Çok Dönemli Olay Çalışması Tasarımı
Multi-period Event Study Design for Dynamic Treatment Effects · Ayrıca şöyle bilinir: multi-period event study, dynamic event study, relative-time event study, leads-and-lags design
Çok dönemli olay çalışması tasarımı, panel verileri kullanarak, tedavi başlangıcına göre her zaman noktasındaki nedensel etkiyi tahmin eder; bu tasarımda birden fazla tedavi öncesi ve sonrası dönem bulunur. Tek bir ortalama yerine tam etki yolunu çizerek, etkilerin zamanla nasıl oluştuğunu, azaldığını veya istikrarlı kaldığını ortaya koyar ve aynı anda birden çok dönem boyunca tedavi öncesi paralel eğilimlerin resmi testlerine olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Panel verilerinizin tedaviden önceki ve sonraki birden çok dönemi kapsadığı, ortalama bir etki yerine etkinin zamanla nasıl geliştiğini görmek istediğiniz ve tedavi öncesi dönemler boyunca paralel eğilimler varsayımını resmi olarak test etmeniz gerektiğinde çok dönemli olay çalışmasını kullanın. Etkilerinin zaman içinde büyümesi, dağılması veya ufuklar boyunca heterojen olması beklenen politikaları, ekonomik şokları veya müdahaleleri incelemek için doğru seçimdir. Yalnızca bir tedavi öncesi dönemin olduğu durumlarda (iki dönemli DiD yeterlidir), panelin birden çok gecikme ve öncül tahminini desteklemeyecek kadar kısa olduğu durumlarda, ardışık benimseme mevcut olduğunda ancak düz TWFE tahmin edicisini düzeltme olmadan kullandığınızda veya tedavi tarihinin birimler arasında çok değişken olduğu ve dönem başına hücrelerin çok seyrek olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Tek bir toplu sayı yerine her göreceli zaman dönemindeki tedavi etkilerinin tam dinamik bir resmini sunar.
- Birden çok tedavi öncesi dönem boyunca resmi ön eğilim testlerine olanak tanır, paralel eğilimler varsayımı lehine veya aleyhine daha güçlü kanıtlar sunar.
- Zamanlama heterojenliğini ortaya çıkarır: etkiler birikebilir, zirve yapabilir veya dağılabilir — bu, havuzlanmış bir DiD'nin gizlediği bilgilerdir.
- Grafiksel çıktı (olay-çalışması grafiği) son derece şeffaftır ve uzman olmayan kitleler için anında yorumlanabilir.
- Tedavi zamanlamasının ardışık olduğu durumlarda heterojenliğe dayanıklı tahmin edicilerle (örneğin, Callaway-Sant'Anna, Sun-Abraham) uyumludur.
- Yeterince uzun bir panel gerektirir; kısa paneller, ciddi belirsizlik olmadan birçok göreceli zaman katsayısının tahminini destekleyemez.
- Katsayı tahminleri, az sayıda birimin o dönemlere katkıda bulunduğu göreceli zaman penceresinin kuyruklarında gürültülü hale gelir.
- Ardışık benimseme tasarımlarında, standart iki yönlü sabit etkiler (TWFE) tahmin edicisi, tedavi etkisi heterojenliği güçlü olduğunda yanlı veya işaret tersi tahminler üretebilir — daha karmaşık heterojenliğe dayanıklı yöntemler gerektirir.
- Paralel eğilimler varsayımı tedavi sonrası dönemde hala test edilemez; ön eğilim testlerini geçmek, tedavi sonrası geçerliliği garanti etmez.
SSS
Bu, standart iki dönemli farkların farkı yönteminden nasıl farklıdır?
İki dönemli bir DiD bir tahmin üretir: ortalama tedavi etkisi. Çok dönemli olay çalışması, her göreceli zaman dönemi için ayrı bir tahmin üretir (örneğin, k = -3, -2, -1, 0, 1, 2, 3), tam dinamik yolu ortaya çıkarır ve birden çok tedavi öncesi dönem boyunca ön eğilim testlerine izin verir.
Referans dönemi nedir ve neden önemlidir?
Mükemmel çoklu doğrusallığı önlemek için bir göreceli zaman göstergesi atlanmalıdır; katsayısı tanım gereği sıfır olarak ayarlanır. Geleneksel olarak k = -1 (tedaviden bir dönem önce) atlanır. Tahmin edilen tüm katsayılar bu temel döneme göre sapmaları temsil eder, bu nedenle referans döneminin seçimi olay-çalışması grafiğinin görsel seviyesini etkiler ancak komşu tahminler arasındaki farkları etkilemez.
Ne zaman TWFE yerine heterojenliğe dayanıklı bir tahmin edici kullanmalıyım?
Ardışık benimseme tasarımlarında — farklı birimlerin farklı takvim zamanlarında tedavi gördüğü durumlarda — standart TWFE tahmin edicisi, zaten tedavi görmüş birimleri daha sonra tedavi görecek birimler için kontrol olarak örtük olarak kullanır, bu da tedavi etkileri kohortlar arasında değiştiğinde yanlı veya işaret tersi katsayılar üretebilir. Sun ve Abraham (2021) ve Callaway ve Sant'Anna (2021) bu sorunu önleyen tahmin ediciler sunar.
Kaç tane tedavi öncesi döneme ihtiyacım var?
Bir ön eğilim çizmek ve hatta temel bir test çalıştırmak için en az iki tedavi öncesi döneme ihtiyaç vardır. Üç veya daha fazla dönem, paralel eğilimlerin anlamlı bir ortak testi sağlar. Birçok ampirik çalışma, dört ila altı tedavi öncesi gecikme ve benzer sayıda tedavi sonrası gecikme kullanır, bu da bilgilendiricilik ile uzun ufuklardaki hücre seyrekliği arasında bir denge kurar.
Ön eğilim testi başarısız olursa ne yapmalıyım?
Başarısız bir ön eğilim testi — sıfır olmayan, istatistiksel olarak anlamlı tedavi öncesi katsayılar — paralel eğilimler varsayımının bu tasarım için makul olmadığını gösterir. Farklı bir karşılaştırma grubu, eğilim skoru eşleştirilmiş bir kontrol veya regresyon kesinti tasarımı gibi yöntemlerin, tedavi gören ve kontrol birimleri arasındaki önceden var olan farklılıkları daha iyi ele alıp almadığını düşünün.
Kaynaklar
- Jacobson, L. S., LaLonde, R. J., & Sullivan, D. G. (1993). Earnings losses of displaced workers. American Economic Review, 83(4), 888-909. link ↗
- Freyaldenhoven, S., Hansen, C., Perez-Skiba, A., & Shapiro, J. M. (2021). Visualization, identification, and estimation in the linear panel event-study design. NBER Working Paper 29170. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-period Event Study Design for Dynamic Treatment Effects. ScholarGate. https://scholargate.app/tr/causal-inference/multi-period-event-study-design
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 Olay ÇalışmasıNedensel çıkarım↔ karşılaştır