评估一项政策时，研究者常先看政策前几年：哪几年两组走势“没有显著差异”，就留下来做比较。但“不显著”不代表走势真的相同；用同一批数据先筛时期、再估效果，还可能放大偏差。
Brown 和 Bu 提出 MADID，即模型平均差分中的差分。差分中的差分（DiD）会比较处理组与对照组在政策前后的变化差，并依赖“平行趋势”——若没有政策，两组本应沿相近趋势变化。MADID 不用一次检验把某个前期判为合格或不合格，而是为每个候选前期分别计算 DiD，再按其残差平方和——模型没解释掉的偏差总量——转成指数权重，最后加权平均。
这一步的价值，是把“该信哪一年”的犹豫带进最终估计，而不是藏在筛选动作里。作者证明：至少存在一个满足平行趋势的前期，且无效比较的残差波动能与有效比较拉开差距时，MADID 可一致估计处理效应。它并非无条件保险；结果的极限分布通常也不是常见的正态分布，因此论文建议用子样本或模拟做统计推断。