📈 economics

Difference-in-Differences in the Presence of Unknown Interference

Esta nota técnica investiga cómo la interferencia desconocida viola el supuesto de SUTVA en los diseños de Diferencias en Diferencias, demostrando que el estimando estándar identifica un contraste de efectos causales en lugar de efectos específicos a menos que se invoquen supuestos adicionales, un punto ilustrado mediante un reexamen del estudio de salario mínimo de Card y Krueger (1994).

Autores originales: Fabrizia Mealli, Javier Viviens

Publicado 2026-07-22

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Fabrizia Mealli, Javier Viviens

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de resolver un misterio: ¿realmente una nueva política causó un cambio, o el cambio fue solo parte de una tendencia natural? En el mundo de la economía y las ciencias sociales, los investigadores utilizan una herramienta ingeniosa llamada "Diferencia en Diferencias" (DiD) para resolver este caso. Piensa en ello como una comparación que viaja en el tiempo. Eliges dos grupos de personas: un "Grupo de Tratamiento" que recibe una nueva regla (como un salario mínimo más alto), y un "Grupo de Control" que mantiene las cosas igual. Mides a ambos grupos antes de que la regla cambie, luego mides a ambos nuevamente después. La magia ocurre cuando comparas cuánto cambió el Grupo de Tratamiento frente a cuánto cambió el Grupo de Control. Si el Grupo de Tratamiento dio un salto mientras que el Grupo de Control se mantuvo plano, podrías concluir que la regla causó el salto.

Pero hay una trampa. Este trabajo detectivesco depende de una regla oculta llamada SUTVA (Supuesto de Valor de Unidad de Tratamiento Estable). En lenguaje sencillo, esta regla dice que la experiencia de una persona no debería verse afectada por lo que le sucede a otra. Supone que si aumentas el salario mínimo en un pueblo, esto no cambia secretamente el mercado laboral en el pueblo vecino. Si esta regla se cumple, las matemáticas funcionan perfectamente. Pero, ¿qué pasa si no es así? ¿Qué pasa si el grupo de "Tratamiento" y el grupo de "Control" se están susurrando secretos, intercambiando información o influyendo mutuamente en sus resultados? Este es el rompecabezas que este artículo aborda: ¿qué sucede con nuestro trabajo detectivesco cuando los grupos no son islas aisladas, sino que están conectados por hilos invisibles de influencia?

Los autores, Fabrizia Mealli y Javier Viviens, se sumergen en este problema con una mezcla de matemáticas rigurosas y ejemplos prácticos. Muestran que cuando existen estos hilos invisibles (que ellos llaman "interferencia" o "efectos de desbordamiento"), el cálculo estándar de DiD deja de decirnos la verdad sobre un solo grupo. En lugar de darnos una respuesta clara como "La política aumentó los empleos en un 5%", las matemáticas solo nos dan una diferencia entre dos incógnitas. Es como intentar averiguar cuánto robó un ladrón de un banco sabiendo únicamente que la bóveda del banco es $1,000 más ligera que la caja fuerte del vecino, sin saber cuánto dinero había en ninguna de las dos para empezar. El resultado te dice la brecha entre los dos grupos, pero no puede decirte si el banco perdió dinero, si el vecino ganó dinero, o si ambos perdieron dinero pero el banco perdió más.

El artículo demuestra que, bajo estas condiciones desordenadas, el número estándar de DiD es solo un "contraste de efectos causales". Revela que el Grupo de Tratamiento fue afectado de manera diferente al Grupo de Control, pero permanece en silencio sobre la dirección o el tamaño del efecto real para cualquiera de los dos grupos. Un resultado positivo podría significar que la política funcionó de maravilla para el grupo tratado, o podría significar que la política perjudicó al grupo de control aún más, o ambas cosas. Los autores son muy claros: sin supuestos adicionales, no podemos separar la señal del ruido.

Sin embargo, los autores no nos dejan simplemente ante un callejón sin salida. Ofrecen un conjunto de escenarios de "qué pasaría si" que podrían ayudarnos a retomar el camino. Sugieren que si los investigadores están dispuestos a hacer conjeturas específicas y razonables sobre cómo funciona la interferencia, pueden empezar a desatar el nudo. Por ejemplo, si asumimos que el efecto de "desbordamiento" en el Grupo de Control es cero (están realmente sin afectación), o si asumimos que el efecto en el Grupo de Control es menor que el efecto en el Grupo de Tratamiento, finalmente podemos empezar a decir algo sobre el impacto real de la política. Incluso muestran cómo configurar "análisis de sensibilidad", que son como pruebas de estrés: "Si el efecto de desbordamiento fuera de este tamaño, ¿seguiría siendo válida nuestra conclusión?".

