你想比较提高最低工资的州和没有提高的州，看看政策是否影响青少年就业。可实行政策的地方往往本来就不一样：人口、贫困率、教育程度，甚至一些没有被记录的因素，都可能同时影响政策选择和就业走势。这样一来，双重差分算出的“政策效果”，可能混进了这些差异。
一篇新的 arXiv 论文试图回答一个比“平行趋势是否成立”更具体的问题：如果平行趋势确实被未观测因素破坏，偏差究竟从哪里来，又要多强的混杂才能推翻结论？论文把偏差拆成几股可以分别讨论的力量，并据此设计敏感性统计量。以下结论均来自作者 Juejue Wang、Pedro H. C. Sant’Anna、Victor Chernozhukov 和 Carlos Cinelli 的论文，尚无独立研究交叉验证。
DiD到底在比较什么
双重差分（Difference-in-Differences，DiD）先看处理组在事件前后变化多少，再减去控制组同期的变化。例如，某些地区提高最低工资后，青少年就业下降了；但未提高最低工资的地区也可能因为经济环境而下降。两边变化之差，才被用来估计政策影响。
这套方法依赖平行趋势假设：如果没有政策，两组的结果原本会沿着相同趋势变化。问题在于，政策已经发生后，我们不可能观察处理组“没有接受政策时”的就业结果。这个反事实只能借控制组推测，因此平行趋势本质上无法直接检验。
研究者通常会看政策实施前的走势是否接近，也会检查两组在可观测特征上是否平衡。但政策前走势相似，不保证政策后仍然相似；已记录变量平衡，也排除不了未记录因素。若漏掉的因素既影响谁接受处理，又影响没有处理时的结果变化，就会产生遗漏变量偏差（omitted variable bias，OVB）。DiD估计的处理效果会吸收其中一部分影响。
论文关注的是 ATT，即“对实际接受处理者的平均处理效应”。它没有宣称所有 DiD 都会失灵，而是研究：当未观测混杂破坏平行趋势时，ATT会怎样偏离真实值。
偏差不是一团黑箱
论文的关键工作，是给 ATT 的遗漏变量偏差提出一种新刻画。作者证明，偏差可以分解为一个能从数据中估计的尺度因子，以及三个无法直接观察、但可以解释和约束的偏差因子：选择、趋势和对齐。
“选择”指未观测因素在多大程度上影响处理分配。比如，一个没有进入数据的地方政治因素，是否明显提高某地上调最低工资的可能性。
“趋势”指这个因素在多大程度上解释控制组中未经政策影响的结果变化。还是以上面的例子说，它是否也能解释青少年就业原本会怎样变化。
“对齐”则问两个方向是否碰巧一致：这个因素对政策选择的推动，与它对就业趋势的推动，是否系统性地朝着会制造偏差的方向排列。
三者必须同时起作用。一个因素即使强烈影响政策选择，若与就业趋势无关，也不会通过这条路径制造 ATT 偏差。反过来，它即使能解释就业变化，若不影响哪些地区接受政策，同样不构成这里讨论的混杂。即便两边都影响，方向缺乏稳定对齐，最终偏差也会减弱。
这套分解的实用之处，在于它把“可能有混杂”改写成几个更具体的问题。论文指出，趋势和对齐两个因子的绝对值都有 1 这个自然上界；选择因子却可能任意大。因此，要给偏差设定有效边界，最不能回避的是处理分配中的混杂强度。
“选择很强”可以有三种说法
不同领域习惯用不同尺度谈混杂。论文因此给出多种等价表述，让研究者不必被迫使用一种陌生指标。
第一种看处理 odds 的变化。Odds——可理解为“接受处理的概率”与“不接受处理的概率”之比——衡量某个对象落入处理组的相对可能性。研究者可以问：加入未观测因素后，实际处理者的平均处理 odds 会增加多少？论文举例说，如果该因素至多让平均 odds 翻倍，就能把这种判断转换为对选择强度的限制。
