[PDF] Session III Estimation en Doubles Différences (Diff- in-diff) et





Previous PDF Next PDF



Differences in Difference and Randomized Experiment

impact evaluation methods: Difference-in-Difference and. Randomized Experiments. ? Outline: 1. Back to the selection bias. 2. Solving the selection bias with a 



Chapter 6 - The finite difference method

The finite difference approximations for derivatives are one of the simplest and of the oldest methods to solve differential equations.



Program Evaluation and the Difference in Difference Estimator - 1

permanent differences between treatment and control) The assumptions we need for the difference in difference estimator to be correct are given by the ...



Session III Estimation en Doubles Différences (Diff- in-diff) et

Contenu de cette session. • Quand utilisons-nous la méthode des doubles différences? (Diff –in- diff ou DD). • Stratégie d'estimation : un peu de théorie.



Adaptive implicit finite difference method for natural gas pipeline

Abstract. The implicit finite difference method is one of the most widely applied methods for transient natural gas simulation.



Quasi experimental methods: Difference in differences

24 mars 2010 While using non experimental data to infer causal relationships we must think through sample selection and omitted variables bias.



Impact Evaluation Methods

9 avr. 2012 Simple Difference c. Differences-in-Differences d. Multivariate Regression e. Statistical Matching f. Instrumental Variables.



Differences-in-Differences

Difference in differences (DID). Estimation step-by-step. * Estimating the DID estimator (using the hashtag method no need to generate the interaction).



Impact evaluation using Difference-in-Differences

Based on a combination of before-after and treatment-control group comparisons the method has an intuitive appeal and has been widely used in economics



How D-I-D you do that? Basic Difference-in-Differences Models in

We include a brief discussion of more advanced D-I-D methods and present an example of a real-world analysis using data from a study on the impact of 



5 Difference in Differences - Home Scholars at Harvard

5) Difference-in-Differences (cf “Mostly Harmless Econometrics” chapter 5) Often there are reasons to believe that treated and untreateddiffer in unobservable characteristics that are associated topotential outcomes even after controlling for differences inobserved characteristics



Module 25: Difference in Differences Designs

Relative to these methods we find both theoretically and empirically that this "synthetic difference in differences" estimator has desirable robustness properties and that it performs well in settings where the conventional estimators are commonly used in practice



Quasi experimental methods: Difference in differences - CEGA

difference?in?difference (takingintoaccountpre? existingdifferences betweenT&Candgeneral timetrend) In 1957 1 Mississippiamendeditsmarriagelaw Raisedminimumageformenandwomen Introducedparentalconsentlaws Proofofagebloodtestsotherrestrictions How canwe figureouttheimpact of thismarriage outcomessuchas Marriages Fertility Education 2



Introduction to Difference in Differences (DID) Analysis

• Difference-in-Differences (DID) analysis is a useful statistic technique that analyzes data from a nonequivalence control group design and makes a casual inference about an independent variable (e g an event treatment or policy) on an outcome variable • The analytic concept of DID is very easy to comprehended within the framework



Module 25: Difference in Differences Designs - edX

In this module we cover the popular quasi- or non-experimental method of Difference-in-Differences (DID) regression which is used to estimate causal effect – under certain assumptions – through the analysis of panel data DID is typically used when randomization is not feasible

What is difference-in-differences regression?

In this module, we cover the popular quasi- or non-experimental method of Difference-in- Differences (DID) regression, which is used to estimate causal effect – under certain assumptions – through the analysis of panel data. DID is typically used when randomization is not feasible.

What is difference-in-differences analysis?

Difference-in-Differences (DID) analysis is a useful statistic technique that analyzes data from a nonequivalence control group design and makes a casual inference about an independent variable (e.g., an event, treatment, or policy) on an outcome variable The analytic concept of DID is very easy to comprehended within the framework of regression

What is the best book on difference-in-differences in economics?

Quarterly Journal of Economics, 119, 249-275. 2. Donald, S. G. and K. Lang (2007). “Inference with Difference-in-Differences and Other Panel Data”, Review of Economics and Statistics, 89, 221-233. 3. Gerber, Alan S., and Donald P. Green. Field experiments: Design, analysis, and interpretation. WW Norton, 2012. 4. McKinnish, T. (2000).

What is the best book on inference with difference-in-differences?

“Inference with Difference-in-Differences and Other Panel Data”, Review of Economics and Statistics, 89, 221-233. 3. Gerber, Alan S., and Donald P. Green. Field experiments: Design, analysis, and interpretation. WW Norton, 2012.

