【锚点】这一篇只钉一个判断：【平行趋势不是 DID 的装饰性假设，而是把“相关”翻译成“因果”的反事实引擎；它错得最安静的方式，不是事前趋势明显，而是事前趋势检验“没发现”】。

把 DID 看成一部反事实电影：处理组是主角，控制组是平行宇宙里的影子。平行趋势就是剪辑规则——如果政策没有发生，两条剧情线应保持相同的斜率。

【显式】DID 的基本结构：两组、两期（或多期）。处理组在政策后变化，控制组提供反事实。经典例子：Card & Krueger (1994) 用新泽西最低工资上调 25 美分，对比宾州边境门店，发现就业相对变化约为 +1.4 个职位/店（具体数值随样本与加权略有差异），挑战了“最低工资必然减少就业”的直觉。

【隐式】很多人把“政策前趋势平行”当成假设，把“政策前趋势检验不显著”当成证据。这里有一个计量陷阱：事前趋势检验通常是低功效检验。Roth (2022) 的模拟显示，即使真实存在违反平行趋势的情况，标准 pre-trend 检验也常不显著；不显著不等于趋势平行，只说明你没能拒绝它。

【细微】更隐蔽的是：多期 DID 的 TWFE 估计量会把不同 cohort、不同处理时间、不同效应路径混在一起。Goodman-Bacon (2021) 的分解显示，总体 DID 系数其实是“已处理 vs 未处理”“早处理 vs 晚处理”“已处理内部对比”的加权平均；某些权重甚至可能为负。于是你以为在估计“政策效应”，其实可能估计的是“不同处理组之间的异质性 + 权重污染”。

【极难发现】最反直觉的点：一个看起来“事前很干净”的事件研究图，可能只是把违反趋势压缩到了你看不见的时间窗。比如政策前两年系数小、不显著，但政策前一年已经出现漂移；或者效应动态被吸收进固定效应，导致“平行”变成叙事选择。

【流程节点链路】：【观测两组政策前差异】→【假设无政策时共同趋势】→【用控制组构造反事实】→【估计处理组净效应】→【把净效应解释为政策因果效应】。任何一个节点松动，结论就只是“一个故事”，不是“一个估计量”。

教学判据：读 DID 时别只问“pre-trend 显著吗”，要问三件事：1）反事实是谁？2）共同趋势在哪些维度可信？3）如果趋势差 0.1、0.5、1.0 个单位，结论会不会反转？可把敏感性分析（如 Rambachan & Roth 2023 的 partial identification）当成 DID 的“压力测试”。

结尾辩论问题：如果一项政策的事前趋势检验全部不显著，但你没有数据证明“共同冲击”不存在，你应把它写成“支持因果解释”还是“无法排除趋势偏差”？