Wie schätzt man einen Effekt mit Difference-in-Differences?
Difference-in-Differences vergleicht die Veränderung der behandelten mit der unbehandelten Gruppe. Die Identifikation beruht auf glaubwürdigen parallelen Trends ohne Behandlung.
Wissenschaftliche Redaktion : Marketing Science Center
Direkte Antwort
Einen ATT für die vom Design erfassten Gruppen und Perioden schätzen.
Difference-in-Differences vergleicht die Veränderung der behandelten mit der unbehandelten Gruppe. Die Identifikation beruht auf glaubwürdigen parallelen Trends ohne Behandlung.
Hernán & Robins, Causal Inference: What IfArnold et al., 2020
01
Operative Zusammenfassung
Wissenschaftliche Frage und Geltungsbereich
Wie schätzt man einen Effekt mit Difference-in-Differences?
Vertretbar
Einen ATT für die vom Design erfassten Gruppen und Perioden schätzen.
Unzulässig
Zukünftige parallele Trends allein aus Vorperiodendaten beweisen.
02
Drei Leseebenen
- 01
Entscheidungsebene — Ergebnis mit deklarierter Entscheidung, Nutzenschwelle und Fehlerkosten verbinden.
- 02
Praxis — Population, Einheit, Horizont, verfügbare Variablen und Analyseregel vor der Berechnung festlegen.
- 03
Analyse — Berechnung reproduzieren, Unsicherheit quantifizieren und Diagnosen, Fehlschläge sowie Sensitivitäten dokumentieren.
03
Konkrete Marketingsituation
Difference-in-Differences vergleicht die Veränderung der behandelten mit der unbehandelten Gruppe. Die Identifikation beruht auf glaubwürdigen parallelen Trends ohne Behandlung.
04
Wissenschaftliche Frage und Geltungsbereich
Wie schätzt man einen Effekt mit Difference-in-Differences?
ATT in einem Design mit zwei Gruppen und zwei Perioden
Benötigte Daten
Einheit × Gruppe × Periode
Population, Analyseeinheit, Ursprungsdatum und Horizont müssen im Ergebnis deklariert sein. Andernfalls ändert sich der Estimand unbemerkt.
05
Warum eine einfache Analyse scheitern kann
- Zukünftige parallele Trends allein aus Vorperiodendaten beweisen.
- Vortrends
- Antizipation
- Gruppen-Zeit-ATT bei gestaffelter Einführung verwenden
06
Intuition der Methode
Die Methode macht aus einer Assoziation nicht automatisch Evidenz. Sie verbindet eine deklarierte Frage mit Estimand, Spezifikation, kompatiblen Daten und begrenzter Interpretationsregel.
ATT in einem Design mit zwei Gruppen und zwei Perioden
07
Benötigte Daten
Wörterbuch wissenschaftlicher Symbole
Y_T_post- Mittleres Ergebnis der Einheiten der behandelten Gruppe nach der Intervention. Einheit:
Ergebnis· Typ:Zahl· Rolle:Eingabe Y_T_pre- Mittleres Ergebnis derselben behandelten Gruppe in der deklarierten Vorperiode. Einheit:
Ergebnis· Typ:Zahl· Rolle:Eingabe Y_C_post- Mittleres Ergebnis der deklarierten Vergleichsgruppe in der Nachperiode. Einheit:
Ergebnis· Typ:Zahl· Rolle:Eingabe Y_C_pre- Mittleres Ergebnis derselben Vergleichsgruppe in der Vorperiode. Einheit:
Ergebnis· Typ:Zahl· Rolle:Eingabe z- Zweiseitiger kritischer Wert der Normalverteilung für das deklarierte Konfidenzniveau. Einheit:
dimensionslos· Typ:positive Zahl· Rolle:Parameter cluster_SE- Extern bereitgestellter clusterrobuster Standardfehler für den DiD-Kontrast dieser versiegelten Illustration. Einheit:
Ergebnis· Typ:positive Zahl· Rolle:Eingabe ATT_DiD- Zweiperiodiger Difference-in-Differences-Kontrast, nur unter den deklarierten Identifikationsannahmen kausal interpretierbar. Einheit:
