¡Hola!
Esta es la última parte de esta serie sobre la revolución de la credibilidad.
En cierto modo, con esto terminaría el primer capítulo de mi segundo libro. Es la parte en la que más batallé, porque es la que conecta el capítulo 1 con el resto del libro.
La idea es esta: No hay un libro de Diferencias en Diferencias en español porque es un área que está avanzando muy rápido en los últimos años, pero es algo en lo que yo creo que no nos podemos quedar atrás en otras partes del mundo. Es demasiado importante: es la forma en la que estamos evaluando nuestros programas y debemos poder hacerlo bien.
Así que esta es mi forma de avanzar en ese frente 10x más rápido. En lugar de que empecemos a ver libros al respecto en 10 años, estamos viendo los avances por partes HOY. Con tu apoyo, claro está.
Anyway... Me tardé un poco más de lo esperado en esta parte porque no lograba llegar al punto. Pero si algo te puedo decir es que esta es la mejor explicación en español o en inglés que he visto sobre los avances de DD. Es el atajo para estar en la línea junto con los econometristas más avanzados DEL MUNDO. No estoy exagerando: realmente lo creo.
Disfruta.
Los métodos de Diferencias en Diferencias han cambiado mucho desde los tiempos del estudio de David Card en Miami.
El problema surgió porque investigadores en el área de econometría se han dedicado a hacerle ingeniería inversa a los estimadores y han encontrado complejidades adicionales a algo que parecía muy sencillo e intuitivo. El modelo 2x2 que discutimos anteriormente es uno de los más populares para hacer investigación aplicada. Casi una tercera parte de los artículos de economía aplicada en el NBER de los últimos años usaron Diferencias en Diferencias (Goldsmith-Pinkham, 2024).
Pues resulta que Diferencias en Diferencias ni es simple, ni es intuitivo, ni es tan fácil de entender como al inicio parece.
Sumado a esto, la profesión de economista ha pasado de ser sólo teoría a una disciplina empírica (Hamermesh, 2013), por lo que las herramientas para la evaluación econométrica creíble sigue y seguirá creciendo.
Pero lo más importante: los datos no siempre se ajustan al modelo canónico. Por eso es necesario adaptar los modelos para que se puedan aplicar a la realidad.
Roth, et al. (2023) identifican tres diferentes formas en las que se relajan los supuestos estándar del modelo de Diferencias en Diferencias:
- Múltiples periodos y variación en el periodo de tratamiento.
- Posibles violaciones al supuesto de las tendencias paralelas.
- Se separan del supuesto de observar a una muestra de muchos clusters independiente que se toman de una super-población.
Son estas las desviaciones que han hecho que la discusión se haya enriquecido tan fuertemente en los últimos años —y que entrar en el mundo de las diferencias en diferencias se convierta en una confusión. Rápidamente dejamos atrás el mundo en el que hacer DD era un proceso sencillo que sólo se trataba de encontrar un buen experimento natural y aplicar un modelo de efectos fijos de dos vías.
Esto es bueno y malo.
Bueno, porque ahora podemos usar DD para situaciones más complejas con múltiples periodos y relajando los supuestos canónicos de tendencias paralelas. Malo porque tenemos que ser más cuidadosos al momento de estimar nuestros errores estándar.
Este es un newsletter que trata de ciencia económica. En particular: econometría.
La econometría no es lo mismo que la ciencia de datos: es un área especial especializada en los datos económicos. Yo soy de la idea de que si eres economista, vale mucho la pena que aprendas a fondo la econometría y que te posiciones como econometrista, no como data scientist.
En los últimos años la econometría ha evolucionado y dejó de ser las recetas de cocina de los libros de texto de los 80s y se convirtió en un área completa de estudio con sus técnicas de inferencia causal propias. La diferencia está en el enfoque, que plantea pensar en experimentos y de ahí crear la estrategia de identificación.
En esta serie estaremos hablando de esta revolución de la credibilidad, incluyendo cómo evitar el sesgo de selección y cómo encontrar experimentos naturales. Es la primera serie que nos llevará a profundizar en el modelo de diferencias en diferencias, que es uno de los modelos de más crecimiento en los últimos años.
Su popularidad ha crecido mucho porque permite tener estudios con mucho valor y muchas credibilidad (sin todo el presupuesto que requiere hacer experimentos).
Así que, si es de tu interés aprender esta técnica, te veo en el resto de las publicaciones de esta serie.
¿Qué hay debajo del paywall? En esta edición:
- La mejor explicación que jamás has visto sobre cómo funciona DD moderno (lo sé porque yo mismo jamás lo había entendido hasta ahora).
- Todas las referencias que estoy usando.
- Y este es el post que conecta toda la serie y que le da razón de ser a mi segundo libro de econometría sobre Diferencias en Diferencias.
Además, con tu acceso se abre el acceso a todas mis publicaciones de pago. Pasadas y futuras.
PS: Te dejé un periodo de prueba de 7 días para que puedas verlas.
Múltiples periodos y variación en el tiempo de tratamiento
Para hacer un modelo de DD 2x2 solamente necesitas un antes y un después.
Pero la realidad es más sucia.
Las políticas no se implementan para todos al mismo tiempo. Un estado adopta una ley en 2010, otro en 2012, y un tercero en 2015. Esto se conoce como tratamiento escalonado (staggered adoption).
La reacción natural de cualquier economista fue decir: "¡Más datos! ¡Mejor!". Y aplicar el mismo modelo de siempre: una regresión con efectos fijos de dos vías (TWFE, por sus siglas en inglés). Parecía lógico. Controlas por unidades (estados) y por tiempo (años) y dejas que la variable de tratamiento te dé la respuesta.
ERROR.
Aquí es donde la "revolución" explotó. Investigadores como Goodman-Bacon (2018) y de Chaisemartin & D'Haultfoeuille (2019) metieron las manos en el motor del TWFE y descubrieron algo espantoso.
Leer el artículo completo
Registrarse ahora para leer el artículo completo y acceder a todos los artículos por solo suscriptores pagos.
Suscribirse
