Utama Lain Estimasi Selisih-dalam-Perbedaan

Estimasi Selisih-dalam-Perbedaan

Gambaran

Perangkat lunak

Deskripsi

Situs web

Bacaan

Kursus

Gambaran

Teknik perbedaan-dalam-perbedaan (DID) berasal dari bidang ekonometrika, tetapi logika yang mendasari teknik ini telah digunakan sejak tahun 1850-an oleh John Snow dan disebut 'studi sebelum dan sesudah terkontrol' di beberapa ilmu pengetahuan.

Deskripsi

DID adalah desain kuasi-eksperimental yang memanfaatkan data longitudinal dari kelompok perlakuan dan kontrol untuk mendapatkan kontrafaktual yang tepat untuk memperkirakan efek kausal. DID biasanya digunakan untuk memperkirakan efek dari intervensi atau pengobatan tertentu (seperti pengesahan undang-undang, pemberlakuan kebijakan, atau implementasi program skala besar) dengan membandingkan perubahan hasil dari waktu ke waktu antara populasi yang terdaftar dalam suatu program. (kelompok intervensi) dan populasi yang tidak (kelompok kontrol).

situs web diskon karyawan perusahaan


Gambar 1. Estimasi Perbedaan-dalam-Perbedaan, penjelasan grafis

DID digunakan dalam pengaturan observasional di mana pertukaran tidak dapat diasumsikan antara kelompok perlakuan dan kontrol. DID bergantung pada asumsi pertukaran yang kurang ketat, yaitu, dengan tidak adanya pengobatan, perbedaan yang tidak teramati antara kelompok perlakuan dan kontrol adalah lembur yang sama. Oleh karena itu, Difference-in-difference adalah teknik yang berguna untuk digunakan ketika pengacakan pada tingkat individu tidak memungkinkan. DID memerlukan data dari pra/pasca-intervensi, seperti data kohort atau panel (data tingkat individu dari waktu ke waktu) atau data penampang berulang (tingkat individu atau kelompok). Pendekatan ini menghilangkan bias dalam perbandingan periode pasca-intervensi antara kelompok perlakuan dan kontrol yang dapat diakibatkan oleh perbedaan permanen antara kelompok-kelompok tersebut, serta bias dari perbandingan dari waktu ke waktu pada kelompok perlakuan yang dapat menjadi hasil tren karena faktor lain. penyebab hasil.

Efek Penyebab (Ya = 1 - Ya = 0)
DID biasanya digunakan untuk memperkirakan efek pengobatan pada yang diobati (efek kausal pada yang terpapar), meskipun dengan asumsi yang lebih kuat teknik ini dapat digunakan untuk memperkirakan Average Treatment Effect (ATE) atau efek kausal pada populasi. Silakan merujuk ke artikel Lechner 2011 untuk lebih jelasnya.

Asumsi

Untuk memperkirakan efek kausal, tiga asumsi harus berlaku: pertukaran, kepositifan, dan Asumsi Nilai Perlakuan Unit Stabil (SUTVA)1
. Estimasi DID juga mensyaratkan bahwa:

  • Intervensi yang tidak terkait dengan hasil pada awal (alokasi intervensi tidak ditentukan oleh hasil)

  • Kelompok perlakuan/intervensi dan kontrol memiliki Tren Paralel dalam hasil (lihat di bawah untuk detailnya)

  • Komposisi kelompok intervensi dan pembanding stabil untuk desain cross-sectional berulang (bagian dari SUTVA)

  • Tidak ada efek limpahan (bagian dari SUTVA)

Asumsi Tren Paralel
Asumsi tren paralel adalah yang paling kritis dari keempat asumsi di atas untuk memastikan validitas internal model DID dan paling sulit untuk dipenuhi. Ini mensyaratkan bahwa dengan tidak adanya pengobatan, perbedaan antara kelompok 'perlakuan' dan 'kontrol' konstan dari waktu ke waktu. Meskipun tidak ada uji statistik untuk asumsi ini, inspeksi visual berguna ketika Anda melakukan pengamatan pada banyak titik waktu. Juga telah diusulkan bahwa semakin kecil periode waktu yang diuji, semakin besar kemungkinan asumsi itu berlaku. Pelanggaran asumsi tren paralel akan menyebabkan estimasi efek sebab akibat yang bias.

