[論文レビュー] Two-stage differences in differences

John Gardner|arXiv (Cornell University)|Jul 13, 2022

Advanced Causal Inference Techniques被引用数 301

ひとこと要約

tldr: 標準的な DiD が平均処置効果を誤特定する場合にも頑健性を示す、異質な処置効果を伴う staggered adoption のための二段階推定量を導入する。

ABSTRACT

A recent literature has shown that when adoption of a treatment is staggered and average treatment effects vary across groups and over time, difference-in-differences regression does not identify an easily interpretable measure of the typical effect of the treatment. In this paper, I extend this literature in two ways. First, I provide some simple underlying intuition for why difference-in-differences regression does not identify a group$\times$period average treatment effect. Second, I propose an alternative two-stage estimation framework, motivated by this intuition. In this framework, group and period effects are identified in a first stage from the sample of untreated observations, and average treatment effects are identified in a second stage by comparing treated and untreated outcomes, after removing these group and period effects. The two-stage approach is robust to treatment-effect heterogeneity under staggered adoption, and can be used to identify a host of different average treatment effect measures. It is also simple, intuitive, and easy to implement. I establish the theoretical properties of the two-stage approach and demonstrate its effectiveness and applicability using Monte-Carlo evidence and an example from the literature.

研究の動機と目的

• 標準的な difference-in-differences が staggered adoption および異質性の下で、単純な group×period の平均処置効果を特定できない理由を明らかにする。
• untreated observations から group と period の効果を分離し、それから treated の平均処置効果を推定する二段階推定フレームワークを提案する。
• 推定の一貫性と無偏性を含む理論的性質を確立し、推論と実装の手引きを提供する。
• モンテカルロ・シミュレーションと実証事例を通じて性能を示す。
• イベントスタディ分析への拡張や代替推定量の検討について論じる。

提案手法

• 第一段階: 未処置の観測値のみを用いて、 outcomes を group 固定効果と period 固定効果に回帰し、λ_g と γ_p を推定する。
• 第二段階: Y_gpit − ŀ_g − ŷ_p を D_gp で回帰し、平行トレンドの下で E(β_gp | D_gp = 1) を識別する。
• 解釈: この二段階推定量は、グループおよび期間間で異質性があっても、処置を受けた総合平均効果を回復する。
• 本手法は、異なる推定量（例: 四期間平均、継続期間別効果）やイベントスタディ設定への拡張が可能である。
• 推論は GMM によって行われ、生成回帰量に対して標準誤差を調整する。

実験結果

リサーチクエスチョン

• RQ1 処置効果が異質で採用が staggered のとき、標準 DiD の推定量は何を識別するのか。
• RQ2 単純な二段階アプローチは、staggered adoption の下で処置を受けた群の平均処置効果を頑健で解釈可能な推定値として得られるか。
• RQ3 二段階推定量は、シミュレーションや実データにおいて、別々の group×period 推定や積み上げ DiD など他のアプローチと比較してどのように性能を示すか。
• RQ4 イベントスタディへの拡張や治療効果の代替要約指標への適用可能性はどうか。

主な発見

• 標準的な DiD 回帰は、異質な効果を伴う staggered adoption の下で、一般に単純な group×period の平均処置効果を特定しない。
• 提案された二段階推定量は E(β_gp|D_gp = 1) を特定し、処置を受けた群と期間の間での平均処置効果を識別する。
• シミュレーションでは、二段階推定量は集計された真の平均と一致し、異質性が存在する場合には素朴な DiD を上回る。
• イベントスタディの文脈では、二段階アプローチは前傾を回復し、処置期間の経過に伴う効果の推移を捉える。
• 実証的な適用ではベースライン結果を再現しつつ、異質性の下で DiD の重み付けが解釈を歪めることを示す。