Difference-in-Differences in the Presence of Unknown Interference

Resumo Técnico: Diferença em Diferenças na Presença de Interferência Desconhecida

Enunciado do Problema
A Suposição de Valor de Tratamento de Unidade Estável (SUTVA) é um pilar fundamental do desenho de pesquisa de Diferença em Diferenças (DiD), especificamente o componente que descarta a interferência (efeitos de transbordamento ou spillovers) entre unidades. Embora a literatura recente e influente de DiD (ex: de Chaisemartin e D'Haultfœuille, 2020; Callaway e Sant'Anna, 2021) tenha abordado rigorosamente questões como heterogeneidade de efeitos de tratamento e violações de tendências paralelas, ela tem tratado a suposição de não-interferência majoritariamente de forma implícita, em vez de explícita. Consequentemente, as propriedades de identificação precisas do estimando de DiD na presença de interferência desconhecida — onde a estrutura dos spillovers não é especificada e pode ocorrer tanto dentro quanto entre grupos — permanece subexplorada. Os autores argumentam que, sem suposições explícitas sobre a interferência, a interpretação padrão dos estimandos de DiD é frequentemente inválida.

Metodologia e Estrutura
O artigo adota uma abordagem de superpopulação dentro de um cenário canônico de dois grupos e dois períodos de DiD. Ele formaliza o framework de resultados potenciais permitindo que o resultado da unidade $i$ no tempo $t$ dependa da atribuição de tratamento de todas as unidades ($W$), denotado por $Y_{it}(W)$. O vetor de atribuição de tratamento é decomposto no próprio tratamento da unidade ($W_{it}$), no tratamento das unidades no mesmo grupo ($W_{Git}$) e no tratamento das unidades no grupo oposto ($W_{1-Git}$).

A análise procede relaxando a suposição de não-interferência em estágios:

1. Não Interferência: O caso padrão onde $Y_{it}$ depende apenas de $W_{it}$.
2. Interferência Parcial: A interferência existe dentro dos grupos, mas não entre os grupos.
3. Interferência Desconhecida: Nenhuma restrição é imposta à estrutura de interferência; as unidades podem interferir com qualquer outra unidade.

Os autores definem estimandos causais específicos para cada cenário e derivam resultados de identificação baseados em suposições de tendências paralelas modificadas. Eles não impõem mapeamentos de exposição nem restringem a análise a populações finitas, mantendo o agnosticismo em relação à forma específica da interferência.

Principais Resultados e Identificação

• Sob Interferência Desconhecida (Proposição 3):
  O principal achado é que, sob interferência desconhecida, o estimando padrão de DiD não identifica um efeito causal único (como o Efeito Médio do Tratamento sobre os Tratados, ATT). Em vez disso, ele identifica um contraste de dois efeitos causais:
  $$\text{DiD} = \tau_1 - \tau_0$$
  Onde:

  • $\tau_1$ (TATT) é o Efeito Médio Total do Tratamento sobre os Tratados (o efeito do tratamento sobre as unidades tratadas, incluindo os spillovers de todas as outras unidades tratadas).
  • $\tau_0$ (ASC) é o Efeito Médio de Transbordamento sobre o Controle (o efeito do tratamento sobre as unidades de controle, derivado de efeitos de equilíbrio geral ou spillovers das unidades tratadas).

  Os autores demonstram que, embora o estimando de DiD permita que pesquisadores testem se o impacto difere entre grupos, ele não fornece informações sobre a magnitude ou direção de $\tau_1$ ou $\tau_0$ individualmente. Um estimando de DiD zero pode resultar de ambos os efeitos sendo zero, ou de ambos sendo iguais e não nulos. Da mesma forma, um estimando de DiD positivo implica apenas que $\tau_1 > \tau_0$, deixando abertos cenários onde ambos os efeitos são negativos.

• Estratégias de Identificação Parcial (Seção 3):
  Para recuperar efeitos causais específicos, o artigo propõe conjuntos alternativos de suposições:

  • Suposições sobre Tendências Não Observadas (Proposições 4 & 5): Se os pesquisadores assumirem que o resultado potencial na ausência de tratamento ($Y(0,0,0)$) segue uma tendência específica (ex: constante ou limitada dentro de um intervalo $k$) dentro de cada grupo, eles podem identificar parcialmente $\tau_1$ e $\tau_0$ separadamente, sem depender de comparações entre grupos.
  • Suposições sobre o Sinal dos Spillovers (Proposição 6): Se o sinal do efeito de transbordamento sobre o grupo de controle ($\tau_0$) for conhecido (ex: $\tau_0 \geq 0$), o estimando de DiD fornece um limite inferior para o efeito total sobre os tratados ($\tau_1 \geq \text{DiD}$).
  • Suposições sobre Magnitude Relativa (Proposição 7): Se a magnitude do efeito total sobre os tratados for assumida como maior que o efeito de transbordamento sobre o controle ($|\tau_1| \geq |\tau_0|$), o sinal do estimando de DiD identifica o sinal do efeito total sobre os tratados ($\text{sgn}(\tau_1) = \text{sgn}(\text{DiD})$).

Aplicação: Card e Krueger (1994)
O artigo revisita o estudo seminal sobre o aumento do salário mínimo em New Jersey. Os autores argumentam que a suposição de não-interferência é provavelmente violada devido ao deslocamento pendular (commuting) entre fronteiras e efeitos de equilíbrio geral que afetam a Pensilvânia (o grupo de controle).

• Reinterpretação: Sob interferência desconhecida, o estimando original de DiD de 2,75 trabalhadores equivalentes a tempo integral (FTE) representa a diferença entre o efeito total em New Jersey e o efeito de transbordamento na Pensilvânia, não o efeito causal do aumento salarial no emprego de New Jersey isoladamente.
• Interpretações Alternativas: A conclusão original (que o emprego aumentou) sustenta-se apenas se suposições adicionais forem feitas, tais como:
  1. O efeito de transbordamento na Pensilvânia é positivo (Suposição 10a), tornando o estimando de DiD um limite inferior.
  2. A magnitude do efeito em New Jersey excede o spillover na Pensilvânia (Suposição 11), permitindo que o sinal do estimando de DiD identifique o sinal do efeito em New Jersey.

Significância e Contribuição
A principal contribuição do artigo é tornar o problema de identificação na presença de interferência explícito e transparente. Ele esclarece que o estimando de DiD não é inerentemente um efeito causal, mas um contraste de efeitos quando a interferência está presente. Ao formalizar os argumentos que os pesquisadores aplicados frequentemente invocam implicitamente (ex: em relação à direção ou magnitude dos spillovers), o artigo fornece um framework estruturado para discutir a validade das conclusões de DiD. Ele não propõe um novo algoritmo de estimação, mas sim um conjunto rigoroso de condições sob as quais os estimandos de DiD existentes podem receber uma interpretação causal, preenchendo a lacuna entre a prática padrão de DiD e a realidade complexa da interferência em contextos observacionais.