Research & Evidence

Rechercher une méthode

Recherchez parmi les titres, les questions, les territoires et les identifiants MSC.

    ← Toutes les méthodes
    FICHE MÉTHODEMSC-P-015Expérimentation et causalitéDossier scientifique vérifié

    Comment estimer un effet avec une différence-de-différences ?

    La différence-de-différences compare l’évolution du groupe traité à celle d’un groupe non traité. L’identification repose sur des tendances parallèles crédibles en l’absence de traitement.

    Rédaction scientifique : Marketing Science Center

    Réponse directe

    Estimer un ATT pour les groupes et périodes couverts par le design.

    La différence-de-différences compare l’évolution du groupe traité à celle d’un groupe non traité. L’identification repose sur des tendances parallèles crédibles en l’absence de traitement.

    Hernán & Robins, Causal Inference: What IfArnold et al., 2020

    01

    Résumé opérationnel

    Question scientifique et périmètre

    Comment estimer un effet avec une différence-de-différences ?

    Recevable

    Estimer un ATT pour les groupes et périodes couverts par le design.

    Interdit

    Valider les tendances parallèles futures avec le seul pré-test.

    02

    Trois niveaux de lecture

    1. 01

      Décideur — Relier le résultat à une décision, un seuil utile et un coût d’erreur déclarés.

    2. 02

      Praticien — Fixer population, unité, horizon, variables disponibles et règle d’analyse avant le calcul.

    3. 03

      Analyste — Reproduire le calcul, quantifier l’incertitude et documenter diagnostics, échecs et sensibilités.

    03

    Situation marketing concrète

    La différence-de-différences compare l’évolution du groupe traité à celle d’un groupe non traité. L’identification repose sur des tendances parallèles crédibles en l’absence de traitement.

    04

    Question scientifique et périmètre

    Comment estimer un effet avec une différence-de-différences ?

    ATT dans un plan à deux groupes et deux périodes

    Données nécessaires

    unité × groupe × période

    La population, l’unité d’analyse, la date d’origine et l’horizon doivent être déclarés dans le livrable. Sans eux, l’estimand change silencieusement.

    05

    Pourquoi une analyse simple peut échouer

    • Valider les tendances parallèles futures avec le seul pré-test.
    • Les tendances antérieures au traitement sont-elles crédibles pour le groupe de comparaison choisi ?
    • Les unités pourraient-elles anticiper le traitement ou changer de composition avant l’adoption ?
    • En cas d’adoption échelonnée, utilise-t-on ATT par groupe et période plutôt qu’une agrégation TWFE invalide ?

    06

    Intuition de la méthode

    La méthode ne transforme pas automatiquement une association en preuve. Elle relie une question déclarée à un estimand, une spécification, des données compatibles et une règle d’interprétation limitée.

    ATT dans un plan à deux groupes et deux périodes

    07

    Données nécessaires

    Dictionnaire des symboles scientifiques

    Y_T_post
    Résultat moyen des unités du groupe traité après l’intervention. Unité : résultat · Type : nombre · Rôle : entrée
    Y_T_pre
    Résultat moyen du même groupe traité pendant la période antérieure déclarée. Unité : résultat · Type : nombre · Rôle : entrée
    Y_C_post
    Résultat moyen du groupe de comparaison déclaré pendant la période postérieure. Unité : résultat · Type : nombre · Rôle : entrée
    Y_C_pre
    Résultat moyen du même groupe de comparaison pendant la période antérieure. Unité : résultat · Type : nombre · Rôle : entrée
    z
    Valeur critique bilatérale de la loi normale pour le niveau de confiance déclaré. Unité : sans dimension · Type : nombre strictement positif · Rôle : paramètre
    cluster_SE
    Erreur standard robuste à la mise en grappes, fournie extérieurement pour le contraste DiD de cette illustration scellée. Unité : résultat · Type : nombre strictement positif · Rôle : entrée
    ATT_DiD
    Contraste de différences de différences à deux périodes, interprétable causalement uniquement sous les hypothèses d’identification déclarées. Unité : résultat · Type : nombre · Rôle : sortie
    CI
    Intervalle normal fondé sur l’erreur standard robuste à la mise en grappes fournie. Unité : résultat · Type : couple ordonné · Rôle : sortie

