Difference-in-Differences और Parallel Trends
2×2 DiD contrast, parallel untreated outcomes, event studies, pretrend tests, staggered adoption, heterogeneous effects और financial policy applications समझें
सीधा जवाब
Difference-in-differences comparison group के उसी period के change को treated group के before-to-after change से subtract करता है और fixed group differences तथा common time shocks हटाता है। इसका causal core untreated potential outcomes में parallel trends है: treatment न होने पर दोनों groups के average outcomes same path पर बदलते। Similar-looking pretrends useful diagnostics हैं, proof नहीं। Staggered adoption में classical two-way fixed-effects coefficients heterogeneous effects को invalid comparisons के जरिए mix कर सकते हैं
DiD changes के difference को compare करता है
दो groups और दो periods वाले setup में DiD, comparison group's post-minus-pre change को treated group's post-minus-pre change से subtract करता है
Groups के fixed level differences और common time shocks दोनों differences के जरिए cancel हो जाते हैं
Usual target average treatment effect on the treated, या ATT है; raw before-after change या post-period group gap नहीं
Parallel trends unseen counterfactual है
Assumption average untreated potential-outcome changes से संबंधित है, treatment शुरू होने के बाद observed outcomes की trend से नहीं
Outcome levels equal होना जरूरी नहीं, लेकिन business cycles या prior shock pathways का अलग exposure parallel trends violate कर सकता है
Conditional parallel trends pretreatment covariates से comparability improve कर सकता है, जबकि treatment से affected controls नया bias बना सकते हैं
दूसरी identification conditions भी matter करती हैं
No anticipation का अर्थ है defined treatment date से पहले expectations या early action outcomes को alter न करें; announcement और implementation dates अलग हो सकती हैं
यदि एक unit का treatment comparison outcomes में spill over हो, तो comparison group untreated counterfactual नहीं रह जाता
Sample composition, outcome measurement या group classification में बदलाव observed contrast को treatment के बजाय composition effect बना सकते हैं
Event studies dynamics और prepatterns दिखाती हैं
Event study treatment के relative time के indicators उपयोग करके pretreatment coefficients और post-treatment path को reference period के against दिखाती है
Near-zero pretreatment estimates बड़े violations को refute करने में मदद कर सकते हैं, लेकिन low power parallel trends establish नहीं करती
Windows या specifications तब तक चुनना जब तक precoefficients insignificant हों, diagnostic को selection बना देता है; design पहले तय करें
Staggered adoption comparisons को जटिल बनाता है
Groups अलग dates पर adopt करें तो classical two-way fixed effects कई 2×2 comparisons को एक coefficient में combine करता है
जब effects cohort या exposure length के साथ बदलें, already-treated units later-treated units के controls बनकर dynamic estimates contaminate कर सकते हैं
Group-time ATT या interaction-weighted event-study methods comparison groups और aggregation explicit बनाकर heterogeneity preserve करते हैं
Financial policies timing और spillovers के प्रति sensitive हैं
Disclosure rules, capital requirements, taxes और trading regulations firms या regions में अलग हो सकते हैं, और anticipation formal implementation से पहले शुरू हो सकता है
Policies competitors, supply chains, financial institutions या prices के जरिए untreated units तक पहुँच सकती हैं; direct और equilibrium effects अलग करें
Institutional timeline में concurrent rules, macro shocks और sample-entry changes identify करें जो groups को अलग तरह affect कर सकते हैं
Inference को policy-level dependence reflect करना चाहिए
Persistent outcomes independent standard errors को uncertainty understate करा सकते हैं, इसलिए treatment-assignment level पर clustering विचार योग्य है
Few policy clusters में ordinary cluster asymptotics unstable होती हैं और small-sample inference तथा placebo policy dates चाहिए हो सकते हैं
Effect size और dynamics, precoefficients के simultaneous intervals, comparison composition और aggregation weights report करें
Counterfactual को auditable बनाएं
पहले define करें किसे कब treatment मिला और हर date पर कौन-सी units comparison हैं, फिर outcome estimates दिखाएँ
Parallel trends के institutional support, pretreatment outcomes और covariates, alternative comparisons, placebos और sensitivity analyses प्रस्तुत करें
एक TWFE coefficient पर निर्भर न रहें; cohort-time effects को stated question का जवाब देने वाले summary में कैसे weight किया गया समझाएँ
आम सवाल
क्या parallel trends को equal outcome levels चाहिए?
नहीं। Treatment के बिना groups के average untreated outcomes का change path समान होना चाहिए
क्या insignificant pretreatment coefficients parallel trends prove करते हैं?
नहीं। वे कुछ बड़े violations diagnose करते हैं लेकिन low power रख सकते हैं और post-treatment counterfactual unseen रहता है
क्या staggered treatment के साथ ordinary TWFE उपयोग कर सकता हूँ?
Constant effects में यह simpler है, लेकिन heterogeneity later cohorts के comparisons में already-treated units की contamination ला सकती है
DiD standard errors किस level पर cluster करने चाहिए?
आमतौर पर जहाँ treatment assigned है और errors co-move करते हैं, साथ में clusters की संख्या और दूसरी dependence dimensions भी देखें