📈 economics

Difference-in-Differences in the Presence of Unknown Interference

Cette note technique examine comment une interférence inconnue viole l'hypothèse SUTVA dans les modèles de doubles différences, démontrant que l'estimateur standard identifie un contraste d'effets causaux plutôt que des effets spécifiques à moins que des hypothèses supplémentaires ne soient invoquées, un point illustré par un réexamen de l'étude de Card et Krueger (1994) sur le salaire minimum.

Auteurs originaux : Fabrizia Mealli, Javier Viviens

Publié 2026-07-22

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Fabrizia Mealli, Javier Viviens

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre un mystère : une nouvelle politique a-t-elle réellement provoqué un changement, ou ce changement fait-il simplement partie d'une tendance naturelle ? Dans le monde de l'économie et des sciences sociales, les chercheurs utilisent un outil ingénieux appelé « Différence de Différences » (DiD) pour résoudre cette énigme. Considérez cela comme une comparaison avec un voyage dans le temps. Vous choisissez deux groupes de personnes : un « Groupe de Traitement » qui reçoit une nouvelle règle (comme un salaire minimum plus élevé), et un « Groupe de Contrôle » qui ne change pas. Vous mesurez les deux groupes avant le changement de règle, puis vous les mesurez à nouveau après. La magie opère lorsque vous comparez l'évolution du Groupe de Traitement par rapport à celle du Groupe de Contrôle. Si le Groupe de Traitement bondit tandis que le Groupe de Contrôle reste stable, vous pourriez conclure que la règle a causé ce bond.

Mais il y a un piège. Ce travail de détective repose sur une règle cachée appelée SUTVA (Stable Unit Treatment Value Assumption). En langage clair, cette règle stipule que l'expérience d'une personne ne devrait pas être affectée par ce qui arrive à quelqu'un d'autre. Elle suppose que si vous augmentez le salaire minimum dans une ville, cela ne change pas secrètement le marché du travail dans la ville voisine. Si cette règle est respectée, le calcul fonctionne parfaitement. Mais que se passe-t-il si elle ne l'est pas ? Et si le « Groupe de Traitement » et le « Groupe de Contrôle » sont en réalité en train de se chuchoter des secrets, d'échanger des informations ou d'influencer mutuellement leurs résultats ? C'est le puzzle que cet article aborde : que se passe-t-il dans notre travail de détective lorsque les groupes ne sont pas des îles isolées, mais sont en fait reliés par des fils invisibles d'influence ?

Les auteurs, Fabrizia Mealli et Javier Viviens, plongent dans ce problème avec un mélange de mathématiques rigoureuses et d'exemples pratiques. Ils montrent que lorsque ces fils invisibles (qu'ils appellent « interférence » ou « débordements ») existent, le calcul standard de la DiD cesse de nous dire la vérité sur un groupe unique. Au lieu de nous donner une réponse claire comme « La politique a augmenté l'emploi de 5 % », le calcul ne nous donne qu'une différence entre deux inconnues. C'est comme essayer de déterminer combien de l'argent un voleur a dérobé dans une banque en sachant seulement que le coffre de la banque est 1 000 $ plus léger que le coffre du voisin, sans savoir combien d'argent il y avait dans l'un ou l'autre au départ. Le résultat vous indique l'écart entre les deux groupes, mais il ne peut pas vous dire si la banque a perdu de l'argent, si le voisin en a gagné, ou si les deux ont perdu de l'argent mais que la banque a perdu davantage.

L'article prouve que, dans ces conditions complexes, le chiffre standard de la DiD n'est qu'un « contraste d'effets causaux ». Il révèle que le Groupe de Traitement a été affecté différemment du Groupe de Contrôle, mais il reste silencieux sur la direction ou l'ampleur de l'effet réel pour l'un ou l'autre groupe. Un résultat positif pourrait signifier que la politique a très bien fonctionné pour le groupe traité, ou qu'elle a pu nuire au groupe de contrôle encore plus gravement, ou les deux. Les auteurs sont très clairs : sans hypothèses supplémentaires, nous ne pouvons pas séparer le signal du bruit.