Spanish Impact Evaluation

FundHuman Development

NetworkMiddle East and North Africa

Region

Session III Session III

Estimation en Doubles Diff

Estimation en Doubles Difféérences rences

(DiffDiff--inin--diffdiff)) et Donn et Donnéées de Paneles de Panel

Christel VermeerschChristel Vermeersch

Janvier

Janvier20082008

2

Contenu de cette session•

Quand utilisons-nous la méthode des doubles

différences? (Diff -in- diff ou DD)

Stratégie d'estimation : un peu de théorie

Exemples :

Extension des services d'éducation en Indonésie

L'eau pour la vie (Argentine)

Classement des écoles

Progresa (Mexique)

3

Quand utilisons-nous les DD ?•

Nous ne pouvons pas toujours choisir au hasard les bénéficiaires d'un programme...

Estimer l'impact d'un programme " passé »

Nous pouvons essayer de trouver une " expérience naturelle »qui nous permet d'identifier l'impact d'une politique

Par exemple, un changement inattendu dans une politique pourrait être considéré comme une " expérience naturelle »

Par exemple, une politique qui n'affecte que les jeunes de 16 ans mais non ceux de 15 ans

Même dans les expériences naturelles, nous devons identifier quel est le groupe affecté par le changement de politique ("groupe traitement ») et quel est le groupe qui n'est pas affecté (" groupe témoin »).

La qualité du groupe témoin détermine la qualité de l'évaluation. 4 Une stratégie simple pour les expériences naturelles :

La comparaison " avant - après »

oOLSitit YYtY 1 )1(1. H E D Avec 2 ans de données : avant (t=0) et après (t=1) Avec plus de 2 ans de données et un changement depolitique au moment t=t* 1 .1( ) Question à répondre: Y a-t-il un changement structurel dans la serie des au moment t*? T it it OLS o OLS Yt YY 5

Les doubles différences

11 00 10

10 10 10

ii ii YT YC YT YC YT YT

YTYT YCYC YCYC

Nous soustrayons

ces deux moyennesNous comparons la moyenne de la variable de résultat avant et après, pour le groupe de comparaison.Nous comparons la moyenne de la variable de résultat avant et après, pour le groupe traitementAvant

AprèsGroupe qui n'est pas

affecté par le changement de politique (groupe témoin)Groupe affecté par le changement de politique (groupe traitement) 6

TempsIntervention

Variable

de résultat

Groupe

traitement

Groupe témoin

Effet moyen estimé du traitement

Graphiquement

7

Régression

1 0 1 0 10 10 .1(1).1( ) .(1).1( ) itit i i i i ii ii

YtiTtiT

EY T EY T EY C EY C D

D EY T EY T EY C EY C

8

Régression

11 00 11 00 .1( 1) .1( ) .1( 1).1( ) (|) .1.1 .1.1 (| ) (|) .0.1.0.1 (| ) (|) .1.0 .1.0 (| ) (|) .0.1.0.0 (| ) itit ii ii ii ii

YtiTtiT

EY T E i T

EY T E i T

EY C E i C

EY C E i C

D

EJG H DEJK

DE J G H DJ

DE J G H DE

DE J G H

10 10 ii ii

DD EY T EY T EY C EY C

9

Si nous avons plus de 2 périodes de

temps/groupes 11

òu est l'intensité du trait.1( ) .1( )

ement dans un groupe durant la période .. D

EWJLGH

TI it it it it TT iYiT tt Nous utilisons une régression avec des variables indicatrices d'effets fixes pour le temps et le groupe : L'identification de l'effet de traitement est basé sur la variation inter- temporelle entre les groupes.

CàD

: des changements dans la variable de résultat Y dans le temps, qui sont spécifiques aux groupes traitement.

CàD

: des changements abrupts dans la variable de résultat Y, qui n'arrivent qu'aux groupes traitement, et non aux groupes de comparaison, exactement au moment où le traitement commence à faire effet. 10

Si nous avons plus de 2 périodes de

temps/groupes Nous utilisons une régression avec des variables indicatrices d'effets fixes

pour le temps et le groupe:L'identification de l'effet de traitement est basé sur la variation inter-

temporelle entre les groupes.

CàD

: des changements dans la variable de résultat Y dans le temps, qui sont spécifiques aux groupes traitement.

