📈 economics

Difference-in-Differences in the Presence of Unknown Interference

Diese technische Notiz untersucht, wie unbekannte Interferenzen die SUTVA-Annahme in Differenz-von-Differenzen-Designs verletzen, und zeigt auf, dass der Standard-Estimand einen Kontrast von kausalen Effekten anstelle spezifischer Effekte identifiziert, sofern nicht zusätzliche Annahmen herangezogen werden, ein Punkt, der durch eine Neubetrachtung der Mindestlohnstudie von Card und Krueger (1994) illustriert wird.

Ursprüngliche Autoren: Fabrizia Mealli, Javier Viviens

Veröffentlicht 2026-07-22

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Fabrizia Mealli, Javier Viviens

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen: Hat eine neue Richtlinie tatsächlich eine Veränderung bewirkt, oder war die Veränderung nur Teil eines natürlichen Trends? In der Welt der Wirtschaftswissenschaften und Sozialwissenschaften nutzen Forscher ein kluges Werkzeug namens „Difference-in-Differences“ (DiD), um diesen Fall zu lösen. Man kann es sich wie einen zeitreisenden Vergleich vorstellen. Sie wählen zwei Gruppen von Menschen aus: eine „Behandlungsgruppe“, die eine neue Regel erhält (wie etwa einen höheren Mindestlohn), und eine „Kontrollgruppe“, bei der alles beim Alten bleibt. Sie messen beide Gruppen vor der Änderung der Regel und messen sie dann erneut nach der Änderung. Die Magie geschieht, wenn man die Veränderung der Behandlungsgruppe mit der Veränderung der Kontrollgruppe vergleicht. Wenn die Behandlungsgruppe einen Sprung macht, während die Kontrollgruppe flach bleibt, könnten Sie schlussfolgern, dass die Regel den Sprung verursacht hat.

Aber es gibt einen Haken. Diese Detektivarbeit beruht auf einer verborgenen Regel namens SUTVA (Stable Unit Treatment Value Assumption). In einfachen Worten besagt diese Regel, dass die Erfahrung einer Person nicht durch das beeinflusst werden sollte, was einer anderen Person widerfährt. Sie geht davon aus, dass es die Arbeitswelt in einer benachbarten Stadt nicht heimlich verändert, wenn man den Mindestlohn in einer Stadt erhöht. Wenn diese Regel gilt, funktioniert die Mathematik perfekt. Aber was, wenn sie nicht gilt? Was, wenn die „Behandlungsgruppe“ und die „Kontrollgruppe“ heimlich miteinander flüstern, Geheimnisse austauschen oder sich gegenseitig beeinflussen? Das ist das Rätsel, das dieses Papier behandelt: Was passiert mit unserer Detektivarbeit, wenn die Gruppen keine isolierten Inseln sind, sondern durch unsichtbare Fäden des Einflusses miteinander verbunden sind?

Die Autoren, Fabrizia Mealli und Javier Viviens, widmen sich diesem Problem mit einer Mischung aus strenger Mathematik und praktischen Beispielen. Sie zeigen, dass die Standard-DiD-Berechnung, wenn diese unsichtbaren Fäden (die sie „Interferenz“ oder „Spillover-Effekte“ nennen) existieren, uns nicht mehr die Wahrheit über eine einzelne Gruppe verrät. Anstatt uns eine klare Antwort wie „Die Richtlinie hat die Arbeitsplätze um 5 % erhöht“ zu geben, liefert die Mathematik nur eine Differenz zwischen zwei Unbekannten. Es ist, als würde man versuchen herauszufinden, wie viel ein Dieb aus einer Bank gestohlen hat, indem man nur weiß, dass der Tresor der Bank 1.000 $ leichter ist als der Safe des Nachbarn, ohne zu wissen, wie viel Geld in beiden ursprünglich vorhanden war. Das Ergebnis sagt einem den Abstand zwischen den beiden Gruppen, aber es kann nicht sagen, ob die Bank Geld verloren hat, ob der Nachbar gewonnen hat oder ob beide verloren haben, aber die Bank mehr verloren hat.

