Bias-Variance Tradeoff of Matching Prior to Difference-in-Differences When Parallel Trends is Violated

ملخص تقني: مقايضة التحيز والتباين في المطابقة قبل نموذج الفرق في الفروق

بيان المشكلة
في مجالات إدارة العمليات التجريبية والمجالات ذات الصلة، يُعد مُقدِّر "الفرق في الفروق" (Difference-in-Differences - DiD) أداة قياسية للاستدلال السببي، حيث يعتمد على فرضية "الاتجاهات المتوازية" (Parallel Trends - PT). ولتعزيز معقولية هذه الفرضية، يلجأ الباحثون تكراراً إلى استراتيجية "المطابقة-الفرق في الفروق" (Matching-DiD)، والتي تعتمد على مطابقة الوحدات المعالجة والضابطة بناءً على متغيرات تفسيرية مرصودة قبل عملية التقدير. وبينما قامت الأدبيات الحالية (مثل: Chabé-Ferret, 2015؛ وHam and Miratrix, 2024) بتحليل خصائص التحيز لهذه المُقدِّرات بشكل مستفيض، إلا أنها أغفلت إلى حد كبير الآثار المترتبة على التباين ومتوسط مربع الخطأ (MSE). وهذا يخلق فجوة في فهم الأداء العام لمُقدِّرات M-DiD، لا سيما فيما يتعلق بالمقايضة بين تقليل التحيز من خلال المطابقة وبين احتمالية زيادة التباين نتيجة لتقليص حجم العينة. علاوة على ذلك، اعتمدت الدراسات السابقة غالباً على التوقعات الحدية على مستوى المجتمع بدلاً من خصائص العينة المحدودة، كما اعتمد بعضها على افتراضات التوزيع الطبيعي القوية.

المنهجية
يطور المؤلفون إطاراً نظرياً قائماً على نموذج معادلة هيكلية خطي مع وجود متغيرات مربكة غير مرصودة متغيرة زمنياً. ويسمح هذا النموذج بما يلي:

1. التأثيرات المتغيرة زمنياً: يمكن أن تتغير معاملات المتغيرات المرصودة ($X$) والمتغيرات الكامنة ($\theta$) بمرور الوقت، مما يؤدي إلى انتهاكات محتملة للاتجاهات المتوازية.
2. تحليل العينة المحدودة: على عكس العمل السابق الذي ركز فقط على الحدود التقاربية، يحدد المؤلفون نظائر للعينة المحدودة لثلاثة مُقدِّرات:
   • مُقدِّر الفرق في الفروق الكلاسيكي غير المطابق ($\hat{\tau}_{DiD}$).
   • الفرق في الفروق بعد المطابقة على المتغيرات المرصودة ($\hat{\tau}^X_{DiD}$).
   • الفرق في الفروق بعد المطابقة على كل من المتغيرات المرصودة والنتائج ما قبل المعالجة ($\hat{\tau}^{X,Y_0}_{DiD}$).
3. تخفيف الافتراضات: يستبدل الإطار افتراضات التوزيع الطبيعي الموجودة في الأدبيات السابقة (مثل: Ham and Miratrix, 2024) بشروط الاستمرارية لـ "ليبتشيتز" (Lipschitz continuity) على العزول الشرطية، مما يستوعب المتغيرات التفسيرية المنفصلة وهياكل التوزيع الأوسع.
4. التعميم: تم توسيع التحليل من إعداد أحادي المتغير وفترتين زمنيتين إلى إعداد متعدد المتغيرات عام مع فترات متعددة ما قبل المعالجة ($T > 1$)، باستخدام تكافؤ انحدار التأثيرات الثابتة ثنائية الاتجاه.

