Principal Otro Estimación de diferencias en diferencias

Estimación de diferencias en diferencias

Descripción general

Software

Descripción

Sitios web

lista de programas de vinculación a la escuela de medicina

Lecturas

Cursos

Descripción general

La técnica de diferencia en diferencia (DID) se originó en el campo de la econometría, pero la lógica subyacente a la técnica ha sido utilizada ya en la década de 1850 por John Snow y se denomina el `` estudio controlado antes y después '' en algunos estudios sociales. ciencias.

Descripción

DID es un diseño cuasi-experimental que utiliza datos longitudinales de los grupos de tratamiento y control para obtener un contrafactual apropiado para estimar un efecto causal. El DID se usa típicamente para estimar el efecto de una intervención o tratamiento específico (como la aprobación de una ley, la promulgación de una política o la implementación de un programa a gran escala) comparando los cambios en los resultados a lo largo del tiempo entre una población que está inscrita en un programa. (el grupo de intervención) y una población que no lo es (el grupo de control).


Figura 1. Estimación de diferencias en diferencias, explicación gráfica

El DID se utiliza en entornos de observación donde no se puede suponer la intercambiabilidad entre los grupos de tratamiento y control. DID se basa en un supuesto de intercambiabilidad menos estricto, es decir, en ausencia de tratamiento, las diferencias no observadas entre los grupos de tratamiento y de control son las mismas con el tiempo. Por lo tanto, la diferencia en diferencias es una técnica útil para usar cuando la aleatorización a nivel individual no es posible. DID requiere datos previos y posteriores a la intervención, como datos de cohorte o de panel (datos a nivel individual a lo largo del tiempo) o datos transversales repetidos (nivel individual o grupal). El enfoque elimina los sesgos en las comparaciones del período posterior a la intervención entre el grupo de tratamiento y el grupo de control que podrían ser el resultado de diferencias permanentes entre esos grupos, así como los sesgos de las comparaciones a lo largo del tiempo en el grupo de tratamiento que podrían ser el resultado de tendencias debido a otros causas del resultado.

Causal Effects (Ya=1 – Ya=0)
El DID generalmente se usa para estimar el efecto del tratamiento en los tratados (efecto causal en los expuestos), aunque con supuestos más sólidos, la técnica puede usarse para estimar el Efecto Promedio del Tratamiento (ATE) o el efecto causal en la población. Consulte el artículo de Lechner 2011 para obtener más detalles.

Supuestos

Para estimar cualquier efecto causal, se deben cumplir tres supuestos: intercambiabilidad, positividad y Supuesto de valor de tratamiento de unidad estable (SUTVA) 1
. La estimación DID también requiere que:

  • Intervención no relacionada con el resultado al inicio (la asignación de la intervención no se determinó por el resultado)

  • Los grupos de tratamiento / intervención y de control tienen tendencias paralelas en los resultados (consulte los detalles a continuación)

  • La composición de los grupos de intervención y comparación es estable para el diseño transversal repetido (parte de SUTVA)

  • Sin efectos secundarios (parte de SUTVA)

Supuesto de tendencia paralela
El supuesto de tendencia paralela es el más crítico de los cuatro supuestos anteriores para garantizar la validez interna de los modelos DID y es el más difícil de cumplir. Requiere que, en ausencia de tratamiento, la diferencia entre el grupo de 'tratamiento' y el grupo de 'control' sea constante en el tiempo. Aunque no existe una prueba estadística para esta suposición, la inspección visual es útil cuando tiene observaciones en muchos puntos de tiempo. También se ha propuesto que cuanto menor sea el período de tiempo probado, es más probable que se mantenga la suposición. La violación del supuesto de tendencia paralela conducirá a una estimación sesgada del efecto causal.

Cumplir con el supuesto de tendencia paralela 2

Violación del supuesto de tendencia paralela 3

Modelo de regresión
DID generalmente se implementa como un término de interacción entre el tiempo y las variables ficticias del grupo de tratamiento en un modelo de regresión.
Y = β0 + β1 * [Tiempo] + β2 * [Intervención] + β3 * [Tiempo * Intervención] + β4 * [Covariables] + ε

universidad privada en nueva york

Fortalezas y limitaciones
Fortalezas

  • Interpretación intuitiva

  • Puede obtener un efecto causal utilizando datos de observación si se cumplen los supuestos

  • Puede usar datos a nivel individual y grupal

  • Los grupos de comparación pueden comenzar en diferentes niveles del resultado. (DID se enfoca en el cambio más que en niveles absolutos)

  • Cuentas de cambio / cambio debido a factores distintos a la intervención

Limitaciones

  • Requiere datos de referencia y un grupo de no intervención

  • No se puede utilizar si la asignación de la intervención está determinada por el resultado inicial

  • No se puede utilizar si los grupos de comparación tienen una tendencia de resultado diferente (Abadie 2005 ha propuesto una solución)

    chicas americanas: las redes sociales y la vida secreta de los adolescentes
  • No se puede utilizar si la composición de los grupos antes / después del cambio no es estable

Mejores prácticas

  • Asegúrese de que la tendencia del resultado no influyó en la asignación del tratamiento / intervención.