Das Papier beweist, dass die Standard-DiD-Zahl unter diesen unordentlichen Bedingungen lediglich ein „Kontrast kausaler Effekte“ ist. Sie offenbart, dass die Behandlungsgruppe anders beeinflusst wurde als die Kontrollgruppe, bleibt aber stumm über die Richtung oder die tatsächliche Größe des Effekts für eine der beiden Gruppen. Ein positives Ergebnis könnte bedeuten, dass die Richtlinie für die behandelte Gruppe großartig funktionierte, oder es könnte bedeuten, dass die Richtlinie die Kontrollgruppe noch stärker geschädigt hat, oder beides. Die Autoren sind sich sehr bewusst: Ohne zusätzliche Annahmen können wir das Signal nicht vom Rauschen trennen.

Die Autoren lassen uns jedoch nicht vor einem Sackgasse stehen. Sie bieten eine Reihe von „Was-wäre-wenn“-Szenarien an, die helfen können, wieder auf Kurs zu kommen. Sie schlagen vor, dass wir, wenn Forscher bereit sind, spezifische, vernünftige Vermutungen darüber anzustellen, wie die Interferenz funktioniert, endlich anfangen können, den Knoten zu entwirren. Wenn wir zum Beispiel annehmen, dass der „Spillover“-Effekt auf die Kontrollgruppe null ist (sie ist wirklich unbeeinflusst), oder wenn wir annehmen, dass der Effekt auf die Kontrollgruppe kleiner ist als der Effekt auf die Behandlungsgruppe, können wir endlich anfangen, etwas über die tatsächliche Auswirkung der Richtlinie zu sagen. Sie zeigen sogar, wie man „Sensitivitätsanalysen“ aufbaut, die wie Belastungstests funktionieren: „Wenn der Spillover-Effekt so groß gewesen wäre, würde unsere Schlussfolgerung dann immer noch halten?“

Um ihren Punkt konkret zu machen, untersuchen die Autoren eine berühmte Studie aus dem Jahr 1994 von Card und Krueger, die behauptete, dass die Erhöhung des Mindestlohns in New Jersey die Beschäftigung in Fast-Food-Restaurants tatsächlich erhöht habe. Die Originalstudie verglich New Jersey mit dem benachbarten Pennsylvania. Die Autoren dieses neuen Papiers argumentieren, dass wenn die Lohnerhöhung in New Jersey dazu führte, dass Arbeiter die Grenze überquerten oder die Wirtschaft in Pennsylvania veränderte, dann die „Keine-Interferenz“-Regel gebrochen wurde. In diesem Fall ist die ursprüngliche Schlussfolgerung, dass „die Arbeitsplätze zunahmen“, nicht unbedingt bewiesen. Die Mathematik zeigt nur, dass New Jersey besser abschnitt als Pennsylvania. Es ist möglich, dass die Arbeitsplätze in beiden Orten zurückgingen, aber in New Jersey weniger stark zurückgingen. Die ursprüngliche Schlussfolgerung überlebt nur, wenn wir davon ausgehen, dass der Spillover-Effekt auf Pennsylvania entweder nicht existent oder kleiner als der Effekt auf New Jersey war.

Letztendlich ist dieses Papier ein Weckruf für jeden, der diese statistischen Werkzeuge verwendet. Es sagt nicht, dass DiD nutzlos ist; es sagt nur, dass wir viel vorsichtiger sein müssen, wie wir die Ergebnisse interpretieren, wenn die Welt miteinander vernetzt ist. Die Autoren zeigen auf, dass die Standardzahl zwar immer noch nützlich ist, um Gruppen zu vergleichen, aber aufhört, ein direktes Maß für den Erfolg einer Richtlinie zu sein, sofern wir nicht zusätzliche Logikebenen hinzufügen, um zu erklären, wie die Gruppen einander beeinflussen könnten. Indem sie diese verborgenen Annahmen sichtbar machen, hoffen sie, dass Forscher aufhören zu raten und statfangen, stärkere, ehrlichere Argumente darüber aufzubauen, was ihre Daten wirklich bedeuten.

