标签： #双重差分

事件研究里最危险的结论不是「没显著」，而是「显著但假」——股价在降准后涨了，到底是因为降准，还是因为那段时间本来就该涨？双重差分 DID 用「处理组 − 控制组」的双重差分，把共同的时间趋势从处理效应里剥掉。本文用纯 numpy 从零实现双向固定效应 TWFE 与一般化的 2×2 差分，在自洽合成面板（1 只被冲击股票 + 19 只同类，事件前 24 月 + 后 24 月，真实 ATT=0.40%/月）上把 τ̂ 估计到 0.41%/月、t=2.79、置换 placebo 检验 p=0.038；并诚实拆穿平行趋势不可检验、控制组污染、政策内生化、溢出效应、动态效应被压平五类真实陷阱（中阶）。

量化策略里到处是伪相关：两资产同涨同跌、因子在样本内亮眼却说不清为什么。本文用潜在结果框架讲清「相关性≠因果」，并用双重差分(DID)在「政策/事件冲击」场景下干净地估计策略可解释的因果效应，附完整 Python 实现、bootstrap 置信区间与事件研究，并诚实列出 DID 的真实陷阱。