学员档案：C 同学，某高校应用经济学方向学术硕士。学位论文评估一项区域性政策对某类企业经营行为的影响，采用双重差分方法估计政策效应。首轮外审意见相当集中：全文只在结果部分报告了估计系数显著，但没有提供平行趋势假定是否成立的任何证据，方法章对识别策略的交代也过于简略，"因果推断的前提未经检验"。经过重建识别策略、补做系列检验后，论文进入再审。
一、结论卡在了"前提"上
C 同学起初认为审稿人在挑刺：估计结果显著、系数方向与预期一致，为什么不认？我们把双重差分方法的逻辑给他讲了一遍。
双重差分的估计量之所以能被解释为政策效应，前提是如果没有这项政策，处理组与控制组的结果变量本应沿着平行的时间路径变化。这个假定不成立，两组观测到的差异就可能来自政策实施之前就已经存在的分化趋势，估计出来的系数与政策本身没有关系。
换句话说，他的问题不在于算得对不对，而在于算出来的数能不能被赋予"因果"的含义。前提没检验，结论就只能停留在相关性的层面。
二、平行趋势是前提，需要用证据支持
我们补做的第一项检验是事前趋势检验：以政策实施前的一期作为基准期，在回归中加入政策实施前若干期的时期虚拟变量与处理组虚拟变量的交互项，观察这些交互项的系数是否显著异于零。
报告方式上采取图与表结合：用事件研究图直观呈现各期系数的估计值与置信区间，同时用表格给出具体数值。图上可以清楚看到政策实施前各期系数在零附近波动、置信区间跨越零，实施后才出现系统性偏离——这才是能够支撑识别策略的证据。
这里还有一个细节常被忽略：检验的是趋势是否平行，不是水平是否相同。两组在政策前的结果变量均值本来就可以不同，只要变化趋势一致，假定就没有被破坏。
三、如果趋势不平行，有三条补救路径
C 同学的数据里确实有两期事前系数偏离较明显。我们没有掩盖，而是并行做了三项处理，作为稳健性检验一并报告：
- 重新寻找可比的控制组：用倾向得分匹配先从候选样本中筛选出与处理组在可观测特征上接近的子样本，再在匹配样本上做双重差分，看结论是否稳定。
- 允许组别拥有各自的线性趋势：在模型中纳入组别与时间趋势的交互项，让两组的时间路径可以有不同的斜率，此时估计的系数衡量的是政策带来的额外偏离。
- 缩短样本区间：剔除政策前过早期次的数据，检验结论是否依赖特定时间窗口。
稳健性检验的正确心态不是"想办法让结果变显著"，而是"看结论在合理变动下是否还站得住"。如果换了设定结论就翻，那说明原本的结论本来就不牢，早发现比晚发现好。
四、安慰剂检验的三种做法
我们还补做了安慰剂检验，用来排查结论是否由偶然因素造成。
- 随机分配处理组：在样本中随机抽取个体作为"伪处理组"，重复数百次估计，得到系数分布。如果真实估计值落在这个分布的尾部，说明结论不太可能来自随机波动。
- 虚拟政策时点：把政策实施时间人为提前若干期重新估计，若"政策效应"依然显著，说明模型可能在捕捉其他趋势。
- 剔除特殊样本：删掉经济体量明显异常的少数地区后重估，检验结论是否被个别样本主导。
这三项做完，论文的论证厚度完全不同了——原来只有一张回归表，现在是一组相互印证的证据。
五、异质性分析要有事前预期
原稿的异质性分析是按企业规模、所有制类型分别回归，看到哪一组显著就重点解释哪一组。这种做法的问题在于事后挑选。
我们重整为"先有预期、再看数据"：按理论逻辑说明哪一类企业受政策约束更强、因此预期效应更大，再分组估计并比较组间系数差异是否显著。若预期落空，也要如实报告并讨论可能的原因——这样的异质性分析才具有信息量。
六、方法章必须交代的几件事
重写方法章时，我们逐项补齐了原本缺失的信息：模型设定的具体形式与变量含义、核心变量的度量方式与数据来源、样本区间的选择理由、缺失值与异常值的处理规则、标准误的聚类层级与聚类理由。
其中聚类层级最容易出问题。政策是在地区层面实施的，如果在个体层面聚类标准误，会严重低估标准误、夸大显著性。C 同学的模型正是如此，改到地区层面聚类后，部分系数的显著性下降——这个变化虽然削弱了部分结论，却让整篇论文的可信度提升了一个层级。
七、结果
修改稿重写了识别策略部分，新增一组检验与稳健性分析，并修正了标准误聚类层级，论文进入再审。C 同学的感受是：实证研究里最贵的不是数据，是识别策略的正当性。
八、复盘建议
- 用双重差分之前先检验平行趋势，别把前提当成理所当然。
- 事前趋势检验要用事件研究图与回归结果同时呈现，看系数分布而非单看某一个值。
- 趋势不平行时优先重新筛选控制组，再考虑放宽趋势假定或缩短样本区间。
- 安慰剂检验至少做一种，随机分配处理组的做法说服力较强。
- 异质性分析要有事前理论预期，不要事后挑选显著的分组来解释。
- 标准误聚类层级要与处理变量的实施层级一致，这是最常见的硬伤之一。
- 稳健性检验的目标是检验结论是否稳定，而不是把结果调显著。
（本案例已脱敏整理，仅用于呈现学术辅导的常见路径，不代表任何具体机构或个人；文中过程与结果均为中性描述，不构成对投稿结果的承诺。）