Come stimare un effetto con la differenza nelle differenze?
La differenza nelle differenze confronta l’evoluzione del gruppo trattato con quella del gruppo non trattato. L’identificazione richiede trend paralleli credibili senza trattamento.
Redazione scientifica : Marketing Science Center
Risposta diretta
Stimare un ATT per gruppi e periodi coperti dal disegno.
La differenza nelle differenze confronta l’evoluzione del gruppo trattato con quella del gruppo non trattato. L’identificazione richiede trend paralleli credibili senza trattamento.
Hernán & Robins, Causal Inference: What IfArnold et al., 2020
01
Sintesi operativa
Domanda scientifica e perimetro
Come stimare un effetto con la differenza nelle differenze?
Ammissibile
Stimare un ATT per gruppi e periodi coperti dal disegno.
Vietato
Provare trend paralleli futuri dai soli dati pre-trattamento.
02
Tre livelli di lettura
- 01
Decisore — Collegare il risultato a decisione, soglia utile e costo dell’errore dichiarati.
- 02
Professionista — Fissare popolazione, unità, orizzonte, variabili disponibili e regola di analisi prima del calcolo.
- 03
Analista — Riprodurre il calcolo, quantificare l’incertezza e documentare diagnostica, fallimenti e sensibilità.
03
Situazione marketing concreta
La differenza nelle differenze confronta l’evoluzione del gruppo trattato con quella del gruppo non trattato. L’identificazione richiede trend paralleli credibili senza trattamento.
04
Domanda scientifica e perimetro
Come stimare un effetto con la differenza nelle differenze?
ATT in un disegno con due gruppi e due periodi
Dati necessari
Unità × gruppo × periodo
Popolazione, unità di analisi, data di origine e orizzonte devono essere dichiarati nel risultato. Senza di essi l’estimando cambia silenziosamente.
05
Perché un’analisi semplice può fallire
- Provare trend paralleli futuri dai soli dati pre-trattamento.
- Trend precedenti
- Anticipazione
- Usare l’ATT gruppo-tempo per l’adozione scaglionata
06
Intuizione del metodo
Il metodo non trasforma automaticamente un’associazione in evidenza. Collega una domanda dichiarata a estimando, specificazione, dati compatibili e regola interpretativa limitata.
ATT in un disegno con due gruppi e due periodi
07
Dati necessari
Dizionario dei simboli scientifici
Y_T_post- Risultato medio delle unità del gruppo trattato dopo l’intervento. Unità:
risultato· Tipo:numero· Ruolo:input Y_T_pre- Risultato medio dello stesso gruppo trattato nel periodo precedente dichiarato. Unità:
risultato· Tipo:numero· Ruolo:input Y_C_post- Risultato medio del gruppo di confronto dichiarato nel periodo successivo. Unità:
risultato· Tipo:numero· Ruolo:input Y_C_pre- Risultato medio dello stesso gruppo di confronto nel periodo precedente. Unità:
risultato· Tipo:numero· Ruolo:input z- Valore critico normale bilaterale per il livello di confidenza dichiarato. Unità:
adimensionale· Tipo:numero positivo· Ruolo:parametro cluster_SE- Errore standard robusto al raggruppamento fornito esternamente per il contrasto DiD di questa illustrazione sigillata. Unità:
risultato· Tipo:numero positivo· Ruolo:input ATT_DiD- Contrasto di differenza nelle differenze su due periodi, interpretabile causalmente solo sotto le ipotesi di identificazione dichiarate. Unità:
risultato· Tipo:numero· Ruolo:output CI- Intervallo normale basato sull’errore standard robusto al raggruppamento fornito. Unità:
risultato· Tipo:coppia ordinata· Ruolo:output
Input esatti e sigillati del motore
treated_pre- Valore:
100· Unità:indice· Tipo:numero· Stato dei dati:sintetico treated_post- Valore:
120· Unità:indice· Tipo:numero· Stato dei dati:sintetico control_pre- Valore:
90· Unità:indice· Tipo:numero· Stato dei dati:sintetico control_post- Valore:
98· Unità:indice· Tipo:numero· Stato dei dati:sintetico standard_error- Valore:
4· Unità:indice· Tipo:numero· Stato dei dati:sintetico z_critical- Valore:
1.95996398454· Unità:adimensionale· Tipo:numero· Stato dei dati:parametro dichiarato
08
Modello formale
Modello formale
att_did = (treated_post − treated_pre) − (control_post − control_pre); CI = att_did ± z_critical × standard_errorAffermazioni supportate: MSC-P015-C01 · MSC-P015-C02 · MSC-P015-C03 · MSC-P015-C04 · MSC-P015-C05 · MSC-P015-C06
Domanda scientifica e perimetro
ATT in un disegno con due gruppi e due periodi
09
Calcolo dichiarato
- 01
Fissare gruppi trattato e confronto, tempistica, definizione del risultato e specificazione dell’incertezza robusta al raggruppamento fornita.
- 02
Calcolare la variazione di ogni gruppo, sottrarre la variazione del confronto da quella del trattato e costruire l’intervallo dichiarato.