  • Adquirir más puntos de datos antes y después para probar la suposición de tendencias paralelas

  • Utilice un modelo de probabilidad lineal para ayudar con la interpretabilidad

  • Asegúrese de examinar la composición de la población en los grupos de tratamiento / intervención y de control antes y después de la intervención.

  • Utilice errores estándar robustos para tener en cuenta la autocorrelación entre pre / post en el mismo individuo

  • Realizar un subanálisis para ver si la intervención tuvo un efecto similar / diferente en los componentes del resultado.

Presentación en clase de Epi6 30 de abril de 2013

1. Rubin, DB. Análisis de aleatorización de datos experimentales en la prueba de aleatorización de Fisher. Revista Asociación Estadounidense de Estadística, 1980.
2. Adaptado de Vertical Relationships and Competition in Retail Gasoline Markets, 2004 (Justine Hastings)
3. Adaptado de Estimación del efecto de los programas de formación en los ingresos, revisión de economía y estadística, 1978 (Orley Ashenfelter)

Lecturas

Libros de texto y capítulos

  • Econometría mayoritariamente inofensiva: Capítulo 5.2 (págs. 169-182)


    Angrist J., Pischke J.S. 2008. Econometría mayoritariamente inofensiva, Princeton University Press, Nueva Jersey.
    http://www.mostlyharmlesseconometrics.com/
    Este capítulo analiza el DID en el contexto del campo original de la técnica, la econometría. Ofrece una buena descripción general de la teoría y los supuestos de la técnica.

  • Evaluación de impacto de la OMS en la práctica: Capítulo 6.


    http://siteresources.worldbank.org/EXTHDOFFICE/Resources/5485726-1295455628620/Impact_Evaluation_in_Practice.pdf
    Consultado el 9 de febrero de 2013.
    Esta publicación ofrece una revisión muy sencilla de la estimación de DID desde una perspectiva de evaluación de programas de salud. También hay una sección sobre las mejores prácticas para todos los métodos descritos.

Artículos metodológicos

  • Bertrand, M., Duflo, E. y Mullainathan, S. ¿Cuánto debemos confiar en las estimaciones de diferencias en diferencias? Revista Trimestral de Economía. 2004.


    Este artículo, que critica la técnica DID, ha recibido mucha atención en el campo. El artículo analiza el sesgo potencial (quizás grave) en términos de error DID. El artículo describe tres posibles soluciones para abordar estos sesgos.

  • Cao, Zhun y col. Enfoques de diferencia en diferencia y variables instrumentales. Una alternativa y complemento al emparejamiento de puntajes de propensión en la estimación de los efectos del tratamiento.CER Issue Brief: 2011


    Un artículo informativo que describe las fortalezas, limitaciones y diferente información proporcionada por DID, IV y PSM.

  • Lechner, Michael. La estimación de efectos causales por métodos de diferencias en diferencias. Departamento de Economía, Universidad de St. Gallen. 2011.

    Programas jd mba de 3 años


    Este documento ofrece una perspectiva en profundidad sobre el enfoque DID y analiza algunos de los principales problemas con DID. También proporciona una cantidad sustancial de información sobre extensiones del análisis DID, incluidas las aplicaciones no lineales y la coincidencia de puntajes de propensión con DID. Uso aplicable de la notación de resultado potencial incluida en el informe.

  • Norton, Edward C. Términos de interacción en modelos Logitand Probit. UNC en Chapel Hill. Academia de Salud 2004.


    Estas diapositivas de conferencias ofrecen pasos prácticos para implementar el enfoque DID con un resultado binario. El modelo de probabilidad lineal es el más fácil de implementar, pero tiene limitaciones para la predicción. Los modelos logísticos requieren un paso adicional en la codificación para que los términos de interacción sean interpretables. Se proporciona el código Stata para este paso.

  • Abadie, Alberto. Estimadores semiparamétricos de diferencias en diferencias. Revisión de estudios económicos. 2005


    Este artículo analiza el supuesto de tendencias paralelas en profundidad y propone un método de ponderación para DID cuando el supuesto de tendencia paralela puede no ser válido.

