📊 statistics

A formal approach to variable selection in difference-in-differences

Dit artikel stelt een formeel, op grafieken gebaseerd raamwerk voor voor het selecteren van covariaten om conditionele parallelle trends te waarborgen in difference-in-differences-analyse, en betoogt dat identificatieproblemen vaak voortkomen uit een misalignement tussen de voor validiteit vereiste aanpassingssets en die welke door populaire schatters worden gebruikt, in plaats van uit de schatters zelf.

Oorspronkelijke auteurs: Daniela Rodrigues, Laura A. Hatfield

Gepubliceerd 2026-05-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Daniela Rodrigues, Laura A. Hatfield

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te vinden of een nieuwe, dure vitamine mensen daadwerkelijk helpt om langer te worden. Je hebt twee groepen: de ene groep neemt de vitamine (de "behandelde"), en de andere niet (de "controle").

De klassieke manier om dit te testen is de Difference-in-Differences (DiD)-methode. Het is als het bekijken van een race. Je controleert hoe lang iedereen was aan het begin van de race (voor de vitamine). Vervolgens controleer je hoe lang ze zijn aan de finish (na de vitamine). De logica is: Als de groep zonder vitamine bleef groeien met dezelfde snelheid als voorheen, kunnen we aannemen dat de vitamine-groep hetzelfde had gedaan als ze de vitamine niet hadden genomen. Het verschil tussen wat er daadwerkelijk gebeurde en wat er "zou zijn gebeurd", is het effect van de vitamine.

Dit werkt echter alleen als de twee groepen aanvankelijk op hetzelfde parcours liepen. Als de vitamine-groep van nature al langer was of betere schoenen had, is de race niet eerlijk. Dit is de "Parallelle Trends"-aanname.

Dit artikel is als een regelsboek voor scheidsrechters over hoe te zorgen dat de race echt eerlijk is. Hier is de uitleg van hun nieuwe regels, simpel uitgelegd:

1. Het "Keukengootsteen"-probleem

In het verleden gooiden onderzoekers vaak elk stukje data dat ze hadden (lengte, gewicht, schoenmaat, favoriete kleur) zomaar in de mix, zonder na te denken over waarom. Ze noemden dit de "keukengootsteen"-aanpak.

De oplossing van het artikel: Je kunt niet zomaar alles erin gooien. Je hebt een kaart nodig (een "causaal diagram") om te zien welke variabelen er echt toe doen. Sommige variabelen lijken misschien belangrijk, maar verstoren de race eigenlijk.

2. De "Perfecte Balans"-mythe

De oude denkwijze ging ervan uit dat als je de groepen als geheel bekeek, hun groeitrends van nature perfect in evenwicht zouden komen.

De oplossing van het artikel: Dit is als hopen dat twee verschillende auto's precies dezelfde snelheid zullen rijden, alleen omdat het allebei auto's zijn. Het is een zeer sterke, onrealistische aanname. Het artikel toont aan dat de groepen vaak niet in balans zijn, tenzij je rekening houdt met specifieke verschillen (zoals motorinhoud of bandenspanning).
De valkuil: Soms, als je wel probeert ze in balans te brengen door te veel variabelen toe te voegen, kun je per ongeluk de perfecte balans die al bestond verstoren, waardoor het resultaat slechter wordt in plaats van beter.

3. De "Saai"-variabele

Onderzoekers negeren meestal variabelen die niet veranderen in de tijd (zoals iemands geslacht of hun geboortestad), omdat ze denken: "Nou, dat verandert niet, dus dat kan niet de reden zijn waarom de vitamine werkte."

De oplossing van het artikel: Soms zijn deze "saai"-variabelen juist het geheime ingrediënt! Zelfs als een variabele niet verandert, kan het de reden zijn dat de twee groepen aanvankelijk verschillend waren. Het aanpassen voor deze variabele kan de studie redden. Het is als beseffen dat, hoewel de auto's hun kleur niet veranderden, de kleur eigenlijk bepaalde op welk parcours ze reden.

4. De "Achteraf"-variabele

Standaardadvies luidt: "Kijk nooit naar data die na het begin van de behandeling is verzameld." Bijvoorbeeld, kijk niet naar hoeveel de vitamine-groep at na het nemen van de vitamine, omdat de vitamine hen misschien hongerig maakte.

