¿Cómo estimar un efecto con diferencias en diferencias?
Diferencias en diferencias compara la evolución del grupo tratado con la del no tratado. La identificación depende de tendencias paralelas creíbles sin tratamiento.
Redacción científica : Marketing Science Center
Respuesta directa
Estimar un ATT para grupos y periodos cubiertos por el diseño.
Diferencias en diferencias compara la evolución del grupo tratado con la del no tratado. La identificación depende de tendencias paralelas creíbles sin tratamiento.
Hernán & Robins, Causal Inference: What IfArnold et al., 2020
01
Resumen operativo
Pregunta científica y alcance
¿Cómo estimar un efecto con diferencias en diferencias?
Admisible
Estimar un ATT para grupos y periodos cubiertos por el diseño.
Prohibido
Demostrar tendencias paralelas futuras solo con datos previos.
02
Tres niveles de lectura
- 01
Responsable — Conectar el resultado con una decisión, un umbral útil y un coste de error declarados.
- 02
Profesional — Fijar población, unidad, horizonte, variables disponibles y regla de análisis antes del cálculo.
- 03
Analista — Reproducir el cálculo, cuantificar la incertidumbre y documentar diagnósticos, fallos y sensibilidad.
03
Situación de marketing concreta
Diferencias en diferencias compara la evolución del grupo tratado con la del no tratado. La identificación depende de tendencias paralelas creíbles sin tratamiento.
04
Pregunta científica y alcance
¿Cómo estimar un efecto con diferencias en diferencias?
ATT en un diseño de dos grupos y dos periodos
Datos necesarios
Unidad × grupo × periodo
La población, la unidad de análisis, la fecha de origen y el horizonte deben declararse en el entregable. Sin ellos, el estimando cambia sin advertencia.
05
Por qué puede fallar un análisis simple
- Demostrar tendencias paralelas futuras solo con datos previos.
- Tendencias previas
- Anticipación
- Usar el ATT grupo-tiempo para la adopción escalonada
06
Intuición del método
El método no convierte automáticamente una asociación en evidencia. Vincula una pregunta declarada con un estimando, una especificación, datos compatibles y una regla de interpretación limitada.
ATT en un diseño de dos grupos y dos periodos
07
Datos necesarios
Diccionario de símbolos científicos
Y_T_post- Resultado medio de las unidades del grupo tratado después de la intervención. Unidad:
resultado· Tipo:número· Función:entrada Y_T_pre- Resultado medio del mismo grupo tratado en el periodo previo declarado. Unidad:
resultado· Tipo:número· Función:entrada Y_C_post- Resultado medio del grupo de comparación declarado en el periodo posterior. Unidad:
resultado· Tipo:número· Función:entrada Y_C_pre- Resultado medio del mismo grupo de comparación en el periodo previo. Unidad:
resultado· Tipo:número· Función:entrada z- Valor crítico normal bilateral para el nivel de confianza declarado. Unidad:
adimensional· Tipo:número positivo· Función:parámetro cluster_SE- Error estándar robusto al agrupamiento suministrado externamente para el contraste DiD de esta ilustración sellada. Unidad:
resultado· Tipo:número positivo· Función:entrada ATT_DiD- Contraste de diferencias en diferencias de dos periodos, interpretable causalmente solo bajo los supuestos de identificación declarados. Unidad:
resultado· Tipo:número· Función:salida CI- Intervalo normal basado en el error estándar robusto al agrupamiento suministrado. Unidad:
resultado· Tipo:par ordenado· Función:salida
Entradas exactas y selladas del motor
treated_pre- Valor:
100· Unidad:índice· Tipo:número· Estado de los datos:sintético treated_post- Valor:
120· Unidad:índice· Tipo:número· Estado de los datos:sintético control_pre- Valor:
90· Unidad:índice· Tipo:número· Estado de los datos:sintético control_post- Valor:
98· Unidad:índice· Tipo:número· Estado de los datos:sintético standard_error- Valor:
4· Unidad:índice· Tipo:número· Estado de los datos:sintético z_critical- Valor:
1.95996398454· Unidad:adimensional· Tipo:número· Estado de los datos:parámetro declarado
08
Modelo formal
Modelo formal
att_did = (treated_post − treated_pre) − (control_post − control_pre); CI = att_did ± z_critical × standard_errorAfirmaciones respaldadas: MSC-P015-C01 · MSC-P015-C02 · MSC-P015-C03 · MSC-P015-C04 · MSC-P015-C05 · MSC-P015-C06
Pregunta científica y alcance
ATT en un diseño de dos grupos y dos periodos
09
Cálculo declarado
- 01
Fijar grupos tratado y de comparación, calendario, definición del resultado y especificación de incertidumbre robusta al agrupamiento suministrada.
- 02
Calcular el cambio de cada grupo, restar el cambio de comparación al tratado y formar el intervalo declarado.
- 03
Interpretar como ATT solo si son defendibles las tendencias paralelas, la ausencia de anticipación, el solapamiento y un calendario de comparación válido.