Artículos de aplicación

Ciencias de la Salud

Ejemplos de regresión lineal generalizada:

  • Branas, Charles C. y col. Un análisis de diferencias en diferencias de salud, seguridad y ecologización del espacio urbano vacante. Revista Estadounidense de Epidemiología. 2011.
  • Harman, Jeffrey y col. Cambios en los gastos mensuales por miembro después de la implementación de la demostración de la reforma de Medicaid de Florida. Investigación en servicios de salud. 2011.
  • Wharam, Frank y col. Uso del departamento de emergencias y hospitalizaciones posteriores entre miembros de un plan de salud con deducible alto. JAMA. 2007.

Ejemplos de regresión logística:

  • Bendavid, Eran y col. Asistencia para el desarrollo del VIH y mortalidad de adultos en África. JAMA. 2012
  • Carlo, Waldemar A y col. Capacitación en atención del recién nacido y mortalidad perinatal en países en desarrollo. NEJM. 2010.
  • Guy, Gery. Los efectos del cobro de costos en el acceso a la atención de los adultos sin hijos. Investigación sobre servicios de salud. 2010.
  • King, Marissa y col. Políticas de restricción de obsequios de la facultad de medicina y prescripción médica de medicamentos psicotrópicos recién comercializados: análisis de diferencias en diferencias. BMJ. 2013.
  • Li, Rui y col. Autocontrol de la glucosa en sangre antes y después de la expansión de medicare entre beneficiarios de meicare con diabetes que no usan insulina. AJPH. 2008.
  • Ryan, Andrew y col. El efecto de la fase 2 de la demostración de incentivos de calidad hospitalaria de primer nivel en los pagos de incentivos a los hospitales que atienden a pacientes desfavorecidos. Investigación de servicios de salud. 2012.

Ejemplos de probabilidad lineal:

  • Bradley, Cathy y col. Tiempos de espera de cirugía y servicios especializados para pacientes con cáncer de mama aseguradas y no aseguradas: ¿Importa el estado de la red de seguridad hospitalaria? HSR: Investigación en servicios de salud. 2012.
  • Monheit, Alan y col. ¿Cómo han afectado las políticas estatales para ampliar la cobertura de dependientes el estado del seguro médico de los adultos jóvenes? HSR: Investigación en servicios de salud. 2011.

Extensiones (Diferencias en diferencias en diferencias):

  • Afendulis, Christopher y col. El impacto de la parte D de Medicare en las tasas de hospitalización. Investigación de servicios de salud. 2011.
  • Domino, Marisa. Aumento de los costos de tiempo y copagos de los medicamentos recetados: un análisis de los cambios de política en un entorno complejo. Investigación de servicios de salud. 2011.

Ciencias económicas

  • Card, David y Alan Krueger. Salario mínimo y empleo: un estudio de caso de la industria de la comida rápida en Nueva Jersey y Pensilvania. The American Economic Review. 1994.
  • DiTella, Rafael y Schargrodsky, Ernesto. ¿La policía reduce el crimen? Estimaciones utilizando la asignación de fuerzas policiales después de un ataque terrorista. American Economic Review. 2004.
  • Galiani, Sebastian y col. Agua para la vida: el impacto de la privatización de los servicios de agua en la mortalidad infantil. Revista de Economía Política. 2005.

Sitios web

Metodológico
http://healthcare-economist.com/2006/02/11/difference-in-difference-estimation/

Estadístico (muestra R y código Stata)
http://thetarzan.wordpress.com/2011/06/20/differences-in-differences-estimation-in-r-and-stata/

Cursos

En línea

  • Oficina Nacional de Investigación Económica

  • ¿Qué hay de nuevo en econometría? Instituto de verano 2007.

    sobre el mago arcoiris de oz
  • Clase 10: Diferencias en diferencias

  • http://www.nber.org/minicourse3.html


    Apuntes de conferencias y grabación de video, enfocados principalmente en la teoría y los supuestos matemáticos de la técnica de diferencias en diferencias y sus extensiones.