Cependant, les auteurs ne nous laissent pas sur une impasse. Ils proposent un ensemble de scénarios de type « et si » qui pourraient nous aider à reprendre la piste. Ils suggèrent que si les chercheurs sont prêts à faire des suppositions spécifiques et raisonnables sur la manière dont l'interférence fonctionne, ils peuvent commencer à démêler le nœud. Par exemple, si nous supposons que l'effet de « débordement » sur le Groupe de Contrôle est nul (ils sont réellement non affectés), ou si nous supposons que l'effet sur le Groupe de Contrôle est plus faible que l'effet sur le Groupe de Traitement, nous pouvons enfin commencer à dire quelque chose sur l'impact réel de la politique. Ils montrent même comment mettre en place des « analyses de sensibilité », qui sont comme des tests de résistance : « Si l'effet de débordement était aussi important, notre conclusion tiendrait-elle toujours ? »

Pour rendre leur point concret, les auteurs revisitent une étude célèbre de 1994 de Card et Krueger, qui affirmait que l'augmentation du salaire minimum dans le New Jersey avait en fait augmenté l'emploi dans les restaurants de restauration rapide. L'étude originale comparait le New Jersey au New Jersey voisin, la Pennsylvanie. Les auteurs de ce nouvel article soutiennent que si la hausse des salaires dans le New Jersey a provoqué le passage de travailleurs à travers la frontière ou a modifié l'économie de la Pennsylvanie, alors la règle du « pas d'interférence » a été rompue. Dans ce cas, la conclusion originale selon laquelle « les emplois ont augmenté » n'est pas nécessairement prouvée. Le calcul montre seulement que le New Jersey a mieux performé que la Pennsylvanie. Il est possible que les emplois aient diminué dans les deux endroits, mais qu'ils aient moins diminué dans le New Jersey. La conclusion originale ne survit que si l'on suppose que l'effet de débordement sur la Pennsylvanie était soit inexistant, soit plus faible que l'effet sur le New Jersey.

En fin de compte, cet article est un signal d'alarme pour quiconque utilise ces outils statistiques. Il ne dit pas que la DiD est inutile ; il dit simplement que nous devons être beaucoup plus prudents dans notre interprétation des résultats lorsque le monde est interconnecté. Les auteurs démontrent que, bien que le chiffre standard soit toujours utile pour comparer des groupes, il cesse d'être une mesure directe du succès d'une politique à moins que nous n'ajoutions des couches supplémentaires de logique pour expliquer comment les groupes pourraient s'influencer mutuellement. En rendant ces hypothèses cachées visibles, ils espèrent que les chercheurs cesseront de deviner pour commencer à construire des arguments plus solides et plus honnêtes sur ce que leurs données signifient réellement.

Résumé Technique : Différence-en-Différences en Présence d'Interférence Inconnue

Énoncé du Problème
L'hypothèse de l'unité stable de la valeur de traitement (SUTVA) est un pilier fondamental du design de recherche de la différence-en-différences (DiD), plus précisément la composante qui exclut l'interférence (effets de débordement ou spillovers) entre les unités. Bien que la littérature récente et influente sur la DiD (par exemple, de Chaisemartin et D'Haultfœuille, 2020 ; Callaway et Sant'Anna, 2021) ait traité rigoureusement les problèmes tels que l'hétérogénéité des effets de traitement et les violations des tendances parallèles, elle a largement traité l'hypothèse de non-interférence de manière implicite plutôt qu'explicite. Par conséquent, les propriétés d'identification précises de l'estimand DiD en présence d'une interférence inconnue — où la structure des débordements n'est pas spécifiée et peut se produire tant au sein qu'entre les groupes — reste sous-explorée. Les auteurs soutiennent que sans hypothèses explicites concernant l'interférence, l'interprétation standard des estimations DiD est souvent invalide.

Méthodologie et Cadre
Le document adopte une approche de superpopulation dans un cadre canonique de deux groupes et deux périodes de la DiD. Il formalise le cadre des résultats potentiels en permettant au résultat de l'unité $i$ au temps $t$ de dépendre de l'assignation de traitement de toutes les unités ( $W$ ), noté $Y_{it}(W)$ . Le vecteur d'assignation du traitement est décomposé en le propre traitement de l'unité ( $W_{it}$ ), le traitement des unités du même groupe ( $W_{Git}$ ), et le traitement des unités du groupe opposé ( $W_{1-Git}$ ).

L'analyse procède par un relâchement progressif de l'hypothèse de non-interférence :

Absence d'interférence : Le cas standard où $Y_{it}$ dépend uniquement de $W_{it}$ .
Interférence partielle : L'interférence existe au sein des groupes mais pas entre les groupes.
Interférence inconnue : Aucune restriction n'est imposée sur la structure de l'interférence ; les unités peuvent interférer avec n'importe quelle autre unité.

Les auteurs définissent des estimands causaux spécifiques pour chaque scénario et dérivent des résultats d'identification basés sur des hypothèses de tendances parallèles modifiées. Ils n'imposent pas de cartographies d'exposition (exposure mappings) et ne restreignent pas l'analyse à des populations finies, maintenant ainsi leur agnosticisme quant à la forme spécifique de l'interférence.

