Difference-in-Differences i parallel trends

Przy dwóch grupach i dwóch okresach DiD odejmuje zmianę po minus przed dla grupy porównawczej od takiej samej zmiany dla grupy poddanej interwencji.

Stałe różnice poziomów między grupami i wspólne szoki czasowe znoszą się dzięki dwóm różnicom.

Zwykłym celem jest average treatment effect on the treated, czyli ATT, a nie surowa zmiana przed i po ani luka między grupami w okresie po interwencji.

Założenie dotyczy średnich zmian potencjalnych wyników bez interwencji, a nie trendu obserwowanych wyników po rozpoczęciu interwencji.

Poziomy wyników nie muszą być równe, ale różna ekspozycja na cykle gospodarcze lub wcześniejsze ścieżki szoków może naruszyć parallel trends.

Warunkowe parallel trends może wykorzystywać kowariaty sprzed interwencji do poprawy porównywalności, podczas gdy kontrolowanie zmiennych dotkniętych interwencją tworzy nowe obciążenie.

Brak antycypacji wymaga, aby oczekiwania lub wczesne działania nie zmieniały wyników przed określoną datą interwencji, dzięki czemu data ogłoszenia i wdrożenia są odrębne.

Jeśli interwencja jednej jednostki przenika do wyników grupy porównawczej, grupa ta może przestać reprezentować kontrfaktyczny wynik bez interwencji.

Zmiany składu próby, pomiaru wyniku lub klasyfikacji grupy mogą sprawić, że obserwowany kontrast będzie efektem składu, a nie interwencji.

Badanie zdarzeń używa wskaźników czasu względem interwencji, aby pokazać współczynniki przed interwencją i ścieżkę po niej względem okresu referencyjnego.

Szacunki przed interwencją bliskie zeru mogą pomóc odrzucić duże naruszenia, ale mała moc nie pozwala ustalić parallel trends.

Wybieranie okien lub specyfikacji do chwili, gdy współczynniki przed interwencją stają się nieistotne, zamienia diagnostykę w selekcję, dlatego projekt należy ustalić z wyprzedzeniem.

Gdy grupy przyjmują interwencję w różnych datach, klasyczne two-way fixed effects łączy wiele porównań 2×2 w jeden współczynnik.

Gdy efekty różnią się między kohortami lub długością ekspozycji, jednostki już poddane interwencji mogą stać się kontrolą dla jednostek poddanych jej później i zanieczyścić estymaty dynamiczne.

ATT dla grup i czasu lub metody badania zdarzeń ważonego interakcją zachowują niejednorodność, jawnie określając grupy porównawcze i agregację.

Zasady ujawniania informacji, wymogi kapitałowe, podatki i regulacje handlowe mogą różnić się między spółkami lub regionami, a antycypacja może zacząć się przed formalnym wdrożeniem.

Polityki mogą docierać do jednostek bez interwencji przez konkurentów, łańcuchy dostaw, instytucje finansowe lub ceny, co wymaga rozróżnienia efektów bezpośrednich i równowagowych.

Oś czasu instytucjonalnego otoczenia powinna wskazywać równoczesne zasady, szoki makroekonomiczne i zmiany wejścia do próby, które mogą różnie wpływać na grupy.

Trwałe wyniki mogą sprawić, że niezależne błędy standardowe zaniżają niepewność, dlatego często rozważa się klastrowanie na poziomie przypisania interwencji.

Przy niewielu klastrach polityki zwykła asymptotyka klastrowa jest niestabilna i może wymagać wnioskowania dla małych prób oraz placebo w postaci dat polityki.

Raportuj wielkość efektu i dynamikę, jednoczesne przedziały dla współczynników przed interwencją, skład porównania i wagi agregacji.

Zdefiniuj, kto i kiedy podlega interwencji oraz które jednostki służą jako porównanie w każdej dacie, najlepiej przed pokazaniem estymat wyników.

Przedstaw instytucjonalne uzasadnienie parallel trends, wyniki i kowariaty sprzed interwencji, alternatywne porównania, placebo i analizy wrażliwości.

Nie polegaj na jednym współczynniku TWFE; wyjaśnij, jak efekty kohortowo-czasowe są ważone w podsumowanie odpowiadające na postawione pytanie.