用途：引导完成完整的双重差分（DID）分析，从设计检查、平行趋势假设验证，到模型设定、交错处理设计与事件研究回归，适用于政策评估与自然实验场景。
核心逻辑：比较处理组处理前后变化与控制组同期变化之差。DID估计量 = (处理组后−处理组前) − (控制组后−控制组前)。关键假设为平行趋势：若无处理，处理组结果应与控制组平行演变。
工作流：1) 设计检查，确认处理/控制分配与时间；2) 用处理前事件研究回归检验平行趋势；3) 建立2×2 DID或双向固定效应（TWFE）基准回归；4) 若采用时间不一致，使用稳健估计量；5) 稳健性检验：安慰剂处理、替代控制组、Callaway-Sant'Anna等。
基础2×2模型：Y_it = β₀ + β₁·Treat_i + β₂·Post_t + β₃·(Treat_i × Post_t) + ε_it，β₃即DID估计（ATT）。
主要能力：提供Python、R、Stata代码模板。Python用statsmodels做2×2（smf.ols('y ~ treat + post + treat_post', data=df).fit(cov_type='HC3')），或用linearmodels.PanelOLS做实体与时间双固定效应并按实体聚类。R用plm做双向固定效应，配合lmtest与sandwich聚类标准误。Stata用xtreg或reghdfe：xtset entity_id year; xtreg y treat_post i.year, fe cluster(entity_id)；或reghdfe y treat_post, absorb(entity_id year) cluster(entity_id)。
事件研究：以相对时间虚拟变量替换单一treat_post，检验处理前系数是否约为0并联合F检验；R可用fixest的feols与iplot，Stata用reghdfe配合coefplot。
交错DID：当单位处理时间不同，标准TWFE可能有偏，应采用Callaway-Sant'Anna或Sun-Abraham估计量。R中用did包的att_gt与aggte（simple/dynamic），fixest的sunab；Stata用csdid与csdid_plot。
报告规范：必须给出事件研究图，说明平行趋势假设及证据，报告DID系数与实体层面聚类标准误，讨论预期效应、Ashenfelter下降、溢出等潜在违背；交错设计需说明为何使用CS或SA估计量。
常见陷阱：交错处理且异质效应下使用TWFE会有偏；聚类层级应与处理变动层级一致，如处理发生在州层面则按州聚类；未拒绝预趋势不等于平行趋势成立，可用Roth(2022)功效分析；忽略预期效应会导致处理前系数非零；不展示事件研究图。
相关技能：合成控制（处理单位少时）、RDD（阈值分配时）、ml-causal（异质效应）。命令/diagnose、/robustness、/method可分别用于诊断、稳健性与方法学写作。更多内容见references/did-reference.md。资料未提供收费、平台与具体使用限制等信息。