Résultats Clés et Identification

Sous Interférence Inconnue (Proposition 3) :
La conclusion principale est que sous une interférence inconnue, l'estimand DiD standard n'identifie pas un effet causal unique (tel que l'effet moyen du traitement sur les traités, l'ATT). Il identifie un contraste de deux effets causaux :
$\text{DiD} = \tau_1 - \tau_0$
Où :
- $\tau_1$ (TATT) est l'effet moyen total du traitement sur les traités (l'effet du traitement sur les unités traitées, incluant les débordements de toutes les autres unités traitées).
- $\tau_0$ (ASC) est l'effet de débordement moyen sur le groupe de contrôle (l'effet du traitement sur les unités de contrôle, dérivé des effets d'équilibre général ou des débordements des unités traitées).
Les auteurs démontrent que si l'estimand DiD permet aux chercheurs de tester si l'impact diffère entre les groupes, il ne fournit aucune information sur l'ampleur ou la direction de $\tau_1$ ou de $\tau_0$ individuellement. Une estimation DiD nulle pourrait résulter du fait que les deux effets sont nuls, ou que les deux sont égaux et non nuls. De même, une estimation DiD positive implique seulement que $\tau_1 > \tau_0$ , laissant ouverts des scénarios où les deux effets sont négatifs.
Stratégies d'Identification Partielle (Section 3) :
Pour récupérer des effets causaux spécifiques, le papier propose des ensembles d'hypothèses alternatives :
- Hypothèses sur les Tendances Non Observées (Propositions 4 & 5) : Si les chercheurs supposent que le résultat potentiel en l'absence de traitement ( $Y(0,0,0)$ ) suit une tendance spécifique (par exemple, constante ou bornée dans une plage $k$ ) au sein de chaque groupe, ils peuvent identifier partiellement $\tau_1$ et $\tau_0$ séparément sans dépendre des comparaisons inter-groupes.
- Hypothèses sur le Signe des Débordements (Proposition 6) : Si le signe de l'effet de débordement sur le groupe de contrôle ( $\tau_0$ ) est connu (par exemple, $\tau_0 \geq 0$ ), l'estimand DiD fournit une borne pour l'effet total sur les traités ( $\tau_1 \geq \text{DiD}$ ).
- Hypothèses sur la Magnitude Relative (Proposition 7) : Si l'on suppose que la magnitude de l'effet total sur les traités est supérieure à celle de l'effet de débordement sur le contrôle ( $|\tau_1| \geq |\tau_0|$ ), le signe de l'estimand DiD identifie le signe de l'effet total sur les traités ( $\text{sgn}(\tau_1) = \text{sgn}(\text{DiD})$ ).

Application : Card et Krueger (1994)
Le papier revisite l'étude séminale sur l'augmentation du salaire minimum dans le New Jersey. Les auteurs soutiennent que l'hypothèse de non-interférence est probablement violée en raison des déplacements transfrontaliers et des effets d'équilibre général affectant la Pennsylvanie (le groupe de contrôle).

Réinterprétation : Sous une interférence inconnue, l'estimation DiD originale de 2,75 équivalents temps plein (FTE) représente la différence entre l'effet total dans le New Jersey et l'effet de débordement en Pennsylvanie, et non l'effet causal de la hausse salariale sur l'emploi du New Jersey seul.
Interprétations Alternatives : La conclusion originale (que l'emploi a augmenté) ne tient que si des hypothèses supplémentaires sont faites, telles que :
1. L'effet de débordement en Pennsylvanie est positif (Hypothèse 10a), faisant de l'estimation DiD une borne inférieure.
2. La magnitude de l'effet dans le New Jersey dépasse le débordement en Pennsylvanie (Hypothèse 11), permettant au signe de l'estimation DiD d'identifier le signe de l'effet dans le New Jersey.

Signification et Contribution
La principale contribution du papier est de rendre explicite et transparente la problématique d'identification en présence d'interférence. Il clarifie que l'estimand DiD n'est pas intrinsèquement un effet causal, mais un contraste d'effets lorsqu'il y a interférence. En formalisant les arguments que les chercheurs appliqués invoquent souvent de manière implicite (par exemple, concernant la direction ou la magnitude des débordements), le papier fournit un cadre structuré pour discuter de la validité des conclusions de la DiD. Il ne propose pas un nouvel algorithme d'estimation, mais plutôt un ensemble rigoureux de conditions sous lesquelles les estimations DiD existantes peuvent recevoir une interprétation causale, comblant ainsi le fossé entre la pratique standard de la DiD et la réalité complexe de l'interférence dans les contextes observationnels.

Articles similaires