CàD

: des changements abrupts dans la variable de résultat Y, qui n'arrivent qu'aux groupes traitement, et non aux groupes de comparaison, exactement au moment où le traitement commence à faire effet. 11

òu est l'intensité du trait.1( ) .1( )

ement dans un groupe durant la période .. D

EWJLGH

TI it it it it TT iYiT tt 11

Avertissements...•

Le modèle à effets fixes n'est valable que lorsque le changement de politique a un impact immédiat sur la variable de résultat. S'il y a un délai dans l'impact du changement de politique, nous devons utiliser des variables déphasées de traitement. Les doubles différences/ effets fixes contrôlent : Les effets de groupes fixes (e.g., agriculteurs qui possèdent leurs terres, agriculteurs qui ne les possèdent pas) Les effets qui sont communs à tous les groupes à un point particulier dans le temps, c'es`-à-dire les " tendances communes » (e.g., la sécheresse de 2006 qui a affecté tous les agriculteurs, indépendamment du fait qu'ils possèdent leur terre ou non) Les doubles différences/ effets fixes attribuent les différences dans les tendances entre les groupes traitement et les groupes témoins, qui se produisent au même moment que l'intervention, à cette intervention. S'il y a d'autres facteurs qui affectent la différence dans les tendances entre les deux groupes, alors l'estimation sera biaisée ! ,1it Y 12

Contrôle de qualité pour les DD ...•

Faire une DD " placebo», i.e., utiliser un " faux » groupe de traitement Ex. pour les années antérieures (e.g., années -2, -1). Ou utiliser comme groupe traitement une population dont vous savez pertinemment qu'elle n'a pas été affectée. Si l'estimation DD est différente de 0, il en suit que les tendances ne sont pas parallèles et notre DD originale sera probablement biaisée.

Utiliser un groupe témoin différent.

Les deux DD devraient donner les mêmes estimations Utiliser une variable de résultat Y~ dont vous savez pertinemment qu'elle nést pas affectée par le traitement, Utiliser le même groupe témoin et la même année de traitement. Si la DD estimée est différente de zéro, il y a un problème. 13

Problèmes qui se produisent souvent dans

l'utilisation de la DD La participation est basée sur la différence dans les résultats avant l'intervention " Ashenfelter dip »

Dépendance de forme fonctionnelle

Lorsque la taille de la réponse dépend d'une façon non linéaire de la taille de l'intervention, et que nous comparons un groupe à intensité élevée de traitement avec un groupe à faible intensité de traitement. Lorsque les observations au sein de l'unité de temps/ groupe sont corrélées.

Spanish Impact Evaluation

FundHuman Development

NetworkMiddle East and North Africa

Region

Exemples de diff des diff et Exemples de diff des diff et estimation des effets fixes estimation des effets fixes

Spanish Impact Evaluation

FundHuman Development

NetworkMiddle East and North Africa

Region

ConsConsééquences sur la scolaritquences sur la scolaritééet le marchet le marchéédu du

travail de la construction d travail de la construction d'é'écoles en Indoncoles en Indonéésie: sie: preuve d preuve d''une expune expéérience de politique rience de politique inhabituelle inhabituelle

Esther Duflo (MIT)Esther Duflo (MIT)

American Economic Review sept. 2001

American Economic Review sept. 2001

16

Questions de recherche

Infrastructure scolaire -> années de scolarité /apprentissages des élèves ? Scolarité des élèves -> leur niveau de salaire plus tard dans la vie?

Quelle est la rentabilité économique de la

scolarisation ? 17

Description du programme

1973-1978 : Le gouvernement indonésien a bâti

61.000 écoles (équivalent à une école pour 500

enfants âgés de 5 à 14 ans). Le taux d'inscription a augmenté de 69 % à 85 % entre 1973 et 1978. Le nombre d' écoles bâties dans chaque région dépendait du nombre d'enfants non scolarisés dansquotesdbs_dbs35.pdfusesText_40
[PDF] how much should we trust differences-in-differences estimates?

[PDF] difference in difference gretl

[PDF] difference in difference stata tutorial

[PDF] haptoglobine basse causes

[PDF] hyperplaquettose causes

[PDF] myélémie causes

[PDF] cours de lobbying pdf

[PDF] exemple de lobbying

[PDF] quels types d'échanges la balance des paiements permet-elle de mesurer ?

[PDF] pédagogie différenciée l école primaire

[PDF] pédagogie différenciée exemple concret

[PDF] les cinq aveugles et léléphant

[PDF] le loup et le chien question reponse

[PDF] histoire du chien frisé et de la lettre jaune

[PDF] le loup et le chien cycle 3