De oplossing van het artikel: Het hangt af van waarom de eetgewoonten veranderden.
- Als de vitamine hen hongerig maakte, tel het eten dan niet mee (het is onderdeel van het effect).
- Maar als iets anders hen ertoe bracht meer te eten (zoals een nieuw restaurant dat in de buurt opende), moet je dat wel meerekenen, anders krijg je het verkeerde antwoord.
- De metafoor: Het is als een detective. Als het alibi van een verdachte verandert door de misdaad, negeer je het. Maar als het alibi verandert door een file (niet gerelateerd aan de misdaad), moet je rekening houden met de file om de zaak op te lossen.

5. De "Staggered"-start

Soms krijgen verschillende groepen de behandeling op verschillende tijdstippen (zoals staten die een nieuwe wet invoeren in 2020, 2021 en 2022).

De oplossing van het artikel: Het artikel maakt onderscheid tussen wanneer de behandeling begint en wat de behandeling is. Als de behandeling zelf in de loop van de tijd verandert op basis van hoe het gaat (dynamisch), ontstaat er een feedbacklus die moeilijk te ontwarren is. Als de behandeling slechts een eenmalige gebeurtenis is die op verschillende tijdstippen voor verschillende mensen plaatsvindt (statisch), is het veel eenvoudiger om mee om te gaan.

6. Het "Verkeerde Gereedschap" versus "Verkeerde Instellingen"

Er is veel discussie geweest in de wetenschappelijke gemeenschap over welke "rekenmachine" (statistische schatter) het beste is voor deze klus.

De grote ontdekking van het artikel: Het maakt niet uit welke rekenmachine je gebruikt! Het probleem is niet de rekenmachine; het zijn de instellingen die je erin zet.
De metafoor: Stel je voor dat je een taart bakt. Je kunt een luxe elektrische mixer gebruiken of een simpele houten lepel. Als je de verkeerde ingrediënten gebruikt (de verkeerde variabelen), zal de taart slecht smaken, ongeacht welk gereedschap je gebruikt.
De oplossing: De auteurs laten je precies zien hoe je de "ingrediënten" (de aanpassingsset) instelt voor elke rekenmachine die je maar wilt gebruiken. Als je de juiste variabelen in de machine stopt, geeft zelfs de eenvoudigste machine je het juiste antwoord.

De Conclusie

Dit artikel zegt onderzoekers: Stop met gokken welke variabelen je moet gebruiken.

Teken een kaart van oorzaak en gevolg.
Gebruik die kaart om de exacte juiste variabelen te kiezen om je groepen in balans te brengen.
Maak je geen zorgen over het kiezen van het meest complexe statistische hulpmiddel; zorg er gewoon voor dat je de juiste variabelen in het hulpmiddel stopt dat je hebt.

Als je dit doet, krijg je een eerlijke race en een waar antwoord. Als je dit niet doet, meet je misschien helemaal het verkeerde ding.

1. Probleemstelling

Difference-in-Differences (DiD) is een veelgebruikte methode voor causale inferentie die berust op de aanname van parallelle trends: dat, bij afwezigheid van behandeling, de evolutie van het resultaat van de behandelde groep die van de controlegroep zou hebben weerspiegeld.

Het Gat: In de praktijk verlenen onderzoekers deze aanname vaak af naar voorwaardelijke parallelle trends (aannemende dat trends alleen parallel zijn binnen strata van covariaten). De selectie van deze covariaten is echter vaak ad hoc (bijvoorbeeld "kitchen sink"-benaderingen) of gebaseerd op geïsoleerde beoordelingen van tijdvariabele relaties.
De Misvatting: De literatuur presenteert de moeilijkheid om covariaten (met name tijdvariabele) op te nemen vaak als een beperking van specifieke schatters (bijvoorbeeld Two-Way Fixed Effects). De auteurs betogen dat dit eigenlijk een misalignement is tussen de aanpassingsset die impliciet door de schatter wordt gebruikt en de aanpassingsset die vereist is voor causale identificatie.
Belangrijkste Uitdagingen:
- Onvoorwaardelijke parallelle trends is een sterke aanname die kan conflicteren met voorwaardelijke trends.
- De rol van tijdinvariante covariaten en post-treatment covariaten wordt vaak verkeerd begrepen (bijvoorbeeld het aannemen dat tijdinvariante variabelen nooit verstorende factoren zijn, of dat post-treatment variabelen altijd moeten worden uitgesloten).
- Feedback tussen behandeling en verstorende factoren in multi-periode settings wordt vaak verward met strategieën voor gestaggerde invoering.