Artículos De Interés

La Elección Del Editor

Programas Columbia-Barnard-Juilliard
Programas Columbia-Barnard-Juilliard
Los estudiantes excepcionalmente talentosos de Columbia College y Barnard College tienen acceso mediante audición competitiva a instrucción instrumental y de voz en The Juilliard School. Los estudiantes también deben consultar la información disponible en el sitio web de Juilliard School. Hay dos programas separados, The Exchange y The Joint Programme. Información de contacto: los estudiantes de Columbia College deben
Gente sana,
Gente sana,
Rick D'Avino
Rick D'Avino
Rick D'Avino es Director Gerente de PricewaterhouseCoopers, donde trabaja con el Vicepresidente de PwC y Socio Gerente de EE. UU., Su Líder Global de Impuestos, su Líder de Impuestos de EE. UU. Y con la operación de política tributaria de PwC en Washington, DC. Además, Rick actualmente se desempeña como el presidente del grupo Insourced Solutions for Tax de PwC. Rick estuvo en GE desde 1991 hasta 2013, como vicepresidente y asesor fiscal senior en GE Capital hasta 2005 y, posteriormente, como vicepresidente y asesor fiscal senior en General Electric Company. Rick fue responsable de todos los aspectos tributarios de GE Capital y, después de 2005, de GE Corporate y también del interés de GE en NBC Universal. Rick también formó parte de las juntas directivas de GE Capital Corporation y GE Capital Services de 2009 a 2012, y de GE SeaCo, una empresa conjunta entre GE y Sea Containers Ltd., de 1996 a 2011. Rick comenzó su carrera como asistente administrativo del juez Alvin. B. Rubin en la Corte de Apelaciones de los Estados Unidos para el Quinto Circuito, luego de lo cual fue asociado en Cohen & Uretz en Washington, DC Rick luego se desempeñó como Abogado Asesor y Asesor Legislativo Adjunto de Impuestos en el Departamento del Tesoro de los Estados Unidos de 1983 a 1987. Antes de unirse a GE, Rick fue socio fiscal en King & Spalding en Washington, DC Rick ha sido miembro del Consejo Asesor del Servicio de Impuestos Internos, el Comité Ejecutivo de la Sección de Impuestos del Colegio de Abogados del Estado de Nueva York y de Washington, DC y Bares de Pennsylvania. Rick se desempeñó como profesor adjunto en el Centro de Derecho de la Universidad de Georgetown de 1982 a 1990 y es profesor de derecho en Penn Law. Rick es miembro de la Junta de Supervisores de Penn Law, fue presidente de la Junta de Directores de Exalumnos de Penn Law y completó dos períodos en la Junta de Fideicomisarios de Pitzer College. Estuvo en la Junta Directiva de DomusKids, una organización de educación y bienestar infantil de Connecticut, desde 1994 hasta 2018. En 2018, Rick fue elegido Presidente de la Junta de Domus 'Stamford Academy, una escuela autónoma para estudiantes en los grados nueve a doce que tenían dificultades en entornos escolares tradicionales. Rick es miembro de la Junta y se desempeña como vicepresidente de National Sawdust, una organización sin fines de lucro con sede en Brooklyn que brinda instalaciones de vanguardia y apoyo a una amplia gama de compositores, músicos y artistas. D’Avino recibió su B.S. de la Wharton School de la Universidad de Pensilvania en 1977 y se graduó de la facultad de derecho en 1980, donde fue editor de la Revista de Derecho de la Universidad de Pensilvania.
Evaluación del impacto de la política ampliada de la Ciudad de México
Evaluación del impacto de la política ampliada de la Ciudad de México
El Departamento de Población y Salud Familiar de Heilbrunn (HDPFH) recibió $ 2 millones de las fundaciones William y Flora Hewlett y David y Lucile Packard para estudiar el impacto de la Política ampliada de la Ciudad de México en la provisión, acceso, financiamiento y promoción de servicios de salud reproductiva. . En enero de 2017, el Presidente reinstaló la Política de la Ciudad de México, también de manera informal
Debido a la pandemia de COVID-19, esta y las siguientes sesiones de Crítica 13/13 fueron suspendidas. Lea la introducción a Critique 11/13 aquí.
Debido a la pandemia de COVID-19, esta y las siguientes sesiones de Crítica 13/13 fueron suspendidas. Lea la introducción a Critique 11/13 aquí.
Jamie Oliver
Jamie Oliver
La música e investigación de Oliver La Rosa explora el concepto de instrumento musical en la música electrónica y de computadora, diseñando instrumentos que escuchan, comprenden, recuerdan y responden. Sus controladores Silent Drum y MANO de código abierto utilizan técnicas de visión por computadora para rastrear y clasificar continuamente los gestos de las manos.
Censura en la era digital
Censura en la era digital
Amenazas tanto antiguas como nuevas buscan frustrar a los periodistas independientes de todo el mundo Para la portada de su informe anual Ataques a la prensa, los editores del Comité para la Protección de los Periodistas (CPJ) eligieron una imagen que resume la hostilidad mostrada a menudo hacia los medios estadounidenses durante el 2016. campaña presidencial. La foto, que se volvió viral durante la temporada electoral, muestra a un hombre en un mitin de Donald Trump con una camiseta que dice: Cuerda. Árbol. El periodista.