Ergebnis· Typ:Zahl· Rolle:Ausgabe CI- Normalverteilungsintervall auf Basis des bereitgestellten clusterrobusten Standardfehlers. Einheit:
Ergebnis· Typ:geordnetes Paar· Rolle:Ausgabe
Exakte versiegelte Engine-Eingaben
treated_pre- Wert:
100· Einheit:Index· Typ:Zahl· Datenstatus:synthetisch treated_post- Wert:
120· Einheit:Index· Typ:Zahl· Datenstatus:synthetisch control_pre- Wert:
90· Einheit:Index· Typ:Zahl· Datenstatus:synthetisch control_post- Wert:
98· Einheit:Index· Typ:Zahl· Datenstatus:synthetisch standard_error- Wert:
4· Einheit:Index· Typ:Zahl· Datenstatus:synthetisch z_critical- Wert:
1.95996398454· Einheit:dimensionslos· Typ:Zahl· Datenstatus:deklarierter Parameter
08
Formales Modell
Formales Modell
att_did = (treated_post − treated_pre) − (control_post − control_pre); CI = att_did ± z_critical × standard_errorBelegte Aussagen: MSC-P015-C01 · MSC-P015-C02 · MSC-P015-C03 · MSC-P015-C04 · MSC-P015-C05 · MSC-P015-C06
Wissenschaftliche Frage und Geltungsbereich
ATT in einem Design mit zwei Gruppen und zwei Perioden
09
Deklarierte Berechnung
- 01
Behandlungs- und Vergleichsgruppe, Zeitplan, Ergebnisdefinition und bereitgestellte clusterrobuste Unsicherheitsspezifikation festlegen.
- 02
Änderung jeder Gruppe berechnen, die Vergleichsänderung von der Behandlungsänderung abziehen und das deklarierte Intervall bilden.
- 03
Nur als ATT interpretieren, wenn parallele Trends, keine Antizipation, Überlappung und gültiger Vergleichszeitpunkt vertretbar sind.
10
Zahlenbeispiel oder Anwendungsfall
Berechnetes Beispiel — synthetische Daten oder deklarierte Parameter; keine realen Beobachtungen
Versiegelte Eingaben
treated_pre=100 [Index]treated_post=120 [Index]control_pre=90 [Index]control_post=98 [Index]standard_error=4 [Index]z_critical=1.95996398454 [dimensionslos]
Reproduzierbare Ergebnisse
ATT_DiD=12CI95=[4.160144; 19.839856]
Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.
11
Validitätsannahmen
- Sind die Trends vor der Behandlung für die gewählte Vergleichsgruppe glaubwürdig?
- Könnten Einheiten die Behandlung antizipieren oder ihre Zusammensetzung vor der Einführung ändern?
- Wird bei gestaffelter Einführung Gruppen-Zeit-ATT statt einer ungültigen TWFE-Aggregation verwendet?
12
Diagnostik und Unsicherheit
Diagnostik und Unsicherheit
Vortrends · Antizipation · Gruppen-Zeit-ATT bei gestaffelter Einführung verwenden · Clusterrobuste Unsicherheit
Begrenzte Diagnose
Deskriptiver 2×2-ATT mit einem auf den bereitgestellten clusterrobusten Standardfehler bedingten Intervall; parallele Trends sind nicht geprüft.
Expliziter Unsicherheitsvertrag · quantified_conditional
Methode : Deterministische Berechnung der Referenz-Engine auf dem versiegelten Eingabeausschnitt.
Ziel : Unsicherheit der Difference-in-Differences-ATT-Illustration.
Engine-Nachweis : metric.ci_lower= · metric.ci_upper=
Interpretation : Das Intervall ist bedingt auf den bereitgestellten clusterrobusten Standardfehler und belegt keine parallelen Trends.
Stoppen, wenn
Zukünftige parallele Trends allein aus Vorperiodendaten beweisen.
13
Ergebnisinterpretation
- Einen ATT für die vom Design erfassten Gruppen und Perioden schätzen.
- Das Ergebnis gilt bedingt auf deklarierte Population, Horizont, Spezifikation und Diagnosen. Es darf nicht ohne neue Begründung auf eine andere Entscheidung übertragen werden.