- 03
Interpretare come ATT solo se trend paralleli, assenza di anticipazione, sovrapposizione e tempistica valida del confronto sono difendibili.
10
Esempio numerico o caso applicativo
Esempio calcolato — dati sintetici o parametri dichiarati; nessuna osservazione reale
Input sigillati
treated_pre=100 [indice]treated_post=120 [indice]control_pre=90 [indice]control_post=98 [indice]standard_error=4 [indice]z_critical=1.95996398454 [adimensionale]
Risultati riproducibili
ATT_DiD=12CI95=[4.160144; 19.839856]
Dossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.
11
Ipotesi di validità
- I trend pre-trattamento sono credibili per il gruppo di confronto scelto?
- Le unità potrebbero anticipare il trattamento o cambiare composizione prima dell’adozione?
- Con adozione scaglionata, si usa l’ATT gruppo-tempo invece di un’aggregazione a effetti fissi bidirezionali non valida?
12
Diagnostica e incertezza
Diagnostica e incertezza
Trend precedenti · Anticipazione · Usare l’ATT gruppo-tempo per l’adozione scaglionata · Incertezza robusta al raggruppamento
Diagnostica limitata
ATT 2×2 descrittivo con intervallo condizionato all’errore standard robusto al raggruppamento fornito; i trend paralleli non sono verificati.
Contratto esplicito d’incertezza · quantified_conditional
Metodo : Calcolo deterministico del motore di riferimento sul segmento di input sigillato.
Obiettivo : Incertezza dell’illustrazione dell’ATT mediante differenza nelle differenze.
Evidenza del motore : metric.ci_lower= · metric.ci_upper=
Interpretazione : L’intervallo è condizionato all’errore standard robusto al raggruppamento fornito e non stabilisce i trend paralleli.
Fermarsi se
Provare trend paralleli futuri dai soli dati pre-trattamento.
13
Interpretazione del risultato
- Stimare un ATT per gruppi e periodi coperti dal disegno.
- Il risultato è condizionato da popolazione, orizzonte, specificazione e controlli dichiarati. Non va esteso a un’altra decisione senza nuova giustificazione.
14
Conclusione ammissibile e vietata
Ammissibile
Stimare un ATT per gruppi e periodi coperti dal disegno.
Vietato
Provare trend paralleli futuri dai soli dati pre-trattamento.
15
Decisione marketing possibile
- 01
Stimare un ATT per gruppi e periodi coperti dal disegno.
- 02
Il risultato è condizionato da popolazione, orizzonte, specificazione e controlli dichiarati. Non va esteso a un’altra decisione senza nuova giustificazione.
16
Quando usare — quando fermarsi
Usare se
Stimare un ATT per gruppi e periodi coperti dal disegno.
Unità × gruppo × periodo
Fermarsi se
Provare trend paralleli futuri dai soli dati pre-trattamento.
Alternative metodologiche
- Stimare l’ATT gruppo-tempo usando come controlli unità non ancora trattate o mai trattate nell’adozione scaglionata.
- Usare uno studio degli eventi per mostrare effetti dinamici e diagnostica dei trend precedenti.
- Preferire un’introduzione randomizzata quando è possibile assegnare la tempistica dell’intervento.
17
Contratto di riproducibilità
Python e R sono i riferimenti eseguibili. SPSS e SAS restano sintassi secondarie finché non sono verificati sugli stessi dati, specificazione e controlli.
Il motore seleziona solo lo slice e il ramo esplicito di questa pagina. Hash, output e diagnostica restano sigillati nel dossier atomico; non è consentito alcun ramo generico di ripiego.
Impronta dello slice: 928e93319b64e017684dad7e878d79a85a38b2296a0925cc3597773489b3fc56
Risorsa disponibile · MSC-005
Incrementalità promozionale
Risorsa disponibile · MSC-T02
Calcolatore 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 ispezione
SPSS ↓SAS ↓Modello formale
att_did = (treated_post − treated_pre) − (control_post − control_pre); CI = att_did ± z_critical × standard_errorDossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.
18
Risultato finale atteso
- 01
Come stimare un effetto con la differenza nelle differenze? —
Unità × gruppo × 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
Trend precedenti · Anticipazione · Usare l’ATT gruppo-tempo per l’adozione scaglionata · Incertezza robusta al raggruppamento
- 05
Stimare un ATT per gruppi e periodi coperti dal disegno. / Provare trend paralleli futuri dai soli dati pre-trattamento.
19
Fonti scientifiche e stato dell’evidenza
Dossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.
MSC-P015-C01— L’obiettivo causale confronta i risultati potenziali medi sotto due interventi definiti.MSC-P015-C02— La coerenza collega il risultato osservato al risultato potenziale sotto la politica assegnata.MSC-P015-C03— L’adattamento di una regressione non stabilisce di per sé un disegno causale.MSC-P015-C04— L’identificazione richiede ipotesi esplicite di trend paralleli e assenza di anticipazione.MSC-P015-C05— Il quadro distingue disegni con adozione comune e scaglionata.MSC-P015-C06— L’aggiustamento per covariate dipende dal disegno di identificazione.
Dati · Strumento
Connessioni metodologiche