Technisches Resümee: Differenz-von-Differenzen in der Gegenwart unbekannter Interferenz

Problemstellung
Die Annahme der stabilen Behandlungseinheitswerte (Stable Unit Treatment Value Assumption, SUTVA) ist eine fundamentale Säule des Differenz-von-Differenzen-Forschungsdesigns (DiD), insbesondere der Komponente, die Interferenz (Spillover-Effekte) zwischen Einheiten ausschließt. Während die jüngere, einflussreiche DiD-Literatur (z. B. de Chaisemartin und D'Haultfœuille, 2020; Callaway und Sant'Anna, 2021) Probleme wie heterogene Behandlungseffekte und Verletzungen paralleler Trends rigoros adressiert hat, hat sie die Annahme der Nicht-Interferenz weitgehend implizit statt explizit behandelt. Folglich bleibt die präzise Identifikationseigenschaft des DiD-Estimands in der Gegenwart von unbekannter Interferenz – bei der die Struktur der Spillovers nicht spezifiziert ist und sowohl innerhalb als auch zwischen Gruppen auftreten kann – untererforscht. Die Autoren argumentieren, dass ohne explizite Annahmen bezüglich der Interferenz die Standardinterpretation von DiD-Schätzungen oft ungültig ist.

Methodik und Rahmenwerk
Die Arbeit verwendet einen Superpopulationsansatz innerhalb eines kanonischen Zwei-Gruppen-Zwei-Zeiträume-DiD-Settings. Sie formalisiert das Potenzielle-Ergebnisse-Framework, indem sie zulässt, dass das Ergebnis der Einheit $i$ zum Zeitpunkt $t$ von der Behandlungszuweisung aller Einheiten ( $W$ ) abhängt, bezeichnet als $Y_{it}(W)$ . Der Behandlungszuweisungsvektor wird zerlegt in die eigene Behandlung der Einheit ( $W_{it}$ ), die Behandlung der Einheiten in derselben Gruppe ( $W_{Git}$ ) und die Behandlung der Einheiten in der gegenüberliegenden Gruppe ( $W_{1-Git}$ ).

Die Analyse erfolgt durch die schrittweise Lockerung der Nicht-Interferenz-Annahme:

Keine Interferenz: Der Standardfall, in dem $Y_{it}$ nur von $W_{it}$ abhängt.
Partielle Interferenz: Interferenz existiert innerhalb von Gruppen, aber nicht zwischen Gruppen.
Unbekannte Interfenz: Es werden keine Beschränkungen für die Interferenzstruktur auferlegt; Einheiten können mit jeder anderen Einheit interferieren.

Die Autoren definieren spezifische kausale Estimanden für jedes Szenario und leiten Identifikationsergebnisse basierend auf modifizierten Parallel-Trends-Annahmen ab. Sie legen keine Exposure-Mappings fest und beschränken die Analyse nicht auf endliche Populationen, wodurch sie hinsichtlich der spezifischen Form der Interferenz agnostisch bleiben.

