Covariate-Balanced Weighted Stacked Difference-in-Differences

Ce papier propose une nouvelle méthode, le Covariate-Balanced Weighted Stacked Difference-in-Differences (CBWSDID), qui étend les différences doubles empilées pondérées aux contextes où les tendances contrefactuelles sont parallèles uniquement de manière conditionnelle, en combinant l'ajustement par appariement ou pondération au sein de chaque sous-expérience avec une agrégation corrective pour estimer l'effet moyen du traitement.

L'essentiel

Le Titre : La Balance Parfaite pour les Expériences Naturelles

Imaginez que vous êtes un chef cuisinier (ou un économiste) qui veut savoir si un nouvel ingrédient (une politique, une loi, un médicament) change vraiment le goût d'un plat. Le problème, c'est que vous ne pouvez pas faire deux plats exactement identiques en même temps. Vous devez comparer des plats qui ont reçu l'ingrédient avec des plats qui ne l'ont pas reçu.

L'article propose une nouvelle méthode appelée CBWSDID. C'est un outil pour mesurer l'effet d'une politique quand les choses ne se passent pas de manière simple et parfaite.

---

1. Le Problème : La Course de Chevaux Déséquilibrée

Dans le monde réel, les politiques ne sont pas appliquées à tout le monde en même temps. Certaines villes adoptent une loi en 2005, d'autres en 2010, et d'autres jamais. C'est ce qu'on appelle l'adoption échelonnée.

Les économistes utilisent souvent une méthode appelée "Différence de Différences" (DID). L'idée est de comparer l'évolution d'un groupe qui a reçu la politique avec un groupe de contrôle qui ne l'a pas reçue.

Le problème avec les anciennes méthodes :
Imaginez une course de chevaux.

• Le Groupe Traitement (les chevaux qui ont pris le nouvel aliment) est composé de chevaux de course très rapides, nourris avec du bon foin.
• Le Groupe de Contrôle (ceux qui n'ont pas pris l'aliment) est composé de vieux chevaux de ferme, fatigués et nourris avec de la paille.

Si vous comparez leur vitesse, vous allez conclure que "l'aliment magique" a rendu les chevaux de course super rapides. Mais en réalité, c'est juste parce que les chevaux de course étaient déjà plus rapides ! Les anciennes méthodes ne savaient pas bien corriger ce déséquilibre initial. Elles supposaient que les deux groupes auraient évolué de la même façon sans l'ingrédient, ce qui est souvent faux.

2. La Solution : La Méthode CBWSDID (Le Chef Cuisinier Intelligent)

L'auteur propose une méthode en deux étapes pour régler ce problème. Il sépare deux tâches qui étaient souvent mélangées :

Étape 1 : La Préparation Locale (Le "Matching" ou l'Équilibrage)

Avant de commencer la course, le chef regarde chaque groupe de chevaux individuellement.

• Pour le groupe des chevaux de course de 2005, il cherche des chevaux de ferme qui ressemblent exactement à eux (même âge, même race, même alimentation passée).
• Il utilise des outils mathématiques (comme l'appariement ou le recalibrage des poids) pour s'assurer que le groupe de contrôle est parfaitement similaire au groupe traité avant l'expérience.

C'est comme si, pour chaque équipe de l'équipe de football qui joue, on choisissait des adversaires qui ont exactement le même niveau de jeu, la même taille et la même condition physique. On ne compare plus des pros contre des débutants.

Étape 2 : L'Assemblage Global (Les "Poids Correctifs")

Maintenant, vous avez plusieurs petites courses locales (une pour 2005, une pour 2010, etc.). Mais comment combiner les résultats de toutes ces courses pour avoir une réponse globale ?

• Si vous avez 100 chevaux de course en 2005 et seulement 10 en 2010, la course de 2005 ne devrait pas compter 10 fois plus que celle de 2010.
• L'auteur utilise une astuce mathématique (les "poids de Wing") pour s'assurer que chaque course locale est comptée au bon poids dans le résultat final.

L'analogie : Imaginez que vous voulez connaître l'opinion moyenne des Français. Vous interrogez 1000 personnes à Paris et 10 personnes dans un petit village. Si vous faites une moyenne simple, Paris va dominer le résultat. La méthode CBWSDID dit : "Attends, on va donner un poids plus fort à chaque personne du petit village pour que leur voix compte autant que celle de Paris, car ils représentent une part différente de la population totale."

3. Pourquoi c'est génial ? (Les Analogies)

• Le Pont : L'article dit que cette méthode est un "pont". D'un côté, il y a les méthodes de "matching" (comme PanelMatch) qui sont très précises mais complexes. De l'autre, il y a les méthodes statistiques classiques (DID) qui sont simples mais parfois imprécises. CBWSDID combine le meilleur des deux mondes : la précision du "matching" local et la simplicité de l'agrégation globale.
• Les Chevaux qui changent de régime : La méthode fonctionne aussi si les chevaux changent de régime plusieurs fois (ils mangent l'ingrédient, arrêtent, puis recommencent). C'est très utile pour des politiques qui vont et viennent (comme la démocratie ou les régimes politiques).

