В комментариях к прошлому посту Никита предложил добавить ещё marginaleffects – пакет полезный, поэтому решили вынести это в мини-пост

С одной стороны, пакет посвящён не только и не столько DiD
• Он предназначен для интерпретации любых моделей и решает общую проблему: коэффициент почти никогда не равен той величине, которую исследователь хочет сообщить. В нелинейной модели он измеряется в другой шкале, при взаимодействиях зависит от значения модератора, а в регрессии со всем набором взаимодействий (saturated regression) коэффициентов десятки, и усреднять их нужно с корректными весами
• marginaleffects берёт уже оценённую модель и вычисляет необходимые величины: предсказания, их сравнения при разных значениях переменной (contrasts) и средние предельные эффекты (average marginal effects) вместе со стандартными ошибками. Работает и в R, и в Python
• Подробнее мы писали в посте про условные предельные эффекты

С другой стороны, оказалось, что в нашем списке пакетов он все-таки незримо присутствует: пакет etwfe использует marginaleffects как зависимость, а его функция emfx() служит обёрткой над slopes(). Именно она превращает множество коэффициентов при взаимодействиях в интерпретируемую оценку ATT

Важная оговорка: смещение он не устраняет. Если применить его к наивной оценке TWFE, результат останется все еще смещённым, хоть и аккуратно агрегированным

А еще пока мы долго готовили пост, вышел новый хороший пакет
• В Python появилась версия did_multiplegt_stat от команды Клемана де Шеземартена. Пакет реализует оценщики из препринта (de Chaisemartin et al., 2022–2026) и предназначен для случая, когда воздействие непрерывно
• Идея: между периодами у одних единиц уровень воздействия меняется, у других остаётся прежним, и вторые служат контрольной группой для первых. Причём сравниваются только те, кто стартовал с одинакового исходного уровня: параллельные тренды предполагаются условно на нём
• Оценивается средний наклон (Average Slope, AS), то есть изменение исхода при росте воздействия на единицу, а также его взвешенная версия (WAS) и вариант с инструментом (IV-WAS). В отличие от DIDmultiplegtDYN, здесь речь о том, как эффект зависит от интенсивности воздействия (dose-response), а не о его динамике во времени
• Вспомогательные функции, например, модель изменения исхода и модель вероятности остаться на прежнем уровне, можно оценивать любым методом, совместимым с scikit-learn
• Чем это отличается от подхода Кэллоуэя, Гудмана-Бейкона и Сант'Анны, о котором мы писали в прошлом году (пакет contdid)? Там воздействие возникает у тех, кто раньше ему не подвергался, и контрольную группу образуют те, кто не подвергся ему вовсе. Здесь же некоторый уровень воздействия есть у всех изначально и лишь меняется, а контролем выступают те, у кого он остался прежним. Соответственно и предпосылка другая: параллельные тренды условно на исходном уровне воздействия

@causal_channel