先确认：你的数据满足 DID 前提吗
做调研双重差分方法项目前，先检查是否有清晰的"处理组/对照组"和"处理前后"两期结构。多期设计下还要确认每个个体的处理时点。容易把处理组与对照组选错，会导致估计的是别的因素。立项时画一张时点图，能避免大半错误。
平行趋势假设也要提前想证据来源，否则事后补样本会很被动。
还要确认处理是否真外生，若处理是样本自己选择的，DID 识别就会受质疑。立项前用一小批样本做预调研，验证处理分配机制，能省下后面大量返工。
预调研能验证处理分配机制，确认处理是否真外生。立项前花一小批样本试水，远胜于后期推倒重来，也能提前暴露数据缺口。
多期设计怎么排样本
多期 DID 要求按处理时点把样本切成若干队列。招募时为每个队列预留足够人数，尤其晚处理队列容易被忽略。在调研双重差分方法中，队列完整性直接决定识别质量，建议每队列有效样本不少于50人。
对从未处理的纯对照组要单独保量，它是识别的基石，不能因为"没变化"就少招。
队列间要避免重叠，同一人不同时点重复进入不同队列会造成自相关，低估标准误。招募时按用户ID去重，并锁定其在某一队列，保证独立性。
队列去重很关键，同一人跨队列会造成自相关、低估标准误。按用户ID锁定单一队列，才能保证独立性，估计才不会被自身样本结构带偏。
异时处理如何稳健估计
异时处理下，传统双向固定效应对早处理单元有偏，可考虑事件研究法或堆叠估计。关键是把"相对处理时长"这个变量采全。调研双重差分方法项目要在问卷里问清每个样本确切的处理时点，模糊时点会毁掉整个设计。
报告时给出事件研究图，比单一点估计更诚实。
堆叠估计要把每个队列的处理时点对齐到相对轴，问卷必须能还原"相对第几期"。这要求招募时采齐每期的状态，缺一期都会让堆叠断档。
堆叠估计要求问卷能还原"相对第几期"，缺一期就会断档。招募时采齐每期状态，是设计成立的前提，也决定后续能否做动态效应图。
样本量建议与常见坑
总样本量建议300人以上，处理组与对照组比约1比1到1比2。常见坑是用非随机的处理分配当外生冲击，结论站不住；还有把对照组也部分处理，污染识别。调研双重差分方法强调招募时严格隔离两组，并在甄别里验证处理状态。
另一个坑是遗漏时变混杂，需在每期都采集关键协变量。
样本量不够时，有人会拿城市均值填补个体缺失，这会引入聚合偏差。更稳的做法是提高单期回收质量，而非用宏观数据硬凑，否则估计会失真。
用城市均值填补个体缺失会引入聚合偏差，更稳的做法是提高单期回收质量，而非用宏观数据硬凑，这样结论才经得起复盘。
甄别与防作弊
甄别放"是否处于处理状态""处理时点"两道硬题，过滤状态不清者。礼金设30到60元，对提供多期追踪的样本可加激励。防作弊重点查处理状态自相矛盾者，以及跨期答非所问的样本，需要纵向比对。
跨期追踪要绑定同一身份，防止同一人用不同账号重复填，造成样本量虚高、标准误失真。
跨期追踪要绑定身份，防止同人换号重复填，否则样本量虚高、标准误失真，结论可信度会受影响，面板质量也随之下降。
从执行看，多期 DID 的追踪属性决定了它不能靠一次性横截面凑数，必须建立可重复触达的队列。建议在首轮就绑定身份并打好时点标签，后续每期直接唤醒，省去重新招募的高昂成本。
对处理组与对照组要分别设甄别，并在每期复核处理状态是否漂移，防止样本在追踪中悄悄跨组，污染识别。这一步看似琐碎，却直接决定双重差分能否成立。
在 zhmu.cn 上发布调研双重差分方法相关招募时，把处理状态与时点标签设为核心维度，系统会跨期触达同一批人反复回收，让多期设计与异时处理所需的样本基础稳稳落地。
样本入库后，建议把各队列按处理时点沉淀标签，下一轮政策评估可直接复用做纵向对比，双重差分的招募与多期追踪一次配齐，长期看能显著降低重复招募成本。
在 zhmu.cn 落地多期追踪
多期 DID 尤为依赖追踪样本。在 zhmu.cn 按处理状态与时点标签建队列招募，系统能跨期触达同一批人反复回收。追踪样本的稳定供给，能帮你把调研双重差分方法所需的异时处理样本基础稳稳搭起来。
把各队列按处理时点沉淀标签，下一轮政策评估可直接复用并做纵向对比。在 zhmu.cn 注册后发布项目，双重差分所需的招募与多期追踪可以一次配齐，效率明显更高。
把各队列按处理时点沉淀，下一轮政策评估可直接复用做纵向对比，双重差分的招募与多期追踪一次配齐，长期看能显著降低重复招募成本。