Méthode des doubles différences

Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

Difference in differences (DID or DD) is a statistical technique used in econometrics and quantitative research in the social sciences that attempts to mimic an experimental research design using observational study data, by studying the differential effect of a treatment on a 'treatment group' versus a 'control group' in a natural experiment. It calculates the effect of a treatment (i.e., an explanatory variable or an independent variable) on an outcome (i.e., a response variable or dependent variable) by comparing the average change over time in the outcome variable for the treatment group to the average change over time for the control group. Although it is intended to mitigate the effects of extraneous factors and selection bias, depending on how the treatment group is chosen, this method may still be subject to certain biases (e.g., mean regression, reverse causality and omitted variable bias). In contrast to a time-series estimate of the treatment effect on subjects (which analyzes differences over time) or a cross-section estimate of the treatment effect (which measures the difference between treatment and control groups), difference in differences uses panel data to measure the differences, between the treatment and control group, of the changes in the outcome variable that occur over time. Difference in differences requires data measured from a treatment group and a control group at two or more different time periods, specifically at least one time period before "treatment" and at least one time period after "treatment." In the example pictured, the outcome in the treatment group is represented by the line P and the outcome in the control group is represented by the line S. The outcome (dependent) variable in both groups is measured at time 1, before either group has received the treatment (i.e., the independent or explanatory variable), represented by the points P1 and S1. The treatment group then receives or experiences the treatment and both groups are again measured at time 2.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (5)

(Geometry Aware) Deep Learning-based Omnidirectional Image Compression

Yamin Sepehri

Omnidirectional images are the spherical visual signals that provide a wide, 360◦, view of a scene from a specific position. Such images are becoming increasingly popular in fields like virtual realit

2020

Dopaminergic modulation of cortical motor network lateralization

Michael Herzog, Maya Anna Jastrzebowska, Lester Melie Garcia, Renaud Marquis, Bogdan Draganski

Introduction Unilateral movements are primarily processed in contralateral cortical and subcortical areas and additionally in ipsilateral cerebellum, leading to an asymmetric pattern of neural activat

2018

Morphology-driven automatic segmentation of MR images of the neonatal brain

Michel Kocher, Laura Ioana Gui, François Lazeyras, Radoslaw Lisowski

The segmentation of MR images of the neonatal brain is an essential step in the study and evaluation of infant brain development. State-of-the-art methods for adult brain MRI segmentation are not appl

Elsevier Science Bv2012

Afficher plus

Personnes associées (1)

Concepts associés (5)

Cours associés (3)

MGT-581: Introduction to econometrics

The course provides an introduction to econometrics. The objective is to learn how to make valid (i.e., causal) inference from economic data. It explains the main estimators and present methods to dea

MGT-499: Statistics and data science

This class provides a hands-on introduction to statistics and data science, with a focus on causal inference and applications to sustainability issues using Python.

MGT-641(c): Technology and Public Policy - (c) Technology, intellectual property and innovation policy

The class will provide information about what STI support tools exist and why, will explain the rationales and best practices for STI policy intervention and will provide with a sound understanding of

Séances de cours associées (4)

Méthode d'appariement

En statistiques et en économétrie, les méthodes d'appariement (en anglais matching) sont un ensemble de méthodes statistiques permettant d'évaluer l'effet causal d'un traitement. Cette méthode est notamment utilisée pour évaluer l'effet causal d'un traitement en comparant des individus traités et non-traités ayant des caractéristiques observables similaires. Les méthodes d'appariement ont été promues par Donald Rubin. Elles ont été fortement critiquées par Robert LaLonde en . Modèle causal de Neyman-Rubin

Économétrie

L'économétrie est une branche de la science économique qui a pour objectif d'estimer et de tester les modèles économiques. L'économétrie en tant que discipline naît dans les années 1930 avec la création de la société d'économétrie par Irving Fisher et Ragnar Frisch (1930) et la création de la revue Econometrica (1933). Depuis lors, l'économétrie n'a cessé de se développer et de prendre une importance croissante au sein de la science économique. L'économétrie théorique se focalise essentiellement sur deux questions, l'identification et l'estimation statistique.

Méthode des doubles différences

La méthode des doubles différences (ou méthode des différences de différences) est une méthode statistique utilisée pour estimer l'effet d'un traitement et consistant à comparer la différence entre le groupe de contrôle et le groupe traité avant et après l'introduction du traitement. Cette méthode est notamment utilisée en évaluation des politiques publiques pour estimer l'effet d'un traitement dans le cadre théorique du modèle causal de Neyman-Rubin. Expérience naturelle Estimateur de Wald Méthode à contr

Tests statistiques : T-Tests et ANOVA MICRO-110: Design of experiments

Couvre le calcul des t-tests appariés, les avantages/inconvénients des différents t-tests, et le concept d’ANOVA.

Saisons et simulateur d'éclipse PHYS-118: Building physics

Explique les saisons, les équinoxes, les solstices, l'orbite de la Terre et le temps solaire.

Théorème de Dirichlet: Coefficients de Fourier Complexes MATH-203(b): Analysis III

Couvre le théorème de Dirichlet et les coefficients de Fourier complexes pour les fonctions périodiques.