2. Methodologie

De auteurs stellen een grafisch raamwerk voor gebaseerd op Directed Acyclic Graphs (DAG's) en het concept van Equi-confounding (gelijkmatige verstoring).

A. Theoretische Grondslag: Equi-confounding

Het artikel herformuleert de aanname van parallelle trends als equi-confounding: de niet-geobserveerde verstorende factor beïnvloedt de pre-treatment en post-treatment uitkomsten met gelijke grootte.

Grafische Representatie: In een standaard DAG creëert een niet-geobserveerde verstorende factor $V_0$ backdoor-paden naar zowel $Y_0$ als $Y_1$ . De aanname van equi-confounding wordt weergegeven door gelijke coëfficiënten op de randen van $V_0$ naar $Y_0$ en $Y_1$ .
Compacte Representatie: De auteurs introduceren een vereenvoudigd diagram dat zich richt op de verandering in uitkomst $\Delta Y = Y_1 - Y_0$ . Onder equi-confounding verdwijnt het pad van $V_0$ naar $\Delta Y$ (coëfficiënten heffen elkaar op). Identificatie vereist dus het blokkeren van alle backdoor-paden van Treatment ( $A_1$ ) naar $\Delta Y$ in dit compacte grafiek.
Variabele Selectie: Door de standaard backdoor-criterium toe te passen op dit compacte grafiek, kunnen onderzoekers een minimaal voldoende aanpassingsset ( $X$ ) identificeren die voorwaardelijke parallelle trends rechtvaardigt.

B. Uitlijning van Schatting

De auteurs analyseren populaire DiD-schatters (TWFE, IPW, Doubly Robust, enz.) om hun effectieve aanpassingssets te bepalen. Ze tonen aan dat veel schatters standaard uitgaan van aanpassingssets die niet overeenkomen met de eisen van het causale model (bijvoorbeeld: TWFE met tijdinvariante covariaten heft deze op; standaard IPW gebruikt vaak alleen basislijnwaarden).

Voorgestelde Oplossing: In plaats van de schatter te veranderen, stellen de auteurs voor de specificatie van covariaten te wijzigen (bijvoorbeeld het creëren van tijdconstante kopieën van tijdvariabele variabelen, het interacteren van covariaten met tijd) om de schatter te dwingen de juiste aanpassingsset te gebruiken.

C. Simulatie

De auteurs voeren een simulatiestudie uit over meerdere scenario's (variërende aantallen covariaten, tijdinvariante versus tijdvariabele effecten, mechanismen voor post-treatment covariaten) om hun theoretische bevindingen te valideren. Ze vergelijken de bias van verschillende schatters bij gebruik van voldoende, onvoldoende of onduidelijke aanpassingssets.

3. Belangrijkste Bijdragen en Inzichten

A. Onvoorwaardelijke versus Voorwaardelijke Parallelle Trends

Conflict: Onvoorwaardelijke parallelle trends vereist een perfecte compensatie van alle verstoring. Voorwaardelijk zijn op covariaten kan deze symmetrie paradoxaal genoeg breken en bias introduceren als de onvoorwaardelijke aanname eigenlijk gold.
Implicatie: Onderzoekers moeten niet blindelings voorwaardelijk zijn op covariaten na een pre-trends-test; de beslissing moet worden geleid door de causale structuur.

B. Tijdinvariante Covariaten

Inzicht: Een tijdinvariante covariaat met een tijdinvariant effect op de uitkomst (traditioneel genegeerd in DiD) kan een voldoende aanpassingsvariabele zijn als het een backdoor-pad blokkeert dat wordt gecreëerd door een tijdvariabele verstorende factor.
Nuttigheid: Dit breidt de pool van geldige controlevaariabelen uit, vooral wanneer tijdvariabele verstorende factoren niet zijn gemeten.