Wichtigste Ergebnisse und Identifikation

Unter unbekannter Interferenz (Proposition 3):
Das primäre Ergebnis ist, dass der Standard-DiD-Estimand unter unbekannter Interferenz keinen einzelnen kausalen Effekt (wie den Average Treatment Effect on the Treated, ATT) identifiziert. Stattdessen identifiziert er einen Kontrast zweier kausaler Effekte:
$\text{DiD} = \tau_1 - \tau_0$
Wobei:
- $\tau_1$ (TATT) der Total Average Treatment Effect on the Treated ist (der Effekt der Behandlung auf die behandelten Einheiten, einschließlich der Spillovers von allen anderen behandelten Einheiten).
- $\tau_0$ (ASC) der Average Spillover Effect on the Control ist (der Effekt der Behandlung auf die Kontrollgruppen-Einheiten, abgeleitet aus allgemeinen Gleichgewichtseffekten oder Spillovers von behandelten Einheiten).
Die Autoren zeigen, dass der DiD-Estimand zwar Forschern ermöglicht zu testen, ob sich die Auswirkungen zwischen den Gruppen unterscheiden, aber keine Information über die Größenordnung oder Richtung von $\tau_1$ oder $\tau_0$ einzeln liefert. Ein Null-DiD-Schätzwert könnte daraus resultieren, dass beide Effekte null sind, oder dass beide gleich und ungleich Null sind. Ebenso impliziert ein positiver DiD-Schätzwert lediglich, dass $\tau_1 > \tau_0$ , was Szenarien offen lässt, in denen beide Effekte negativ sind.
Strategien zur partiellen Identifikation (Abschnitt 3):
Um spezifische kausale Effekte zu rekonstruieren, schlägt das Paper alternative Sätze von Annahmen vor:
- Annahmen über unbeobachtete Trends (Propositionen 4 & 5): Wenn Forscher annehmen, dass das potenzielle Ergebnis in Abwesenheit der Behandlung ( $Y(0,0,0)$ ) einem spezifischen Trend folgt (z. B. konstant oder innerhalb eines Bereichs $k$ begrenzt) innerhalb jeder Gruppe, können sie $\tau_1$ und $\tau_0$ separat identifizieren, ohne sich auf gruppenübergreifende Vergleiche zu verlassen.
- Annahmen über das Vorzeichen von Spillovers (Proposition 6): Wenn das Vorzeichen des Spillover-Effekts auf die Kontrollgruppe ( $\tau_0$ ) bekannt ist (z. B. $\tau_0 \geq 0$ ), liefert der DiD-Estimand eine Untergrenze für den Gesamteffekt auf die Behandelten ( $\tau_1 \geq \text{DiD}$ ).
- Annahmen über die relative Größenordnung (Proposition 7): Wenn die Größenordnung des Gesamteffekts auf die Behandelten als größer als der Spillover-Effekt auf die Kontrollgruppe angenommen wird ( $|\tau_1| \geq |\tau_0|$ ), identifiziert das Vorzeichen des DiD-Estimands das Vorzeichen des Gesamteffekts auf die Behandelten ( $\text{sgn}(\tau_1) = \text{sgn}(\text{DiD})$ ).

Anwendung: Card und Krueger (1994)
Das Paper reevaluiert die wegweisende Studie zur Erhöhung des Mindestlohns in New Jersey. Die Autoren argumentieren, dass die Annahme der Nicht-Interferenz wahrscheinlich verletzt ist, aufgrund von grenzüberschreitendem Pendelverkehr und allgemeinen Gleichgewichtseffekten, die Pennsylvania (die Kontrollgruppe) beeinflussen.

Reinterpretation: Unter unbekannter Interferenz stellt der ursprüngliche DiD-Schätzwert von 2,75 FTE-Arbeitern die Differenz zwischen dem Gesamteffekt in New Jersey und dem Spillover-Effekt in Pennsylvania dar, nicht den kausalen Effekt der Lohnerhöhung auf die Beschäftigung in New Jersey allein.
Alternative Interpretationen: Die ursprüngliche Schlussfolgerung (dass die Beschäftigung stieg) gilt nur unter der Voraussetzung zusätzlicher Annahmen, wie etwa:
1. Der Spillover-Effekt in Pennsylvania ist positiv (Annahme 10a), was den DiD-Schätzwert zu einer Untergrenze macht.
2. Die Größenordnung des Effekts in New Jersey übersteigt den Spillover in Pennsylvania (Annahme 11), was es ermöglicht, das Vorzeichen des DiD-Schätzers als das Vorzeichen des New-Jersey-Effekts zu identifizieren.

Bedeutung und Beitrag
Der Hauptbeitrag des Papers besteht darin, das Identifikationsproblem in der Gegenwart von Interferenz explizit und transparent zu machen. Es klärt, dass der DiD-Estimand bei Vorliegen von Interferenz kein inhärenter kausaler Effekt ist, sondern ein Kontrast von Effekten. Indem es die Argumente formalisiert, die angewandte Forschung oft implizit heranzieht (z. B. bezüglich der Richtung oder Größenordnung von Spillovers), bietet das Paper einen strukturierten Rahmen für die Diskussion der Validität von DiD-Schlussfolgerungen. Es schlägt keinen neuen Schätzalgorithmus vor, sondern vielmehr eine rigorose Menge an Bedingungen, unter denen bestehende DiD-Schätzungen eine kausale Interpretation erhalten können, wodurch die Lücke zwischen der Standard-DiD-Praxis und der komplexen Realität der Interferenz in Beobachtungssituationen geschlossen wird.

Mehr davon