Memenuhi Asumsi Tren Paralel 2

Pelanggaran Asumsi Tren Paralel 3

Model Regresi
DID biasanya diimplementasikan sebagai istilah interaksi antara waktu dan variabel dummy kelompok perlakuan dalam model regresi.
Y= 0 + 1*[Waktu] + 2*[Intervensi] + 3*[Waktu*Intervensi] + 4*[Kovariat]+ε

Kekuatan dan Keterbatasan
Kekuatan

  • Interpretasi intuitif

  • Dapat memperoleh efek kausal menggunakan data observasi jika asumsi terpenuhi

  • Dapat menggunakan data level individu dan grup

  • Kelompok pembanding dapat dimulai pada tingkat hasil yang berbeda. (DID berfokus pada perubahan daripada level absolut)

  • Memperhitungkan perubahan/perubahan karena faktor selain intervensi

Keterbatasan

  • Membutuhkan data dasar & kelompok non-intervensi

  • Tidak dapat digunakan jika alokasi intervensi ditentukan oleh hasil awal

  • Tidak dapat digunakan jika kelompok pembanding memiliki tren hasil yang berbeda (Abadie 2005 telah mengusulkan solusi)

  • Tidak dapat digunakan jika komposisi grup sebelum/sesudah perubahan tidak stabil

Praktik terbaik

  • Pastikan tren hasil tidak mempengaruhi alokasi pengobatan/intervensi

  • Dapatkan lebih banyak titik data sebelum dan sesudah untuk menguji asumsi tren paralel

  • Gunakan model probabilitas linier untuk membantu interpretasi

  • Pastikan untuk memeriksa komposisi populasi dalam kelompok perlakuan/intervensi dan kontrol sebelum dan sesudah intervensi

  • Gunakan kesalahan standar yang kuat untuk memperhitungkan autokorelasi antara pra/posting pada individu yang sama

  • Lakukan sub-analisis untuk melihat apakah intervensi memiliki efek yang sama/berbeda pada komponen hasil

Presentasi di kelas Epi6 30 April 2013

1. Rubin, DB. Analisis Pengacakan Data Eksperimen dalam Uji Pengacakan Fisher. Jurnal Asosiasi Statistik Amerika. 1980.
2. Diadaptasi dari Hubungan Vertikal dan Persaingan di Pasar Bensin Ritel, 2004 (Justine Hastings)
3. Diadaptasi dari Memperkirakan pengaruh program pelatihan dalam pendapatan, tinjauan ekonomi dan statistik, 1978 (Orley Ashenfelter)

Bacaan

Buku Teks & Bab

Artikel Metodologis

  • Bertrand, M., Duflo, E., & Mullainathan, S. Seberapa Banyak Kita Harus Mempercayai Estimasi Perbedaan-dalam-Perbedaan? Jurnal Ekonomi Triwulanan. 2004.


    Artikel ini, mengkritik teknik DID, telah menerima banyak perhatian di lapangan. Artikel ini membahas potensi bias (mungkin parah) dalam istilah kesalahan DID. Artikel tersebut menjelaskan tiga solusi potensial untuk mengatasi bias ini.

  • Cao, Zhun dkk. Pendekatan Perbedaan-dalam-Perbedaan dan Variabel Instrumental. Sebuah alternatif dan pelengkap untuk pencocokan skor kecenderungan dalam memperkirakan efek pengobatan.CER Issue Brief: 2011.


    Sebuah artikel informatif yang menjelaskan kekuatan, keterbatasan dan informasi berbeda yang diberikan oleh DID, IV, dan PSM.

  • Lechner, Michael. Estimasi Efek Sebab-Akibat dengan Metode Difference-in-Difference. Departemen Ekonomi, Universitas St. Gallen. 2011.


    Makalah ini menawarkan perspektif mendalam tentang pendekatan DID dan membahas beberapa masalah utama dengan DID. Ini juga memberikan sejumlah besar informasi tentang perluasan analisis DID termasuk aplikasi non-linear dan pencocokan skor kecenderungan dengan DID. Penggunaan yang berlaku dari notasi hasil potensial yang disertakan dalam laporan.

  • Norton, Edward C. Istilah Interaksi di Logitand Probitmodels. UNC di Chapel Hill. Akademi Kesehatan 2004.


    Slide kuliah ini menawarkan langkah-langkah praktis untuk menerapkan pendekatan DID dengan hasil biner. Model probabilitas linier adalah yang paling mudah untuk diterapkan tetapi memiliki keterbatasan untuk prediksi. Model logistik memerlukan langkah tambahan dalam pengkodean untuk membuat istilah interaksi dapat ditafsirkan. Kode Stata disediakan untuk langkah ini.

