Продолжение про diff-in-diff

За последнее десятилетие метод сильно вырос. Выяснилось, что классический DiD даёт неверные результаты в очень распространённой ситуации: когда разные группы получают воздействие в разное время. Например, если фича раскатывается на пользователей волнами. Goodman-Bacon (2021) и Callaway & Sant'Anna (2021) разобрали, почему так происходит, и предложили решения (даже библиотеку в R написали).

Отдельное направление — что делать, если вы не уверены в параллельности трендов. Rambachan & Roth (2023) предложили подход, который помогает в ситуации, когда тренды немного расходятся до воздействия и хочется понять, достаточно ли это серьёзно, чтобы не доверять результату. И тоже написали библиотеку в R. Это не полный фикс проблемы непараллельности, но попытка всё же поработать с данными, тренды которых не идеально параллельны на предпериоде.

Я надеюсь, у вас большинство фичей катится через АБ-тесты и можно не париться с такими методами, как Diff-in-Diff, спите спокойно 😘

👀 — спасибо, плюс одна причина, почему я не смогу уснуть
🔥 — крууууутоооо, diff-in-diff
🏆 — а я всё уже знал

#Вика