【锚点】这一篇只钉一个判断：当政策在不同州、不同时间分批落地（staggered adoption），双向固定效应（TWFE）DiD 的那个系数不是「平均处理效应」，而是所有 2×2 比较的加权和——其中一部分权重是负的。处理效应随时间异质时，它可能连符号都错。

【显式】Goodman-Bacon (2021, Journal of Econometrics) 给出精确分解：TWFE DiD 等于四类 2×2 比较的加权平均——(早处理 vs 从未处理)、(晚处理 vs 从未处理)、(早处理 vs 晚处理)、(晚处理 vs 已处理)。前三类干净，第四类「把已处理组当控制组」是污染源。

【隐式】为什么第四类会污染？因为在那段比较窗口里，控制组（早期处理组）的结局已经含着处理效应；如果效应随时间增长，它的趋势比真实反事实更陡。你拿一条「还在被治疗」的线，当「没被治疗」的线用。

举个可算的例子。三个州、四个时期：A 在 t=2 实施，效应 1→2→3（逐年增）；B 在 t=3 实施，效应 1→2；C 从不实施。看「B vs A」这段：B 从 t=2 到 t=3 的增量是 1（它的处理效应），而 A 同期从 1 涨到 2，增量也是 1——但这个 1 是 A 的处理效应在增长，不是共同趋势。相减得 0，可 B 的真实效应是 1。这段比较被系统性低估。

【细微】更反直觉的是权重。Goodman-Bacon 证明「晚 vs 已处理」这类比较在分解里拿到的是负权重。负权重 × 被低估的估计，意味着它把总估计往错误方向拽——不是简单稀释，而是可能反号。de Chaisemartin & D’Haultfœuille (2020, AER) 和 Sun & Abraham (2021, J. Econometrics) 各自独立指出这一点，并给出稳健估计量；Callaway & Sant’Anna (2021) 的 group-time ATT 是另一条路。

【流程节点链路】政策分批实施 → TWFE 把所有 2×2 DiD 加权平均 → 「已处理组当对照」的比较混入 → 该比较的反事实被处理效应污染 → 效应随时间异质时权重转负 → 点估计偏离真实 ATT，可能反号 → 需要 group-time ATT / 交互加权估计量修正。

【极难发现】最深的盲点：这不是「标准误」问题，是【点估计】问题。很多人看到 TWFE 系数显著就去争论聚类层级，却不知道系数本身在异质效应下已经不可解释。你调的是体温计，病在病人身上。

【可操作】三步自查：(1) 画出处理时点分布——超过两个 adoption cohort，TWFE 就有风险；(2) 用 Callaway-Sant’Anna 的 csdid 或 Sun-Abraham 的 eventstudyinteract 重估，比较系数；(3) 若两者差距大，别报 TWFE。

结尾问题：如果你的政策评估里处理时点不统一，你还会无条件信任 TWFE 那个系数吗？你更愿意用 group-time ATT 的显式聚合，还是先做 Goodman-Bacon 分解看负权重占多大？——我赌大多数人从没画过那张分解图。