Estimación de diferencias en diferencias

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.

Modelo de regresión
Y = β0 + β1 * [Tiempo] + β2 * [Intervención] + β3 * [Tiempo * Intervención] + β4 * [Covariables] + ε

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)

• 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.
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)

  
  http://www.mostlyharmlesseconometrics.com/
  

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

  
  http://siteresources.worldbank.org/EXTHDOFFICE/Resources/5485726-1295455628620/Impact_Evaluation_in_Practice.pdf
  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.

  
  

• 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

  
  

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

  programas de enlace post bacc

  
  

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

  
  

• 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.

• 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.