，它的价值在于识别一种常见包装：只报处理组变好了，不报同期对照组也在变好。疫情、季节性与长期趋势都会让前后对比失真，双重差分至少把共同趋势扣掉。另一个用途是评估筛查项目：某地推行结直肠癌筛查，若只看到发病率上升就下结论，会忽略检出提前带来的领先时间，用未推行地区做对照能部分纠正。它也能帮政策制定者判断效果是短期还是持续，事件研究图上的动态效应比一个总数更有信息量。需要澄清一点，双重差分并不要求两组基线水平相同，只要求没有处理时趋势平行，基线差异会被差分消掉，这一点常被误读为必须基线可比。若两组基线相差悬殊且趋势不同，还可以加入协变量做条件平行趋势，或改用合成控制法。条件平行趋势允许两组基线不同，但要求协变量与时间趋势的关系稳定，这一点在长随访中很难成立。
证据与边界
平行趋势不可检验，只能被削弱。处理前几期系数接近零，并不保证处理后也会平行，尤其是处理本身可能改变人群构成。Ashenfelter Dip 是经典陷阱：培训项目启动前，参与者收入先下降，导致效应被高估。同期政策是最常见的干扰，一个地区同时推行控烟与体检补贴，两项效果无法拆分，除非能找到只受其中一项影响的对照。结果测量的口径变化也会制造假效应，比如诊断标准更新让发病率整体上移。交错处理下的负权重问题在2018年后被系统揭示，很多早期论文的结论需要重估。一个具体失败案例是评估某国医保扩面对自评健康的效应，扩面同时伴随基层医院建设，对照组也在改善，平行趋势在处理前两年就已不成立。另一个边界是溢出效应，处理组的行为改变会通过市场与社交网络影响对照组，估计出的效应因此偏小。看到双重差分研究，先找事件研究图与安慰剂检验，再问同期还发生了什么。另一个细节是处理强度，同一政策在不同地区的执行力度不同，把所有处理地区合并会低估强执行地区的效应。