المساهمات الرئيسية

1. توصيف العينة المحدودة: يقدم البحث إثباتاً لاتساق مُقدِّرات الفرق في الفروق والمطابقة في العينات المحدودة، مما يسد الفجوة بين القيم الحدية النظرية والتطبيق العملي.
2. تحليل التباين ومتوسط مربع الخطأ (MSE): يقدم المؤلفون توصيفات رياضية دقيقة للتباين وMSE لهذه المُقدِّرات. ويوضحون أن المقايضات الملاحظة في التحيز لا تنطبق بالضرورة على التباين.
3. نتائج المقايضة الجديدة:
   • المطابقة على المتغيرات التفسيرية ($X$): خلافاً لنتائج التحيز التي تشير إلى أن المطابقة على $X$ مفيدة دائماً، يوضح المؤلفون أن المطابقة على $X$ تنطوي على مقايضة في حجم العينة. فعندما تُنتهك الاتجاهات المتوازية، تعمل المطابقة على $X$ على تقليل التباين عبر إزالة التباين الناتج عن $X$، ولكن هذه الفائدة تُقابلها خسارة في حجم العينة الفعال (مما يزيد من التباين في أخذ العينات). وبالتالي، لا يُنصح دائماً بالمطابقة على $X$ عند النظر في التباين.
   • المطابقة على نتائج ما قبل المعالجة ($Y_0$): في المقابل، تؤدي المطابقة الإضافية على نتائج ما قبل المعالجة دائماً إلى تقليل التباين مقارنة بالمطابقة على $X$ فقط. وذلك لأن حجم العينة الفعال يظل كما هو (بما أن المطابقة قد تمت بالفعل)، وتعمل المطابقة على $Y_0$ على تقليل حد الخطأ غير القابل للاختزال وتحسين موثوقية مطابقة المتغير الكامن.
4. إرشادات عملية: يقدم البحث استراتيجيات تقدير وإرشادات خطوة بخطوة للباحثين التطبيقيين لتقرير ما إذا كان ينبغي إجراء المطابقة، وعلى أي المتغيرات، بناءً على أحجام عيناتهم المحددة وما إذا كانوا يعطون الأولوية للتحيز أو التباين أو متوسط مربع الخطأ (MSE).

النتائج الرئيسية

• تباعد التحيز والتباين: يثبت البحث وجود مقايضة واضحة بين التحيز والتباين. فبينما تقلل المطابقة على $X$ التحيز عموماً، إلا أنها قد تزيد التباين إذا كانت تكلفة تقليص حجم العينة تفوق فائدة إزالة عدم التوازن في المتغيرات.
• حد "الموثوقية": يعتمد تباين المُقدِّر الذي يطابق نتائج ما قبل المعالجة على حد "الموثوقية" ($r_{\theta|x}$)، والذي يقيس مدى قدرة نتائج ما قبل المعالجة على التنبؤ بالمتغير الكامن $\theta$ بعد التحكم في $X$. ومع زيادة عدد فترات ما قبل المعال "، تقترب هذه الموثوقية من 1، مما يدفع تباين المُقدِّر المطابق نحو حد الخطأ غير القابل للاختزال.
• آثار متوسط مربع الخطأ (MSE): نظراً لأن التحيز والتباين يتحركان في اتجاهات مختلفة اعتماداً على استراتيجية المطابقة، فإن المُقدِّر الأمثل لتقليل MSE يعتمد على السياق. يقدم المؤلفون مُقدِّرات لنسب التخفيض النسبية في التحيز والتباين وMSE (في ظل شروط إشارية محددة) لتوجيه عملية صنع القرار.
• التطبيق التجريبي: من خلال إعادة تحليل دراسة Wang et al. (2022) المتعلقة بالحوافز النقدية على منصة Zhihu، وجد المؤلفون أن القرار الأصلي بالمطابقة على كل من المتغيرات التفسية ونتائج ما قبل المعالجة كان مبرراً إحصائياً. وأظهر التحليل انخفاضاً كبيراً في التحيز مع تكلفة ضئيلة في التباين، مما يدعم استخدام استراتيجية M-DiD الكاملة في ذلك السياق المحدد.

الأهمية والادعاءات
يدعي البحث سد فجوة حرجة في الأدبيات من خلال الانتقال من تحليل التحيز فقط إلى إطار شامل للتحيز والتباين ومتوسط مربع الخطأ (MSE). وتكمن أهميته في:

• تصحيح الحدس: إنه يتحدى الفكرة السائدة بأن المطابقة هي دائماً الأفضل، موضحاً أنه عند النظر في اعتبارات التباين، قد يكون نموذج الفرق في الفروق الكلاسيكي غير المطابق هو الأفضل أحياناً بسبب كفاءة حجم العينة.
• الأهمية الإدارية: من خلال تقديم مقاييس (MSE) وإرشادات ذات صلة بتقليل عرض فترات الثقة ومخاطر اتخاذ القرار، يقدم العمل أدوات عملية لباحثي إدارة العمليات.
• الدقة النظرية: يقوم بتعميم النتائج السابقة عبر تخفيف افتراضات التوزيع الطبيعي وتقديم براهين الاتساق في العينات المحدودة، مما يجعل النتائج أكثر قوة في السياقات التطبيقية للبيانات المنفصلة.

يظل المؤلفون متواضعين في طرحهم، حيث يقرون بالقيود مثل الاعتماد على نموذج هيكلي خطي وافتراض المتغيرات الثابتة زمنياً (رغم حُجتهم بأن هذا يمكن إعادة صياغته لتقريب السياقات المتغيرة زمنياً). هم لا يدعون القضاء على التحيز تماماً، بل يهدفون إلى توفير إطار لاختيار المُقدِّر الذي يقلل الخطأ الإجمالي (MSE) في ظل القيود المحددة للبيانات.