​​DID（双重差分法）是一种用于评估政策或干预措施因果效应的统计模型，其核心是通过两次差分分离出政策冲击的真实影响，广泛应用于经济学、社会学和政策研究领域。关键亮点在于其仅依赖干预组和对照组在干预前后的自身变化趋势，无需直接观察未干预的反事实状态。​​

DID模型基于“平行趋势假设”，假设干预组与对照组在未受干预时具有相同的变化趋势。模型通过比较干预组和对照组在干预前后的差异，再取两者的差分，从而消除个体间固有差异，精准剥离政策效应。其基本形式包含处理组虚拟变量（Treati）、时间虚拟变量（Postt）及交互项（Treati×Postt），交互项系数β3即代表政策实施的净效应。该模型支持双向固定效应扩展，包含个体和时间双重固定效应，进一步增强控制变量效果；异时DID则允许不同个体接受政策的时间不同，适应性更强。

传统DID需验证平行趋势假设，通过平行趋势检验（如绘制干预前后趋势图）确保未干预时两组趋势一致，同时可用安慰剂检验验证结果的稳健性，如虚构处理组或提前设定政策时间。为应对现实复杂性，衍生出空间DID（考虑地理空间溢出效应）、PSM-DID（倾向得分匹配结合DID）等方法。其优势在于自然实验属性降低内生性，政策评估更科学，适用于试点政策效果分析、区域经济影响评估等场景，但需注意排除政策外生性干扰及评估政策效率的局限性。

DID方法通过数学差分巧妙实现因果推断，其简洁性与实用性使其成为政策效果评估的关键工具，研究者需严格检验假设条件并结合多模型交叉验证以提高结果信度。