第二种看处理组与控制组之间新增了多少混杂不平衡。这里作者强调，直接关系到 ATT 偏差的不是常见的标准化均值差，而是衡量两组完整分布差异的卡方散度。后者不只比较平均值，也考虑分布层面的分离程度。
第三种看未处理者内部，未观测因素解释了多少处理 odds 的变异。三种表述描述的是同一类选择力量，但为不同研究场景提供了不同入口。
从“结论稳不稳”变成一个可报告的数
在分解偏差之后，论文进一步提出 robustness value 一类敏感性统计量：它描述至少需要多强的未观测混杂，才能推翻某项 DiD 结论。作者主张把它与点估计和标准误一起常规报告。
这种统计量回答的不是“平行趋势已经成立吗”，而是“若它不成立，破坏程度要达到什么水平，结论才会改变”。两者差别很重要。敏感性分析不能替研究者消灭未知因素，却能把争论从笼统怀疑推进到强度判断。
强度边界仍需现实依据。论文提供两种校准办法。一种拿未观测因素与已经观测到的协变量比较：假设未知因素对处理选择或结果趋势的解释力，不超过某个已知变量，再据此约束 ATT 偏差。另一种利用政策实施前的趋势，把处理后的潜在混杂与处理前已经显露的偏差比较。
这些比较只是校准或设界，并不能验证平行趋势。它们的价值在于让假设说得更清楚：研究者必须交代，自己愿意容许一个比已观测地区差异强多少的未知因素。
最低工资案例说明了什么
论文重新分析了最低工资与青少年就业的案例。2001至2007年，联邦最低工资保持在5.15美元，一些州则先后提高了州最低工资。作者聚焦2007年首次提高最低工资的一组州，处理组包括这些州的584个县；控制组是截至2007年底仍未提高州最低工资的州中的1,377个县。
未经协变量调整的 DiD 估计显示，最低工资提高对应青少年就业下降2.77%。但2006年的处理前趋势估计为负3.9%，不仅统计上显著，量级也与政策效果接近。这说明两组在政策发生前已经出现分化。
处理组县与控制组县在多项特征上也不平衡。处理组人口更多、白人占比和教育水平更高、贫困率更低，而且更多集中于中西部和西部。作者用随机森林和去偏机器学习调整这些已观测协变量后，政策效果估计变为负3.66%，方向没有改变；2006年的处理前偏差仍约为负3.8%。
论文的分解解释了为什么“变量很不平衡”，调整后结果却变化不大：不平衡只是选择渠道。已观测变量对控制组就业趋势变异的解释有限，而且选择误差与趋势误差之间的对齐相关仅为0.194，两道力量共同削弱了它们对估计值的影响。
按一种常见的处理前趋势外推办法，如果假定负3.8%的偏差延续到2007年，它已经足以推翻负3.66%的条件 DiD 结论。新框架没有否定这种做法，而是进一步追问：要产生这份偏差，未观测因素必须怎样影响政策选择、就业趋势及两者的对齐？
为什么值得关注
本刊此前介绍过，即使平行趋势看似过关，DiD结果仍可能依赖如何填补反事实。本篇论文把问题再向前推进一步：不只描述反事实可能偏离多少，也尝试解释偏离为何发生。
它尤其适合只有处理前、处理后两个时期的经典 DiD。此时没有更早的 pre-trends——政策实施前的相对走势——可供外推，但研究者仍可围绕处理 odds、组间不平衡和已观测协变量做敏感性判断。作者还给出 ATT 边界的统计推断方法，可结合去偏机器学习（用额外校正降低灵活预测模型带来的估计偏差）进行估计，也可使用标准参数回归。机器学习在这里负责灵活估计，并不能消除未观测混杂。
局限与未知
- 目前材料来自这一篇论文。作者将其推断方法称为“灵活且高效”，但没有独立证据支持这一评价。
- 论文中的最低工资示例展示了估计值、处理前偏差和分解思路，但现有材料没有提供足够的模拟对比或完整置信区间，不能据此断言它在数值表现上优于既有方法。
- 敏感性分析把隐藏假设变得可见，却不会自动证明某个强度上限合理。最终边界仍依赖研究者对具体场景作出并公开说明判断。