    Entrées exactes et scellées du moteur

    treated_pre
    Valeur : 100 · Unité : indice · Type : nombre · Statut des données : synthétique
    treated_post
    Valeur : 120 · Unité : indice · Type : nombre · Statut des données : synthétique
    control_pre
    Valeur : 90 · Unité : indice · Type : nombre · Statut des données : synthétique
    control_post
    Valeur : 98 · Unité : indice · Type : nombre · Statut des données : synthétique
    standard_error
    Valeur : 4 · Unité : indice · Type : nombre · Statut des données : synthétique
    z_critical
    Valeur : 1.95996398454 · Unité : sans dimension · Type : nombre · Statut des données : paramètre déclaré

    08

    Modèle formel

    Modèle formel

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

    Affirmations étayées : MSC-P015-C01 · MSC-P015-C02 · MSC-P015-C03 · MSC-P015-C04 · MSC-P015-C05 · MSC-P015-C06

    Question scientifique et périmètre

    ATT dans un plan à deux groupes et deux périodes

    09

    Calcul déclaré

    1. 01

      Figer les groupes traité et de comparaison, le calendrier, la définition du résultat et la spécification d’incertitude robuste à la mise en grappes fournie.

    2. 02

      Calculer la variation de chaque groupe, soustraire la variation du groupe de comparaison à celle du groupe traité, puis former l’intervalle déclaré.

    3. 03

      Interpréter le contraste comme ATT uniquement si les tendances parallèles, l’absence d’anticipation, le recouvrement et le calendrier de comparaison sont défendables.

    10

    Exemple numérique ou cas d’application

    Exemple calculé — données synthétiques ou paramètres déclarés ; aucune observation réelle

    Entrées scellées

    • treated_pre=100 [indice]
    • treated_post=120 [indice]
    • control_pre=90 [indice]
    • control_post=98 [indice]
    • standard_error=4 [indice]
    • z_critical=1.95996398454 [sans dimension]

    Résultats reproductibles

    • ATT_DiD=12
    • CI95=[4.160144; 19.839856]

    Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.

    11

    Hypothèses de validité

    • Les tendances antérieures au traitement sont-elles crédibles pour le groupe de comparaison choisi ?
    • Les unités pourraient-elles anticiper le traitement ou changer de composition avant l’adoption ?
    • En cas d’adoption échelonnée, utilise-t-on ATT par groupe et période plutôt qu’une agrégation TWFE invalide ?

    12

    Diagnostics et incertitude

    Diagnostics et incertitude

    Les tendances antérieures au traitement sont-elles crédibles pour le groupe de comparaison choisi ? · Les unités pourraient-elles anticiper le traitement ou changer de composition avant l’adoption ? · En cas d’adoption échelonnée, utilise-t-on ATT par groupe et période plutôt qu’une agrégation TWFE invalide ?

    Diagnostic borné

    L’interprétation exige toujours des tendances parallèles, l’absence d’anticipation et un plan de variance groupée approprié.

    Contrat explicite d’incertitude · quantified_conditional

    Méthode : Calcul déterministe du moteur de référence sur le sous-ensemble d’entrées scellé.

    Cible : Incertitude de l’illustration ATT en différences de différences.

    Preuve du moteur : metric.ci_lower= · metric.ci_upper=

    Interprétation : L’intervalle est conditionnel à l’erreur standard robuste à la mise en grappes fournie et ne permet pas d’établir les tendances parallèles.

    Arrêter si

    Valider les tendances parallèles futures avec le seul pré-test.

    13

    Interprétation du résultat

    • Estimer un ATT pour les groupes et périodes couverts par le design.
    • Le résultat est conditionnel à la population, à l’horizon, à la spécification et aux contrôles déclarés. Il ne doit pas être étendu à une autre décision sans nouvelle justification.