Para hacer su punto concreto, los autores revisan un famoso estudio de 1994 de Card y Krueger, que afirmaba que aumentar el salario mínimo en Nueva Jersey de hecho aumentó el empleo en los restaurantes de comida rápida. El estudio original comparó a Nueva Jersey con la vecina Pensilvania. Los autores de este nuevo artículo argumentan que si el aumento salarial en Nueva Jersey causó que los trabajadores cruzaran la frontera o cambió la economía en Pensilvania, entonces la regla de "no interferencia" se rompió. En ese caso, la conclusión original de que "los empleos aumentaron" no está necesariamente probada. Las matemáticas solo muestran que Nueva Jersey lo hizo mejor que Pensilvania. Es posible que los empleos disminuyeran en ambos lugares, pero disminuyeron menos en Nueva Jersey. La conclusión original solo sobrevive si asumimos que el efecto de desbordamiento en Pensilvania fue inexistente o menor que el de Nueva Jersey.

En última instancia, este artículo es una llamada de atención para cualquiera que utilice estas herramientas estadísticas. No dice que el DiD sea inútil; simplemente dice que debemos ser mucho más cuidadosos sobre cómo interpretamos los resultados cuando el mundo está interconectado. Los autores demuestran que, si bien el número estándar sigue siendo útil para comparar grupos, deja de ser una medida directa del éxito de una política a menos que añadamos capas adicionales de lógica para explicar cómo los grupos podrían estar influyéndose entre sí. Al hacer visibles estos supuestos ocultos, esperan que los investigadores dejen de adivinar y comiencen a construir argumentos más sólidos y honestos sobre lo que sus datos realmente significan.

Resumen Técnico: Diferencia en Diferencias en Presencia de Interferencia Desconocida

Planteamiento del Problema
El supuesto de la Unidad de Tratamiento Estable (SUTVA, por sus siglas en inglés) es un pilar fundamental del diseño de investigación de Diferencia en Diferencias (DiD), específicamente el componente que descarta la interferencia (efectos de desbordamiento o spillovers) entre unidades. Si bien la literatura reciente e influyente sobre DiD (por ejemplo, de Chaisemartin y D'Haultfœuille, 2020; Callaway y Sant'Anna, 2021) ha abordado rigurosamente problemas como la heterogeneidad de los efectos del tratamiento y las violaciones de las tendencias paralelas, en gran medida ha tratado el supuesto de no interferencia de forma implícita en lugar de explícita. En consecuencia, las propiedades de identificación precisas del estimando de DiD en presencia de interferencia desconocida —donde la estructura de los desbordamientos no está especificada y puede ocurrir tanto dentro como entre grupos— sigue sin haber sido explorada exhaustivamente. Los autores argumentan que, sin supuestos explícitos respecto a la interferencia, la interpretación estándar de los estimandos de DiD es a menudo inválida.

Metodología y Marco Teórico
El artículo adopta un enfoque de superpoblación dentro de un entorno canónico de dos grupos y dos periodos de DiD. Formaliza el marco de resultados potenciales permitiendo que el resultado de la unidad $i$ en el tiempo $t$ dependa del tratamiento asignado a todas las unidades ( $W$ ), denotado como $Y_{it}(W)$ . El vector de asignación de tratamiento se descompone en el propio tratamiento de la unidad ( $W_{it}$ ), el tratamiento de las unidades en el mismo grupo ( $W_{Git}$ ) y el tratamiento de las unidades en el grupo opuesto ( $W_{1-Git}$ ).

El análisis procede relajando el supuesto de no interferencia en etapas:

Sin Interferencia: El caso estándar donde $Y_{it}$ depende solo de $W_{it}$ .
Interferencia Parcial: Existe interferencia dentro de los grupos, pero no entre grupos.
Interferencia Desconocida: No se imponen restricciones a la estructura de la interferencia; las unidades pueden interferir con cualquier otra unidad.

Los autores definen estimandos causales específicos para cada escenario y derivan resultados de identificación basados en supuestos de tendencias paralelas modificados. No imponen mapeos de exposición ni restringen el análisis a poblaciones finitas, manteniendo su agnosticismo respecto a la forma específica de la interferencia.