C. Post-Treatment Covariaten

Nuance: Er is geen universele regel tegen het aanpassen voor post-treatment covariaten. De beslissing hangt af van het mechanisme dat de verandering in de covariaat drijft:
- Auto-regressief: Aanpassen voor post-treatment waarden is onschadelijk.
- Endogene schok: Aanpassen voor zowel pre- als post-treatment waarden kan vereist zijn.
- Niet-gemeten verstorende factor: Aanpassen voor post-treatment waarden kan de enige manier zijn om het effect te identificeren.
- Behandeling-geïnduceerd: Aanpassen voor post-treatment waarden blokkeert het causale pad (mediator), waardoor alleen het directe effect wordt hersteld, niet het totale effect.

D. Multi-Periode Uitbreidingen

Onderscheid: De auteurs onderscheiden tussen Behandelingstype (Statisch versus Dynamisch) en Invoeringstrategie (Simultaan versus Gestaggerd).
Feedback tussen Behandeling en Verstorende Factor: Deze feedbacklus (waarbij een eerdere behandeling een covariaat beïnvloedt die vervolgens een latere behandeling verstoort) ontstaat alleen onder dynamische behandelingsregimes, niet louter vanwege gestaggerde implementatie.
Strategie: Voor gestaggerde statische behandelingen moeten voor elke cohort afzonderlijke causale diagrammen worden opgesteld om rekening te houden met verschillende toewijzingsmechanismen.

E. Uitlijning van Schatting

Het Kernprobleem: Bias vloeit vaak voort uit de standaardhandhaving van covariaten door de schatter (bijvoorbeeld het poolen van coëfficiënten door TWFE) en niet uit de wiskundige vorm van de schatter.
De Oplossing: Door de invoergegevens te wijzigen (bijvoorbeeld tijdvariabele covariaten te dupliceren als tijdconstante kolommen, te interacteren met tijd), kan elke standaard schatter worden uitgelijnd met de identificatie-eisen.

4. Resultaten

De simulatiestudie bevestigt de theoretische voorspellingen:

Voldoende Aanpassingssets: Wanneer de effectieve aanpassingsset overeenkomt met de voldoende set afgeleid uit de DAG, leveren alle schatters lage bias op (nabij nul), ongeacht de specifieke gebruikte methode.
Onvoldoende Aanpassingssets: Alle schatters produceren substantiële bias wanneer de aanpassingsset onvoldoende is.
Onduidelijke Aanpassingssets: Schatters met ambiguë effectieve aanpassingssets (bijvoorbeeld standaard TWFE met tijdvariabele covariaten) vertonen variabele bias, variërend van verwaarloosbaar tot ernstig, wat het gevaar benadrukt van het vertrouwen op standaard specificaties.
Specifieke Bevindingen:
- In scenario's die post-treatment covariaten vereisen (bijvoorbeeld niet-gemeten verstorende factoren die de evolutie van covariaten drijven), waren standaard implementaties van Heckman-, IPW- en DR-schatters vertekend omdat ze standaard post-treatment waarden uitsloten. Het corrigeren van de invoergegevens elimineerde deze bias.
- In scenario's met feedback tussen behandeling en verstorende factor, introduceerde het aanpassen voor de mediator op het verkeerde tijdstip enorme bias.

5. Betekenis

Dit artikel verlegt fundamenteel de focus van de DiD-literatuur van selectie van schatters naar identificatiestrategie en variabele selectie.

Formalisatie van Variabele Selectie: Het biedt de eerste rigoureuze, grafische criteria voor het selecteren van covariaten in DiD, en gaat voorbij aan ad-hoc praktijken.
Verduidelijking van Misvattingen: Het corrigeert veelvoorkomende misvattingen over tijdinvariante variabelen en post-treatment covariaten, en laat zien dat deze essentieel kunnen zijn voor identificatie.
Praktische Richtlijnen: Het biedt een "plug-and-play"-oplossing voor praktici: in plaats van over te stappen op complexe nieuwe schatters, kunnen onderzoekers geldige inferentie bereiken door simpelweg hun invoer van covariaten te herschikken om uit te lijnen met het causale model.
Robuustheid: De bevindingen suggereren dat de keuze van de aanpassingsset kritischer is voor validiteit dan de keuze van de schatter, mits de schatter correct is gespecificeerd voor die set.

Kortom, de auteurs bieden een unificerend raamwerk dat causale diagrammen, identificatietheorie en schattingsmechanica integreert, en een duidelijke weg biedt naar geldige DiD-analyse in complexe, real-world settings.