Çok Dönemli Farkların Farkı (Aşamalı DiD)
Multi-period Difference-in-Differences with Staggered Adoption · Ayrıca şöyle bilinir: staggered DiD, multi-period DiD, staggered difference-in-differences, heterogeneous timing DiD
Çok dönemli Farkların Farkı (DiD), klasik iki dönemli DiD çerçevesini, birimlerin farklı zaman noktalarında tedaviye başladığı durumlar için genişletir. Callaway ve Sant'Anna (2021) ve Goodman-Bacon (2021) tarafından biçimselleştirilen bu yöntem, genel tedavi etkisini grup-zaman ortalama tedavi etkilerine ayırır ve aşamalı benimseme tasarımlarına geleneksel iki yönlü sabit etkiler regresyonları uygulandığında ortaya çıkan yanlılığı ele alır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Aşamalı tedavi benimsemesi olan panel verileriniz olduğunda — yani, farklı birimler müdahaleyi farklı takvim tarihlerinde aldığında — ve iki yönlü sabit etkilerin kirlilik sorunundan arındırılmış, yanlı olmayan nedensel tahminler istediğinizde çok dönemli DiD kullanın. En az birkaç kohortunuz olduğunda ve temiz bir karşılaştırma olarak hizmet edecek yeterli sayıda hiç tedavi görmemiş veya henüz tedavi edilmemiş biriminiz olduğunda idealdir. Neredeyse tüm birimlerin aynı anda tedavi edildiği durumlarda (bunun yerine standart DiD kullanın), panel çok kısa ve yalnızca bir ön-dönem olduğunda veya tedavi zamanlamasının sonucun kendisi tarafından belirlendiği durumlarda (ters nedensellik) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Aşamalı benimseme tasarımlarına uygulanan iki yönlü sabit etkiler regresyonlarının iyi belgelenmiş negatif ağırlıklandırma yanlılığını düzeltir.
- Kohortlar ve benimseme sonrası zaman boyunca tedavi etkisi heterojenliğini ortaya koyan grup-zaman tedavi etkileri üretir.
- Kohortlara özgü dinamiklerin olay-çalışma grafikleri, beklenti etkilerini ve etki birikimini doğrudan görünür kılar.
- Çözülmek üzere tasarlandığı yöntemi yeniden sokarak, zaten tedavi edilmiş birimleri daha sonra tedavi edilmiş kohortlar için kontrol olarak kullanmak.
- Callaway-Sant'Anna tahmincisi hem koşulsuz hem de koşullu (kovaryat ayarlı) paralel eğilim varsayımlarına izin verir.
- Yeterli sayıda hiç tedavi görmemiş veya henüz tedavi edilmemiş birim gerektirir; eğer birimlerin neredeyse tamamı sonunda tedavi edilirse, kontrol grubu küçülür ve hassasiyet düşer.
- Çok sayıda kohort ve çok sayıda zaman dönemi olduğunda, ATT(g,t) hücrelerinin sayısı hızla artar ve bazı hücrelerde güvenilir tahmin için yeterli gözlem olmayabilir.
- Paralel eğilimler varsayımı, her kohort içinde ayrı ayrı geçerli olmalıdır, bu da tek bir havuzlanmış tasarımda olduğundan daha güçlü bir gerekliliktir.
- Kohort-zaman etkilerinin özet bir ATT'ye toplanması, açıkça belirtilmesi ve savunulması gereken ağırlıklandırma seçimlerini içerir.
- Yazılım uygulaması (örneğin, Stata'da csdid, R'da did paketi) standart bir iki yönlü sabit etkiler regresyonundan daha karmaşıktır.
SSS
Standart iki yönlü sabit etkiler aşamalı tedavi ile neden başarısız olur?
TWFE, zaten tedavi edilmiş birimlerin daha sonra tedavi edilmiş kohortlar için kontrol görevi gördüğü karşılaştırmalar dahil olmak üzere mevcut tüm 2x2 DiD karşılaştırmalarını kullanır. Tedavi etkileri kohortlar arasında heterojen olduğunda veya zamanla evrildiğinde, bu karşılaştırmalar negatif ağırlıklar alır ve TWFE katsayısı makul herhangi bir ortalama tedavi etkisinden uzak olabilir - ve hatta yanlış işarete sahip olabilir.
Tedavi kohortu nedir?
Bir kohort, tedaviyi aynı takvim döneminde ilk kez alan tüm birimleri gruplandırır. 2010'da tedavi edilenler bir kohort oluşturur, 2012'de tedavi edilenler başka bir kohort oluşturur ve bu böyle devam eder. Hiç tedavi görmemiş birimler, temiz bir karşılaştırma olarak kullanılan ayrı bir grup oluşturur.
Hangi karşılaştırma grubunu kullanmalıyım?
Tercih edilen karşılaştırma, hiç tedavi görmemiş birimlerdir, çünkü bunlar her kohort için her tedavi sonrası dönemde temiz kontrollerdir. Hiç tedavi görmemiş birim yoksa, henüz tedavi edilmemiş birimler (t dönemine kadar henüz tedavi edilmemiş olanlar) bir karşılaştırma olarak hizmet edebilir, ancak bu daha güçlü varsayımlar gerektirir.
Çok dönemli DiD sonuçlarını nasıl sunarım?
Hem toplanmış genel ATT'yi hem de tedavi benimsemesine göreceli zamana göre ATT(g,t)'yi gösteren bir olay-çalışma grafiğini raporlayın. Ön-dönem tahminleri paralel eğilimler kontrolü olarak hizmet eder ve sonrası-dönem dinamikleri etkilerin büyüyüp büyümediğini, küçülüp küçülmediğini veya devam edip etmediğini ortaya koyar.
Çok dönemli DiD'yi hangi yazılım uygular?
Stata'daki csdid komutu ve R'daki did paketi (Callaway ve Sant'Anna tarafından) grup-zaman ATT tahmincisini doğrudan uygular. Stata'daki sunab komutu, alternatif olarak Sun-Abraham etkileşim ağırlıklı tahmincisini uygular.
Kaynaklar
- Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-differences with multiple time periods. Journal of Econometrics, 225(2), 200-230. DOI: 10.1016/j.jeconom.2020.12.001 ↗
- Goodman-Bacon, A. (2021). Difference-in-differences with variation in treatment timing. Journal of Econometrics, 225(2), 254-277. DOI: 10.1016/j.jeconom.2021.03.014 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-period Difference-in-Differences with Staggered Adoption. ScholarGate. https://scholargate.app/tr/causal-inference/multi-period-difference-in-differences
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Farkların Farkı (Diff-in-Diff)Ekonometri↔ karşılaştır
- Dinamik Farkların FarkıNedensel çıkarım↔ karşılaştır
- Panel Veri Farkların Farkı (Panel DiD / TWFE)Nedensel çıkarım↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Sentetik Kontrol Yöntemi (SCM)Nedensel çıkarım↔ karşılaştır