双重差分法用于衡量某项政策或干预措施在特定时间点实施后的真实效果。它通过对比“受到干预的组”与“未受干预的对照组”，在政策实施前后的变化差异，剔除掉那些随时间自然发生的共同波动，从而识别出因果效应。
理解双重差分的工作机制
双重差分法通过“两次相减”来剥离干扰：首先计算处理组和对照组各自在干预前后的变化量，随后再计算这两组变化量之间的差值。这种结构能有效抵消那些同时影响两组对象的外部环境因素。
在 Lattice 平台上，该方法采用 2×2 的回归框架，通过引入交互项（处理变量 × 时间变量）直接量化政策的平均处理效应（ATT）。这种方式不仅能得到明确的系数，还能通过统计检验给出置信区间。
反幻觉校验：平行趋势检验
因果推断的准确性高度依赖于假设的有效性。本工具内置了平行趋势的自动校验机制。如果您提供了时间序列信息，系统会自动在政策实施前的数据区间内进行回归分析。
一旦检测到平行趋势存在显著偏离，系统会立即标记并向您提示。这可以防止在因果关系并不成立的情况下，因误读统计数字而做出错误的业务决策。
处理集群效应与稳健性
在实际应用中，数据往往存在聚类特征（例如同一地区的个体行为相似）。双重差分法支持 cluster-robust 标准误计算，这能够修正因样本间的相关性导致的统计推断偏差。
我们不仅提供核心的 ATT 系数，还会输出详细的对照分析，包括各单元的平均值对比。这些辅助信息有助于您从原始数据层面直观理解干预效果的构成。
1 · Intent → method
An LLM picks causal_did from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
为什么双重差分法强调“平行趋势”？
平行趋势是该方法的核心前提。它假设如果没有这项政策干预，处理组和对照组在政策实施后的变化轨迹应当是平行的。Lattice 会自动运行预检验，如果发现趋势不一致，即说明结果可能受到其他干扰因素影响，此时应谨慎解读因果效应。
如果我的数据不满足平行趋势假设，该怎么办？
如果系统检测到平行趋势违反，意味着处理组和对照组的基础差异或动态变化不可比，导致双重差分法的结论可能产生偏差。在这种情况下，建议重新审查数据的选取逻辑，或者考虑使用其他更适合的因果推断工具。
Tool 输入字段
Schema for causal_did not exported yet (run pnpm export:registry).