Différence de différences et tendances parallèles
Comprenez le contraste DiD 2×2, les résultats potentiels sans traitement parallèles, les études d'événement, les tests de pré-tendance, l'adoption échelonnée, les effets hétérogènes et les applications aux politiques financières.
Réponse directe
La différence de différences soustrait le changement du groupe de comparaison sur la même période au changement avant-après du groupe traité, ce qui élimine les différences fixes entre groupes et les chocs temporels communs. Son cœur causal est constitué de tendances parallèles des résultats potentiels sans traitement : en l'absence de traitement, les résultats moyens des deux groupes auraient évolué selon la même trajectoire. Des pré-tendances d'apparence similaire sont des diagnostics utiles, mais ne peuvent pas prouver ce contrefactuel. Avec une adoption échelonnée, les coefficients classiques à effets fixes bidirectionnels peuvent mélanger des effets hétérogènes au moyen de comparaisons invalides.
La DiD compare une différence de changements
Avec deux groupes et deux périodes, la DiD soustrait le changement après-moins-avant du groupe de comparaison au changement après-moins-avant du groupe traité.
Les différences fixes de niveau entre les groupes et les chocs temporels communs s'annulent grâce aux deux différences.
La cible habituelle est l'effet moyen du traitement sur les traités, ou ATT, et non une variation brute avant-après ni un écart de groupe sur la période postérieure.
Les tendances parallèles sont un contrefactuel invisible
L'hypothèse concerne les changements moyens des résultats potentiels sans traitement, et non la tendance des résultats observés après le début du traitement.
Les niveaux de résultat n'ont pas besoin d'être égaux, mais une exposition différente aux cycles économiques ou à des trajectoires de chocs antérieures peut violer les tendances parallèles.
Des tendances parallèles conditionnelles peuvent utiliser des covariables antérieures au traitement pour améliorer la comparabilité, tandis que contrôler des variables affectées par le traitement crée un nouveau biais.
D'autres conditions d'identification comptent également
L'absence d'anticipation exige que les attentes ou les actions précoces ne modifient pas les résultats avant la date de traitement définie, ce qui distingue les dates d'annonce et de mise en œuvre.
Si le traitement d'une unité se répercute sur les résultats du groupe de comparaison, ce groupe peut ne plus représenter un contrefactuel sans traitement.
Les changements de composition de l'échantillon, de mesure du résultat ou de classification des groupes peuvent transformer le contraste observé en effet de composition plutôt qu'en effet du traitement.
Les études d'événement montrent les dynamiques et les pré-tendances
Une étude d'événement utilise des indicateurs du temps relatif au traitement pour afficher les coefficients antérieurs au traitement et la trajectoire postérieure au traitement par rapport à une période de référence.
Des estimations antérieures proches de zéro peuvent aider à réfuter de grandes violations, mais une faible puissance ne permet pas d'établir les tendances parallèles.
Choisir les fenêtres ou les spécifications jusqu'à ce que les pré-coefficients deviennent non significatifs transforme le diagnostic en sélection ; le plan doit donc être fixé à l'avance.
L'adoption échelonnée complique les comparaisons
Lorsque les groupes adoptent la politique à des dates différentes, les effets fixes bidirectionnels classiques combinent plusieurs comparaisons 2×2 en un seul coefficient.
Lorsque les effets varient selon la cohorte ou la durée d'exposition, les unités déjà traitées peuvent devenir des témoins pour les unités traitées plus tard et contaminer les estimations dynamiques.
Les méthodes ATT groupe-temps ou les études d'événement pondérées par interaction préservent l'hétérogénéité en rendant explicites les groupes de comparaison et l'agrégation.
Les politiques financières sont sensibles au timing et aux effets de débordement
Les règles de publication, les exigences de capital, les impôts et les réglementations de négociation peuvent varier selon les entreprises ou les régions, tandis que l'anticipation peut commencer avant la mise en œuvre officielle.
Les politiques peuvent atteindre les unités non traitées par les concurrents, les chaînes d'approvisionnement, les institutions financières ou les prix, ce qui exige de distinguer les effets directs des effets d'équilibre.
Une chronologie institutionnelle doit identifier les règles concomitantes, les chocs macroéconomiques et les changements d'entrée dans l'échantillon susceptibles d'affecter les groupes différemment.
L'inférence doit refléter la dépendance au niveau de la politique
Des résultats persistants peuvent conduire des erreurs-types indépendantes à sous-estimer l'incertitude ; le regroupement des erreurs au niveau de l'attribution du traitement est donc souvent envisagé.
Avec peu de groupes de politique, les approximations asymptotiques usuelles par groupes sont instables et peuvent exiger une inférence en petit échantillon ainsi que des dates de politique placebo.
Présentez la taille et la dynamique de l'effet, les intervalles simultanés pour les pré-coefficients, la composition des comparaisons et les poids d'agrégation.
Rendre le contrefactuel vérifiable
Définissez qui est traité, quand, et quelles unités servent de comparaison à chaque date, de préférence avant de présenter les estimations de résultat.
Présentez les éléments institutionnels soutenant les tendances parallèles, les résultats et covariables antérieurs au traitement, les comparaisons alternatives, les placebos et les analyses de sensibilité.
Ne vous appuyez pas sur un seul coefficient TWFE ; expliquez comment les effets par cohorte et par période sont pondérés dans un résumé qui répond à la question posée.
Questions fréquentes
Les tendances parallèles exigent-elles des niveaux de résultat égaux ?
Non. Elles exigent que les résultats moyens sans traitement des groupes aient suivi la même trajectoire de changement en l'absence de traitement.
Des coefficients antérieurs au traitement non significatifs prouvent-ils les tendances parallèles ?
Non. Ils diagnostiquent certaines violations importantes, mais peuvent avoir une faible puissance, et le contrefactuel postérieur au traitement reste inobservé.
Puis-je utiliser une TWFE classique avec un traitement échelonné ?
Elle est plus simple sous des effets constants, mais l'hétérogénéité peut faire que des unités déjà traitées contaminent les comparaisons des cohortes ultérieures.
À quel niveau faut-il regrouper les erreurs-types d'une DiD ?
Généralement au niveau où le traitement est attribué et où les erreurs évoluent ensemble, tout en tenant compte du nombre de groupes et des autres dimensions de dépendance.