4. Les Résultats (La Preuve par l'Exemple)

L'auteur a testé sa méthode sur deux grands exemples réels :

1. La loi sur le logement équitable (Fair Housing Act) :

   • Sans la nouvelle méthode : Les graphiques montraient que les villes qui ont adopté la loi avaient vu leur ségrégation chuter drastiquement.
   • Avec la nouvelle méthode : En ajustant correctement les comparaisons, on s'aperçoit que ces villes avaient déjà une tendance à la baisse de la ségrégation avant la loi ! L'effet de la loi était beaucoup plus faible (voire nul) que prévu. La méthode a "lissé" la courbe et évité un faux résultat.

2. La démocratie et la croissance économique :

   • L'auteur a comparé sa méthode avec une méthode très célèbre (PanelMatch).
   • Résultat : Les deux méthodes donnent presque le même résultat (la démocratie n'augmente pas la croissance immédiatement, mais peut-être à long terme).
   • Mais la méthode CBWSDID est plus facile à utiliser et à expliquer pour les économistes habitués aux régressions classiques.

En Résumé

Imaginez que vous voulez mesurer l'effet d'un nouveau médicament.

• L'ancienne méthode : Comparez les patients qui ont pris le médicament avec n'importe qui d'autre. Risque d'erreur si les patients étaient déjà plus en bonne santé.
• La méthode CBWSDID :
  1. Pour chaque groupe de patients, trouvez des "jumelles" parfaites dans le groupe de contrôle (même âge, même antécédents).
  2. Mélangez tous ces groupes en donnant à chacun le poids qu'il mérite dans la population totale.

C'est une méthode plus rigoureuse, plus juste, et qui évite de tirer des conclusions hâtives basées sur des comparaisons injustes. C'est comme passer d'une course où l'on compare un lion à un lapin, à une course où l'on compare des lions à des lions, et des lapins à des lapins, avant de compter les points.

Résumé technique

1. Problématique et Contexte

L'article s'attaque aux limites des méthodes Différence-dans-Différences empilées (Stacked DID) utilisées pour estimer les effets dynamiques de traitements dans des contextes d'adoption échelonnée (staggered adoption). Bien que la méthode empilée évite les biais connus des régressions TWFE (Two-Way Fixed Effects) classiques, elle souffre de deux problèmes de conception distincts :

1. Problème d'agrégation : L'estimateur standard empile les données sans pondération adéquate, ce qui conduit à une agrégation biaisée des tendances non traitées à travers les différentes sous-expériences. Wing et al. (2024) ont montré que cela fausse l'estimation de l'effet moyen du traitement sur les traités (ATT) agrégé. Ils proposent des « poids empilés correctifs » pour résoudre ce problème.
2. Problème de comparabilité intra-sous-expérience : Même au sein d'une sous-expérience spécifique (un groupe de traitement donné), les unités traitées et les unités de contrôle « propres » (clean controls) peuvent différer considérablement sur des covariables pré-traitement ou des résultats passés. Cela viole l'hypothèse de tendances parallèles conditionnelles, rendant les comparaisons non crédibles.

Le papier propose une solution unifiée qui traite simultanément ces deux problèmes sans les séparer en estimateurs distincts.

2. Méthodologie : CBWSDID

L'auteur propose l'estimateur Covariate-Balanced Weighted Stacked Difference-in-Differences (CBWSDID). La logique centrale consiste à séparer l'ajustement de conception au sein de chaque sous-expérience de l'agrégation entre les sous-expériences, tout en les combinant dans un seul cadre de régression pondérée.

A. Structure en deux étapes via des poids de conception

L'estimateur utilise des poids de conception non négatifs ($b_{sa}$) appliqués aux unités de contrôle au sein de chaque sous-expérience $a$ :

1. Étape 1 : Ajustement de conception (Intra-sous-expérience)

   • Pour chaque cohorte traitée $a$, on définit un ensemble de contrôles propres $\mathcal{C}_a$.
   • On construit des poids $b_{sa}$ pour ces contrôles afin d'équilibrer les covariables pré-traitement ($X_{sa}$) avec les unités traitées.
   • Ces poids peuvent être générés par appariement (matching, ex: k-plus proches voisins) ou par pondération (ex: équilibrage par entropie, IPW, CBPS).
   • Cela permet d'estimer une tendance contrefactuelle crédible pour la cohorte $a$ en sélectionnant les contrôles les plus comparables.

2. Étape 2 : Agrégation corrective (Inter-sous-expérience)

   • Pour récupérer le paramètre cible (l'ATT agrégé pondéré par la taille des cohortes traitées), on applique la logique de pondération corrective de Wing et al. (2024).
   • Le poids final $W_{sa}$ pour une unité de contrôle dans la sous-expérience $a$ est :
     $$W_{sa} = b_{sa} \times \frac{N^D_a / N^D_{\Omega_\kappa}}{\tilde{N}^C_a / \tilde{N}^C_{\Omega_\kappa}}$$
     Où $\tilde{N}^C_a$ est la « masse de contrôle effective » (somme des poids $b_{sa}$) et $N^D$ représente les effectifs traités.
   • Cela garantit que la tendance des contrôles pondérée correspond exactement aux parts des cohortes traitées dans l'estimateur final.

