Обзорная статья про разность разностей

Ключевые слова: методы оценки причинности, разность разностей
Сложность: ⭐️⭐️

Несмотря на то, что метод «разность разностей» (DID) успешно используется прикладными исследователями уже несколько десятилетий, в 2020 году начался новый этап его методологического развития. Был опубликован ряд статей, которые рассматривают серьезные недостатки применения моделей с фиксированными эффектами (two-way fixed effects, TWFE) для оценки эффектов (а это очень распространенная практика). *Модель TWFE это обычная регрессия, в которую дополнительно включены фиксированные временные и индивидуальные эффекты.

Основные проблемы c TWFE возникают, когда:

• Временных периода не два, как в классической модели разности разностей, а больше

• Наблюдения из экспериментальной группы подвергаются воздействию не одновременно, а в разные моменты времени (variation in treatment timing). Например, регионы могут вводить какую-то политику в разные годы.

• Оцениваемый эффект не гомогенен, а отличается для разных наблюдений (treatment effect heterogeneity)

Сложности возникают из-за того, что неявно в такой модели подвергшиеся воздействию наблюдения сравниваются не только с теми наблюдениями, которые еще не подверглись воздействию, но и с теми, которые подверглись воздействию в более ранние периоды. В результате, попытка свести оцениваемый эффект к единственному параметру α из регрессии оказывается несостоятельной.

Чтобы познакомиться с новыми подходами к оценке эффектов с помощью разности разностей, можно прочитать хорошую обзорную статью Difference-in-Differences for Policy Evaluation профессора Университета Джорджии Brantly Callaway, которую он написал для своего нового учебника Statistical Tools for Causal Inference (в учебнике еще много ненаписанных глав). На русском языке прочитать про разность разностей можно в переводной статье Джеффри Вулриджа, опубликованной в журнале Квантиль.

👉 Подписаться на доказательный ⎵ пробел: https://t.me/evidencespace