Research & Evidence

Cerca un metodo

Cerca tra titoli, domande, territori e identificativi MSC.

    ← Tutti i metodi
    SCHEDA METODOMSC-P-015Sperimentazione e causalitàDossier scientifico verificato

    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

    1. 01

      Decisore — Collegare il risultato a decisione, soglia utile e costo dell’errore dichiarati.

    2. 02

      Professionista — Fissare popolazione, unità, orizzonte, variabili disponibili e regola di analisi prima del calcolo.

    3. 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.
    • 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?

    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_error

    Affermazioni 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

    1. 01

      Fissare gruppi trattato e confronto, tempistica, definizione del risultato e specificazione dell’incertezza robusta al raggruppamento fornita.

    2. 02

      Calcolare la variazione di ogni gruppo, sottrarre la variazione del confronto da quella del trattato e costruire l’intervallo dichiarato.

    3. 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=12
    • CI95=[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

    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?

    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

    1. 01

      Stimare un ATT per gruppi e periodi coperti dal disegno.

    2. 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

    Modello formale

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

    Dossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.

    18

    Risultato finale atteso

    1. 01

      Come stimare un effetto con la differenza nelle differenze? — Unità × gruppo × periodo

    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

      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?

    5. 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.

    1. MSC-P015-C01 — L’obiettivo causale confronta i risultati potenziali medi sotto due interventi definiti.
    2. MSC-P015-C02 — La coerenza collega il risultato osservato al risultato potenziale sotto la politica assegnata.
    3. MSC-P015-C03 — L’adattamento di una regressione non stabilisce di per sé un disegno causale.
    4. MSC-P015-C04 — L’identificazione richiede ipotesi esplicite di trend paralleli e assenza di anticipazione.
    5. MSC-P015-C05 — Il quadro distingue disegni con adozione comune e scaglionata.
    6. MSC-P015-C06 — L’aggiustamento per covariate dipende dal disegno di identificazione.
    1. Hernán & Robins, Causal Inference: What If
    2. Arnold et al., 2020
    3. Callaway & Sant’Anna, 2021

    Dati · Strumento

    Dati · MSC-005Incrementalità promozionale→Strumento · MSC-T02Calcolatore DiD→

    Connessioni metodologiche

    Territorio principaleMisurazione e causalità: come stabilire un effetto di marketing?RichiedeCorrelazione o causalità: cosa consente davvero di affermare un’analisi?Confronta conCome progettare un esperimento geografico di marketing?

    Da leggere dopo

    MSC-H-001Misurazione e causalità: come stabilire un effetto di marketing?→MSC-P-002Correlazione o causalità: cosa consente davvero di affermare un’analisi?→MSC-P-014Come progettare un esperimento geografico di marketing?→MSC-P-017Come rilevare selezione, contaminazione e perdita di osservazioni in un esperimento?→