B. Extension aux traitements répétés (0 $\to$ 1 et 1 $\to$ 0)

L'article étend ce cadre au-delà des traitements absorbants (où une fois traité, on le reste) vers des scénarios de traitements répétés (switching).

• Hypothèse de mémoire finie : Les résultats potentiels ne dépendent de l'histoire passée des traitements que sur les $L$ périodes les plus récentes.
• Unité d'analyse : Au lieu de cohortes d'adoption, l'unité d'analyse devient un épisode (un moment de bascule 0 $\to$ 1 ou 1 $\to$ 0) défini par un historique de traitement récent spécifique ($h$).
• L'estimateur fonctionne de manière analogue : on équilibre les épisodes de contrôle ayant le même historique récent que les épisodes traités, puis on agrège les effets par épisode.

3. Contributions Clés

1. Cadre Unifié : Le papier fournit un cadre théorique qui intègre l'appariement (matching) et la pondération (weighting) dans un seul estimateur DID empilé pondéré. Il montre que les deux approches sont théoriquement équivalentes dans ce contexte car elles produisent toutes deux des poids de conception non négatifs.
2. Extension aux Traitements Répétés : Il généralise la logique des poids empilés correctifs aux designs basés sur les épisodes (comme PanelMatch), permettant d'analyser les transitions 0 $\to$ 1 et 1 $\to$ 0 sous une hypothèse de mémoire finie.
3. Outil Logiciel : Développement et publication du package R cbwsdid sur GitHub, facilitant l'application de cette méthode.

4. Résultats Empiriques et Simulations

A. Simulation

• Contexte : Un panel équilibré où le choix du traitement est corrélé aux covariables et aux tendances non traitées (violation des tendances parallèles inconditionnelles).
• Résultats :
  • Les estimateurs standards (DID empilé, DID empilé pondéré) montrent des tendances pré-traitement biaisées (fausses pré-tendances) et des estimations post-traitement erronées.
  • Le CBWSDID (avec appariement ou pondération) élimine presque totalement les biais pré-traitement et récupère avec précision la trajectoire dynamique réelle de l'effet du traitement.
  • La version basée sur la pondération (entropie) performe légèrement mieux que celle basée sur l'appariement dans cette simulation, bien que l'auteur note que cela dépend des choix de spécification.

B. Application 1 : Loi sur le Logement Équitable (Trounstine, 2020)

• Sujet : Impact de l'adoption de la Fair Housing Act sur la ségrégation raciale (mesurée par le pourcentage de population blanche).
• Défi : Les villes traitées et non traitées ont des dynamiques pré-traitement très différentes.
• Résultats :
  • Les estimateurs non raffinés (TWFE, Sun-Abraham, DID empilé pondéré) montrent une baisse massive et significative de la ségrégation après le traitement, mais avec de fortes tendances pré-traitement positives (biais de sélection).
  • Le CBWSDID aplatit considérablement les tendances pré-traitement (les coefficients deviennent proches de zéro et non significatifs).
  • Conclusion : L'effet post-traitement observé précédemment était largement un artefact de la mauvaise comparabilité des groupes. Une fois l'équilibre des covariables réalisé, l'effet négatif sur la ségrégation s'atténue fortement et n'est plus statistiquement significatif.

C. Application 2 : Démocratie et Croissance (Acemoglu et al., 2019)

• Sujet : Effet des transitions démocratiques (0 $\to$ 1) et autocratiques (1 $\to$ 0) sur le PIB par habitant.
• Comparaison : CBWSDID vs PanelMatch (Imai et al., 2023).
• Résultats :
  • Les deux méthodes aboutissent à des conclusions substantielles similaires : des effets de croissance faibles pour la démocratisation et des effets négatifs persistants pour l'autocratisation.
  • Le CBWSDID présente une variance estimée plus faible.
  • L'étude met en lumière la difficulté de trouver des groupes de comparaison crédibles, même avec un ensemble riche de covariables, car les tendances pré-traitement restent non nulles.

5. Signification et Conclusion

Le papier conclut que le CBWSDID ne doit pas être vu comme un remplacement des estimateurs DID modernes ou du matching sur panel, mais plutôt comme un pont entre eux.

• Il conserve la logique d'agrégation transparente et le paramètre cible bien défini du DID empilé pondéré (Wing et al.).
• Il intègre la sensibilité de conception (design sensitivity) du matching et de la pondération pour résoudre les problèmes de comparabilité intra-groupe.

Pour les chercheurs travaillant sur des traitements échelonnés ou répétés où les tendances parallèles inconditionnelles sont peu plausibles, cette méthode offre une approche robuste pour distinguer les effets causaux réels des biais de sélection préexistants. L'outil logiciel associé rend cette méthodologie accessible pour des applications empiriques exigeantes.