Resultados Clave e Identificación

Bajo Interferencia Desconocida (Proposición la 3):
El hallazgo principal es que, bajo interferencia desconocida, el estimando estándar de DiD no identifica un efecto causal único (como el Efecto Promedio del Tratamiento sobre los Tratados, ATT). En su lugar, identifica un contraste de dos efectos causales:
$\text{DiD} = \tau_1 - \tau_0$
Donde:
- $\tau_1$ (TATT) es el Efecto Total Promedio del Tratamiento sobre los Tratados (el efecto del tratamiento sobre las unidades tratadas, incluyendo los desbordamientos de todas las demás unidades tratadas).
- $\tau_0$ (ASC) es el Efecto de Desbordamiento Promedio sobre el Grupo de Control (el efecto del tratamiento sobre las unidades de control, derivado de efectos de equilibrio general o desbordamientos de las unidades tratadas).
Los autores demuestran que, si bien el estimando de DiD permite a los investigadores probar si el impacto difiere entre grupos, no proporciona información sobre la magnitud o la dirección de $\tau_1$ o $\tau_0$ de forma individual. Un estimando de DiD de cero podría resultar de que ambos efectos sean cero, o de que ambos sean iguales y distintos de cero. Del mismo modo, un estimando de DiD positivo solo implica que $\tau_1 > \tau_0$ , dejando abiertas situaciones donde ambos efectos son negativos.
Estrategias de Identificación Parcial (Sección 3):
Para recuperar efectos causales específicos, el artículo propone conjuntos alternativos de supuestos:
- Supuestos sobre Tendencias No Observadas (Proposiciones 4 y 5): Si los investigadores asumen que el resultado potencial en ausencia de tratamiento ( $Y(0,0,0)$ ) sigue una tendencia específica (por ejemplo, constante o acotada dentro de un rango $k$ ) dentro de cada grupo, pueden identificar parcialmente $\tau_1$ y $\tau_0$ por separado sin depender de comparaciones entre grupos.
- Supuestos sobre el Signo de los Desbordamientos (Proposición 6): Si se conoce el signo del efecto de desbordamiento sobre el grupo de control ( $\tau_0$ , por ejemplo, $\tau_0 \geq 0$ ), el estimando de DiD proporciona un límite para el efecto total sobre los tratados ( $\tau_1 \geq \text{DiD}$ ).
- Supuestos sobre Magnitud Relativa (Proposición 7): Si se asume que la magnitud del efecto total sobre los tratados es mayor que el efecto de desbordamiento sobre el grupo de control ( $|\tau_1| \geq |\tau_0|$ ), el signo del estimando de DiD identifica el signo del efecto total sobre los tratados ( $\text{sgn}(\tau_1) = \text{sgn}(\text{DiD})$ ).

Aplicación: Card y Krueger (1994)
El artículo revisita el estudio seminal sobre el aumento del salario mínimo en Nueva Jersey. Los autores argumentan que el supuesto de no interferencia es probablemente violado debido al desplazamiento transfronterizo (commuting) y los efectos de equilibrio general que afectan a Pensilvania (el grupo de control).

Reinterpretación: Bajo interferencia desconocida, el estimando original de DiD de 2.75 trabajadores de tiempo completo (FTE) representa la diferencia entre el efecto total en Nueva Jersey y el efecto de desbordamiento en Pensilvania, no el efecto causal del aumento salarial en el empleo de Nueva Jersey por sí solo.
Interpretaciones Alternativas: La conclusión original (que el empleo aumentó) se mantiene válida solo si se realizan supuestos adicionales, tales como:
1. El efecto de desbordamiento en Pensilvania es positivo (Supuesto 10a), lo que convierte al estimando de DiD en un límite inferior.
2. La magnitud del efecto en Nueva Jersey supera el desbordamiento en Pensilvania (Supuesto 11), lo que permite que el signo del estimando de DiD identifique el signo del efecto en Nueva Jersey.

Significancia y Contribución
La contribución principal del artículo es hacer explícito y transparente el problema de identificación en presencia de interferencia. Clarifica que el estimando de DiD no es inherentemente un efecto causal, sino un contraste de efectos cuando existe interferencia. Al formalizar los argumentos que los investigadores aplicados invocan implícitamente (por ejemplo, respecto a la dirección o magnitud de los desbordamientos), el artículo proporciona un marco estructurado para discutir la validez de las conclusiones de DiD. No propone un nuevo algoritmo de estimación, sino un conjunto riguroso de condiciones bajo las cuales los estimandos de DiD existentes pueden tener una interpretación causal, cerrando la brecha entre la práctica estándar de DiD y la compleja realidad de la interferencia en entornos observacionales.

Más como este