1. 画【分cohort的事件研究图】——不是把所有处理组混在一起画一条。按处理队列分行，横轴事件时间，纵轴相对未处理组的效应。若早期队列在事件时间0之后的斜率明显更陡，TWFE 的「已处理组作对照」就在系统性地减掉一个正在增长的正效应。

2. 换对照池：Callaway & Sant’Anna (2021, Journal of Econometrics) 的 group-time ATT(g,t) 只允许【尚未处理】或【从未处理】单位作对照，从构造上排除负权重。代价是你必须放弃「一个系数概括一切」的诱惑，改为报告一组 ATT(g,t) 再按需要聚合。

3. 先做【权重诊断】再谈稳健性：de Chaisemartin & D’Haultfœuille 的 twowayfeweights 直接输出负权重占比与总权重。如果负权重占比超过 10%，你的点估计已经不能靠加控制变量救回来——控制变量只能改变权重分布，不能消除「用已处理组当对照」这个结构性错误。

【一个可以手算的例子】三个队列：A 在 t=2 处理，B 在 t=3 处理，C 从未处理。设 A 的效应在 t=2 为 1、t=3 为 3（动态递增），B 在 t=3 的效应为 1。TWFE 会构造「B vs A」的 2×2：窗口 t=2→t=3，B 的结果变化为 0（还没处理），A 的变化为 3−1=2。DiD = 0 − 2 = −2。这个 2×2 带着负号进入加权和，而它本不该存在——A 在窗口内已经在接受处理。

【流程节点链路】 起点：三个队列 + 交错时点 → 中间节点1：TWFE 自动生成全部「早 vs 晚」的2×2，包括「晚处理 vs 已处理」 → 中间节点2：已处理组在窗口内的结果变化含其自身动态效应 → 中间节点3：该2×2估计量 = 真实效应差 − 已处理组的效应增量，可为负 → 终点：加权和把负值掺进总系数，TWFE 与任一真实ATT都可不一致。

【文献综述视角的判别清单】读一篇交错DiD论文，按顺序问三件事：(a) 有没有 cohort-specific 的事件研究图，还是只有一条合并的？(b) 对照组写的是「never-treated」还是含糊的「control group」？(c) 有没有报告权重诊断或改用 CS/SA 估计量？三问里两个答不上，这篇的因果结论就该降级为「相关性描述」。

【值得辩论的问题】如果教育、发展、劳动经济学里的政策效应几乎必然是动态的（效果逐年显现），那么 2010 年代用 TWFE 发表的那一大批交错DiD结论，是不是应该整体重跑一遍？重跑的成本由谁承担——作者、期刊，还是引用它们的 meta 分析？我倾向于：meta 分析最先该做，因为它是把带偏误的系数当输入、再放大成「共识效应量」的那一环，偏误在它那里被平方放大。