Research & Evidence

Methode suchen

Titel, Fragen, Gebiete und MSC-Kennungen durchsuchen.

    ← Alle Methoden
    METHODEN-DOSSIERMSC-P-015Experimente und KausalitätGeprüftes wissenschaftliches Dossier

    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

    1. 01

      Entscheidungsebene — Ergebnis mit deklarierter Entscheidung, Nutzenschwelle und Fehlerkosten verbinden.

    2. 02

      Praxis — Population, Einheit, Horizont, verfügbare Variablen und Analyseregel vor der Berechnung festlegen.

    3. 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.
    • 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?

    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_error

    Belegte 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

    1. 01

      Behandlungs- und Vergleichsgruppe, Zeitplan, Ergebnisdefinition und bereitgestellte clusterrobuste Unsicherheitsspezifikation festlegen.

    2. 02

      Änderung jeder Gruppe berechnen, die Vergleichsänderung von der Behandlungsänderung abziehen und das deklarierte Intervall bilden.

    3. 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=12
    • CI95=[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

    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?

    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

    1. 01

      Einen ATT für die vom Design erfassten Gruppen und Perioden schätzen.

    2. 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

    Formales Modell

    att_did = (treated_post − treated_pre) − (control_post − control_pre); CI = att_did ± z_critical × standard_error

    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.

    18

    Erwartetes Endergebnis

    1. 01

      Wie schätzt man einen Effekt mit Difference-in-Differences? — Einheit × Gruppe × Periode

    2. 02

      Y_T_post · Y_T_pre · Y_C_post · Y_C_pre · z · cluster_SE · ATT_DiD · CI

    3. 03

      att_did = (treated_post − treated_pre) − (control_post − control_pre); CI = att_did ± z_critical × standard_error

    4. 04

      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?

    5. 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.

    1. MSC-P015-C01 — Das kausale Ziel vergleicht mittlere potenzielle Ergebnisse unter zwei definierten Interventionen.
    2. MSC-P015-C02 — Konsistenz verbindet das beobachtete Ergebnis mit dem potenziellen Ergebnis unter der zugewiesenen Maßnahme.
    3. MSC-P015-C03 — Das Schätzen einer Regression begründet für sich kein kausales Design.
    4. MSC-P015-C04 — Identifikation erfordert explizite Annahmen paralleler Trends und fehlender Antizipation.
    5. MSC-P015-C05 — Der Rahmen unterscheidet gemeinsame und gestaffelte Einführungsdesigns.
    6. MSC-P015-C06 — Kovariatenanpassung hängt vom Identifikationsdesign ab.
    1. Hernán & Robins, Causal Inference: What If
    2. Arnold et al., 2020
    3. Callaway & Sant’Anna, 2021

    Datensatz · Werkzeug

    Datensatz · MSC-005Promotion-Inkrementalität→Werkzeug · MSC-T02DiD-Rechner→

    Methodische Verbindungen

    Übergeordnetes GebietMessung und Kausalität: Wie lässt sich ein Marketingeffekt belegen?ErfordertKorrelation oder Kausalität: Welche Aussage trägt eine Analyse wirklich?Vergleichen mitWie plant man ein geografisches Marketingexperiment?

    Als Nächstes

    MSC-H-001Messung und Kausalität: Wie lässt sich ein Marketingeffekt belegen?→MSC-P-002Korrelation oder Kausalität: Welche Aussage trägt eine Analyse wirklich?→MSC-P-014Wie plant man ein geografisches Marketingexperiment?→MSC-P-017Wie erkennt man Selektion, Kontamination und Ausfall in einem Experiment?→