14
Vertretbare und unzulässige Schlussfolgerung
Vertretbar
Einen ATT für die vom Design erfassten Gruppen und Perioden schätzen.
Unzulässig
Zukünftige parallele Trends allein aus Vorperiodendaten beweisen.
15
Mögliche Marketingentscheidung
- 01
Einen ATT für die vom Design erfassten Gruppen und Perioden schätzen.
- 02
Das Ergebnis gilt bedingt auf deklarierte Population, Horizont, Spezifikation und Diagnosen. Es darf nicht ohne neue Begründung auf eine andere Entscheidung übertragen werden.
16
Wann einsetzen — wann stoppen
Einsetzen, wenn
Einen ATT für die vom Design erfassten Gruppen und Perioden schätzen.
Einheit × Gruppe × Periode
Stoppen, wenn
Zukünftige parallele Trends allein aus Vorperiodendaten beweisen.
Methodische Alternativen
- Bei gestaffelter Einführung Gruppen-Zeit-ATT mit noch nicht behandelten oder nie behandelten Kontrollen schätzen.
- Ein Ereignisstudien-Design verwenden, um dynamische Effekte und Vortrenddiagnosen offenzulegen.
- Randomisierte Einführung bevorzugen, wenn der Interventionszeitpunkt zugewiesen werden kann.
17
Reproduzierbarkeitsvertrag
Python und R sind die ausführbaren Referenzen. SPSS und SAS bleiben Sekundärsyntax, bis sie mit denselben Daten, derselben Spezifikation und denselben Diagnosen geprüft sind.
Die Engine wählt ausschließlich Slice und expliziten Zweig dieser Seite. Hash, Ausgaben und Diagnosen bleiben im atomaren Dossier versiegelt; ein generischer Fallback-Zweig ist unzulässig.
Slice-Fingerabdruck: 928e93319b64e017684dad7e878d79a85a38b2296a0925cc3597773489b3fc56
Verfügbare Ressource · MSC-005
Promotion-Inkrementalität
Verfügbare Ressource · MSC-T02
DiD-Rechner
CSV · CC0
msc-validation-inputs-v1.csv ↓Python · MIT
msc-validation-reference-v1.py ↓R · MIT
msc-validation-reference-v1.R ↓SPSS / SAS · MIT · nur zur Inspektion
SPSS ↓SAS ↓Formales Modell
att_did = (treated_post − treated_pre) − (control_post − control_pre); CI = att_did ± z_critical × standard_errorGeprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.
18
Erwartetes Endergebnis
- 01
Wie schätzt man einen Effekt mit Difference-in-Differences? —
Einheit × Gruppe × Periode - 02
Y_T_post · Y_T_pre · Y_C_post · Y_C_pre · z · cluster_SE · ATT_DiD · CI
- 03
att_did = (treated_post − treated_pre) − (control_post − control_pre); CI = att_did ± z_critical × standard_error - 04
Vortrends · Antizipation · Gruppen-Zeit-ATT bei gestaffelter Einführung verwenden · Clusterrobuste Unsicherheit
- 05
Einen ATT für die vom Design erfassten Gruppen und Perioden schätzen. / Zukünftige parallele Trends allein aus Vorperiodendaten beweisen.
19
Wissenschaftliche Quellen und Evidenzstatus
Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.
MSC-P015-C01— Das kausale Ziel vergleicht mittlere potenzielle Ergebnisse unter zwei definierten Interventionen.MSC-P015-C02— Konsistenz verbindet das beobachtete Ergebnis mit dem potenziellen Ergebnis unter der zugewiesenen Maßnahme.MSC-P015-C03— Das Schätzen einer Regression begründet für sich kein kausales Design.MSC-P015-C04— Identifikation erfordert explizite Annahmen paralleler Trends und fehlender Antizipation.MSC-P015-C05— Der Rahmen unterscheidet gemeinsame und gestaffelte Einführungsdesigns.MSC-P015-C06— Kovariatenanpassung hängt vom Identifikationsdesign ab.
Datensatz · Werkzeug
Methodische Verbindungen