    14

    Conclusion recevable et conclusion interdite

    Recevable

    Estimer un ATT pour les groupes et périodes couverts par le design.

    Interdit

    Valider les tendances parallèles futures avec le seul pré-test.

    15

    Décision marketing possible

    1. 01

      Estimer un ATT pour les groupes et périodes couverts par le design.

    2. 02

      Le résultat est conditionnel à la population, à l’horizon, à la spécification et aux contrôles déclarés. Il ne doit pas être étendu à une autre décision sans nouvelle justification.

    16

    Quand utiliser — quand s’arrêter

    Utiliser si

    Estimer un ATT pour les groupes et périodes couverts par le design.

    unité × groupe × période

    Arrêter si

    Valider les tendances parallèles futures avec le seul pré-test.

    Alternatives méthodologiques

    • Estimer ATT par groupe et période avec comme contrôles les unités non encore traitées ou jamais traitées en cas d’adoption échelonnée.
    • Utiliser un plan d’étude d’événement pour présenter les effets dynamiques et les diagnostics des tendances antérieures.
    • Privilégier un déploiement randomisé lorsque le calendrier de l’intervention peut être assigné.

    17

    Contrat de reproductibilité

    Python et R servent de références exécutables. SPSS et SAS restent des syntaxes secondaires jusqu’à vérification sur les mêmes données, la même spécification et les mêmes contrôles.

    Le moteur sélectionne uniquement le slice et la branche explicite de cette page. Son hash, ses sorties et ses diagnostics restent scellés dans le dossier atomique ; aucune branche générique de repli n’est autorisée.

    Empreinte du slice : 928e93319b64e017684dad7e878d79a85a38b2296a0925cc3597773489b3fc56

    Actif disponible · MSC-005

    Incrémentalité promotionnelle

    Actif disponible · MSC-T02

    Calculateur DiD

    Modèle formel

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

    Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.

    18

    Livrable final attendu

    1. 01

      Comment estimer un effet avec une différence-de-différences ? — unité × groupe × période

    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

      Les tendances antérieures au traitement sont-elles crédibles pour le groupe de comparaison choisi ? · Les unités pourraient-elles anticiper le traitement ou changer de composition avant l’adoption ? · En cas d’adoption échelonnée, utilise-t-on ATT par groupe et période plutôt qu’une agrégation TWFE invalide ?

    5. 05

      Estimer un ATT pour les groupes et périodes couverts par le design. / Valider les tendances parallèles futures avec le seul pré-test.

    19

    Sources scientifiques et statut de preuve

    Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.

    1. MSC-P015-C01 — La cible causale compare les moyennes des résultats potentiels sous deux interventions définies.
    2. MSC-P015-C02 — La cohérence relie le résultat observé au résultat potentiel sous la politique assignée.
    3. MSC-P015-C03 — L’ajustement d’une régression n’établit pas à lui seul un plan causal.
    4. MSC-P015-C04 — L’identification exige des hypothèses explicites de tendances parallèles et d’absence d’anticipation.
    5. MSC-P015-C05 — Le cadre distingue les plans à date d’adoption commune des plans à adoption échelonnée.
    6. MSC-P015-C06 — L’ajustement sur les covariables dépend du plan d’identification.
    1. Hernán & Robins, Causal Inference: What If
    2. Arnold et al., 2020
    3. Callaway & Sant’Anna, 2021

    Dataset · Outil

    Dataset · MSC-005Incrémentalité promotionnelle→Outil · MSC-T02Calculateur DiD→

    Connexions méthodologiques

    Territoire parentMesure et causalité : comment établir un effet marketing ?PrérequisCorrélation ou causalité : que permet réellement d’affirmer une analyse ?Comparer avecComment concevoir une expérience géographique marketing ?

    À lire ensuite

    MSC-H-001Mesure et causalité : comment établir un effet marketing ?→MSC-P-002Corrélation ou causalité : que permet réellement d’affirmer une analyse ?→MSC-P-014Comment concevoir une expérience géographique marketing ?→MSC-P-017Comment détecter sélection, contamination et attrition dans une expérience ?→