10
Ejemplo numérico o caso de aplicación
Ejemplo calculado — datos sintéticos o parámetros declarados; ninguna observación real
Entradas selladas
treated_pre=100 [índice]treated_post=120 [índice]control_pre=90 [índice]control_post=98 [índice]standard_error=4 [índice]z_critical=1.95996398454 [adimensional]
Resultados reproducibles
ATT_DiD=12CI95=[4.160144; 19.839856]
Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.
11
Supuestos de validez
- ¿Son creíbles las tendencias previas al tratamiento para el grupo de comparación elegido?
- ¿Podrían las unidades anticipar el tratamiento o cambiar su composición antes de la adopción?
- Con adopción escalonada, ¿se usa el ATT grupo-tiempo en lugar de una agregación inválida de efectos fijos bidireccionales?
12
Diagnósticos e incertidumbre
Diagnósticos e incertidumbre
Tendencias previas · Anticipación · Usar el ATT grupo-tiempo para la adopción escalonada · Incertidumbre robusta al agrupamiento
Diagnóstico acotado
ATT 2×2 descriptivo con intervalo condicionado al error estándar robusto al agrupamiento suministrado; no se verifican tendencias paralelas.
Contrato explícito de incertidumbre · quantified_conditional
Método : Cálculo determinista del motor de referencia sobre el segmento de entradas sellado.
Objetivo : Incertidumbre de la ilustración del ATT mediante diferencias en diferencias.
Evidencia del motor : metric.ci_lower= · metric.ci_upper=
Interpretación : El intervalo está condicionado al error estándar robusto al agrupamiento suministrado y no establece tendencias paralelas.
Detenerse si
Demostrar tendencias paralelas futuras solo con datos previos.
13
Interpretación del resultado
- Estimar un ATT para grupos y periodos cubiertos por el diseño.
- El resultado está condicionado por la población, el horizonte, la especificación y los controles declarados. No debe extenderse a otra decisión sin nueva justificación.
14
Conclusión admisible y prohibida
Admisible
Estimar un ATT para grupos y periodos cubiertos por el diseño.
Prohibido
Demostrar tendencias paralelas futuras solo con datos previos.
15
Decisión de marketing posible
- 01
Estimar un ATT para grupos y periodos cubiertos por el diseño.
- 02
El resultado está condicionado por la población, el horizonte, la especificación y los controles declarados. No debe extenderse a otra decisión sin nueva justificación.
16
Cuándo usar — cuándo detenerse
Usar si
Estimar un ATT para grupos y periodos cubiertos por el diseño.
Unidad × grupo × periodo
Detenerse si
Demostrar tendencias paralelas futuras solo con datos previos.
Alternativas metodológicas
- Estimar el ATT grupo-tiempo con controles aún no tratados o nunca tratados para la adopción escalonada.
- Usar un estudio de eventos para mostrar efectos dinámicos y diagnósticos de tendencias previas.
- Preferir una implantación aleatorizada cuando pueda asignarse el momento de la intervención.
17
Contrato de reproducibilidad
Python y R son las referencias ejecutables. SPSS y SAS siguen siendo sintaxis secundarias hasta verificarse con los mismos datos, especificación y diagnósticos.
El motor selecciona únicamente el segmento y la rama explícita de esta página. Su hash, salidas y diagnósticos quedan sellados en el expediente atómico; no se permite ninguna rama genérica de respaldo.
Huella del segmento: 928e93319b64e017684dad7e878d79a85a38b2296a0925cc3597773489b3fc56
Recurso disponible · MSC-005
Incrementalidad promocional
Recurso disponible · MSC-T02
Calculadora DiD
CSV · CC0
msc-validation-inputs-v1.csv ↓Python · MIT
msc-validation-reference-v1.py ↓R · MIT
msc-validation-reference-v1.R ↓SPSS / SAS · MIT · solo inspección
SPSS ↓SAS ↓Modelo formal
att_did = (treated_post − treated_pre) − (control_post − control_pre); CI = att_did ± z_critical × standard_errorDosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.
18
Entregable final esperado
- 01
¿Cómo estimar un efecto con diferencias en diferencias? —
Unidad × grupo × periodo - 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
Tendencias previas · Anticipación · Usar el ATT grupo-tiempo para la adopción escalonada · Incertidumbre robusta al agrupamiento
- 05
Estimar un ATT para grupos y periodos cubiertos por el diseño. / Demostrar tendencias paralelas futuras solo con datos previos.
19
Fuentes científicas y estado de la evidencia
Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.
MSC-P015-C01— El objetivo causal contrasta resultados potenciales medios bajo dos intervenciones definidas.MSC-P015-C02— La consistencia vincula el resultado observado con el resultado potencial bajo la política asignada.MSC-P015-C03— Ajustar una regresión no establece por sí mismo un diseño causal.MSC-P015-C04— La identificación exige supuestos explícitos de tendencias paralelas y ausencia de anticipación.MSC-P015-C05— El marco distingue diseños de adopción común y escalonada.MSC-P015-C06— El ajuste por covariables depende del diseño de identificación.
Datos · Herramienta
Conexiones metodológicas