本文提出一种新的研究设计——因子双重差分（FDID），用于将经典的双重差分（DID）方法推广到缺乏明确对照组的情境中。在许多研究中，研究者将DID估计量应于以下使用面板数据的场景：有一个基准特征G是在横截面上的差异，有一个事件影响所有个体。在此类研究中，目标估计量往往没有被清晰界定，使用DID估计的合理性也较为模糊。本文通过形式化地刻画FDID的数据结构、目标参数和识别假设，对这一设计加以系统阐述。我们将FDID视为一个包含两个因素——基准因素G与事件暴露水平Z——的因子设计，并将“效应修饰”与“因果调节”分别定义为G对Z效应的关联性影响与因果性影响。在标准的DID假设下（包括无预期效应和平行趋势假设），传统的DID估计量可以识别效应修饰，但无法识别因果调节。为了识别后者，我们提出了一个额外的“因子化平行趋势”假设。我们将此方法应用于一个关于社会资本在中国饥荒救援中作用的实证案例，以展示其实际应用价值。