  • Abadie, Alberto. Penaksir Selisih Perbedaan Semiparametrik. Tinjauan Studi Ekonomi. 2005


    Artikel ini membahas asumsi tren paralel secara panjang lebar dan mengusulkan metode pembobotan untuk DID ketika asumsi tren paralel mungkin tidak berlaku.

Artikel Aplikasi

Ilmu Kesehatan

Contoh Regresi Linier Umum:

  • Branas, Charles C. dkk. Analisis Selisih-dalam-Perbedaan Kesehatan, Keselamatan, dan Penghijauan Ruang Kota Kosong. Jurnal Epidemiologi Amerika. 2011.
  • Harman, Jeffrey dkk. Perubahan pengeluaran per anggota per bulan setelah implementasi demonstrasi reformasi medicaid Florida. Penelitian Pelayanan Kesehatan. 2011.
  • Wharam, Frank dkk. Penggunaan Departemen Gawat Darurat dan Rawat Inap Selanjutnya di Antara Anggota Rencana Kesehatan yang Dapat Dikurangi Tinggi. JAMA. 2007.

Contoh Regresi Logistik:

  • Bendavid, Eran dkk. Bantuan Pengembangan HIV dan Kematian Orang Dewasa di Afrika. JAMA. 2012
  • Carlo, Waldemar A dkk. Pelatihan Perawatan Bayi Baru Lahir dan Kematian Perinatal di Negara Berkembang. NEJM. 2010.
  • Guy, Gery. Efek dari pembebanan biaya pada akses ke perawatan di antara orang dewasa yang tidak memiliki anak. Penelitian Layanan Kesehatan. 2010.
  • Raja, Marissa dkk. Kebijakan pembatasan hadiah sekolah kedokteran dan resep dokter obat psikotropika yang baru dipasarkan: analisis perbedaan-dalam-perbedaan. BMJ. 2013.
  • Li, Rui dkk. Self-monitoring glukosa darah sebelum dan sesudah perluasan medicare di antara penerima manfaat meicare dengan diabetes yang tidak menggunakan insulin.AJPH. 2008.
  • Ryan, Andrew dkk. Pengaruh fase 2 demonstrasi insentif kualitas rumah sakit utama pada pembayaran insentif ke rumah sakit yang merawat pasien yang kurang beruntung. Penelitian Layanan Kesehatan. 2012.

Contoh Probabilitas Linier:

  • Bradley, Cathy dkk. Waktu Tunggu Pembedahan dan Layanan Khusus untuk Pasien Kanker Payudara Tertanggung dan Tidak Tertanggung: Apakah Status Jaring Pengaman Rumah Sakit Penting? HSR: Penelitian Pelayanan Kesehatan. 2012.
  • Monheit, Alan dkk. Bagaimana Kebijakan Negara untuk Memperluas Pertanggungan Tanggungan Mempengaruhi Status Asuransi Kesehatan Dewasa Muda? HSR: Penelitian Pelayanan Kesehatan. 2011.

Ekstensi (Perbedaan-dalam-Perbedaan-dalam-Perbedaan):

  • Afendulis, Christopher et al. Dampak medicare bagian D pada tingkat rawat inap. Penelitian Pelayanan Kesehatan. 2011.
  • Domino, Marisa. Meningkatkan biaya waktu dan pembayaran bersama untuk obat resep: analisis perubahan kebijakan dalam lingkungan yang kompleks.Penelitian Layanan Kesehatan. 2011.

Ekonomi

  • Card, David dan Alan Krueger. Upah Minimum dan Pekerjaan: Studi Kasus Industri Makanan Cepat Saji di New Jersey dan Pennsylvania. Tinjauan Ekonomi Amerika. 1994.
  • DiTella, Rafael dan Schargrodsky, Ernesto. Apakah Polisi Mengurangi Kejahatan? Perkiraan Menggunakan Alokasi Pasukan Polisi setelah Serangan Teroris. Tinjauan Ekonomi Amerika. 2004.
  • Galiani, Sebastian dkk. Air untuk Kehidupan: Dampak Privatisasi Layanan Air pada Kematian Anak. Jurnal Ekonomi Politik. 2005.

Situs web

Metodologis
http://healthcare-economist.com/2006/02/11/difference-in-difference-estimation/

Statistik (contoh R dan kode Stata)
http://thetarzan.wordpress.com/2011/06/20/differences-in-differences-estimation-in-r-and-stata/

Kursus

On line

Artikel Menarik