Covariate-Balanced Weighted Stacked Difference-in-Differences

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é um chef de cozinha tentando descobrir se um novo tempero (o "tratamento") realmente melhora o sabor de um prato. Você tem vários restaurantes (os "grupos") que começam a usar esse tempero em anos diferentes.

O problema é que os restaurantes já eram diferentes antes de usar o tempero: alguns tinham chefs mais experientes, outros usavam ingredientes mais caros. Se você apenas comparar a média de todos os restaurantes que usaram o tempero com os que não usaram, você pode achar que o tempero funcionou, quando na verdade o sucesso veio do fato de que os restaurantes que usaram o tempero já eram melhores desde o início.

Este artigo, escrito por Vadim Ustyuzhanin, apresenta uma nova ferramenta chamada CBWSDID (uma sigla complicada que podemos chamar de "O Método do Chef Equilibrado").

Aqui está a explicação simples, usando analogias:

1. O Problema: A Comparação Desleal

Antes dessa nova ferramenta, os economistas usavam dois métodos principais:

O Método "Juntar Tudo" (DID Empilhado): Eles pegavam todos os restaurantes que usaram o tempero e todos os que não usaram, jogavam tudo numa panela e faziam uma média.
- O defeito: Se os restaurantes que usaram o tempero eram, em média, mais ricos, a comparação fica torta. É como comparar a velocidade de um carro de Fórmula 1 com a de um carro popular e culpar o motor do popular por ser lento, ignorando que o F1 tinha um motor melhor.
O Método "Emparelhamento" (Matching): Eles tentavam encontrar um "gêmeo" para cada restaurante que usou o tempero (ex: um restaurante com o mesmo tamanho, mesma cidade, mesmo número de garçons).
- O defeito: Às vezes, é difícil encontrar gêmeos perfeitos, ou você perde muitos dados no processo.

2. A Solução: O Método do Chef Equilibrado (CBWSDID)

O autor propõe fazer o trabalho em duas etapas, separando a preparação dos ingredientes da hora de servir o prato.

Etapa 1: A Preparação (O "Emparelhamento Inteligente")

Dentro de cada grupo de restaurantes que começou a usar o tempero no mesmo ano, o método cria uma "lista de controle" perfeita.

Ele usa matemática (pesos) para dizer: "Este restaurante de controle vale 1 ponto, aquele vale 0,5 pontos, e este outro vale 2 pontos".
A analogia: Imagine que você tem uma turma de alunos que começou a estudar em anos diferentes. Para comparar com os que não estudaram, você não pega todos os não-estudantes. Você pega apenas os que têm o mesmo histórico de notas, mesma idade e mesma escola. Se sobrar um aluno muito inteligente na lista de controle, você dá menos peso a ele. Se sobrar um aluno com perfil idêntico, você dá mais peso.
O objetivo: Garantir que, dentro de cada grupo, a comparação seja justa. É como se você garantisse que os "gêmeos" fossem realmente gêmeos.

Etapa 2: O Serviço (A "Aggregação Corretiva")

Agora que cada grupo tem sua comparação justa, você precisa somar tudo para ter um resultado final.

O problema aqui é que alguns grupos têm muitos restaurantes e outros têm poucos. Se você somar tudo sem cuidado, os grupos grandes vão dominar o resultado.
O método usa uma "fórmula mágica" (os pesos corretivos) para garantir que o resultado final reflita a importância real de cada grupo, sem distorcer a média.
A analogia: É como se você tivesse várias mesas de jantar. Cada mesa já foi equilibrada (Etapa 1). Agora, para contar a média de satisfação de todos os clientes, você não conta cada pessoa individualmente. Você dá um "peso" para cada mesa baseado em quantas pessoas tratadas (que usaram o tempero) ela tem. Assim, a opinião de uma mesa com 10 clientes tratados vale mais do que uma mesa com apenas 1, mas sem distorcer a comparação interna daquela mesa.

3. O Grande Truque: Reversibilidade (O "Botão Ligar/Desligar")

A maioria dos métodos antigos assumia que, uma vez que você usou o tempero, você nunca mais parava. Mas na vida real, coisas mudam: um país pode se tornar democrático e depois voltar a ser ditadura; uma empresa pode adotar uma tecnologia e depois abandoná-la.

O CBWSDID é especial porque lida com isso. Ele trata cada mudança (ligar ou desligar) como um episódio novo.

A analogia: Imagine que o tempero não é um "botão único", mas sim um interruptor que você pode ligar e desligar várias vezes. O método olha para o histórico recente do restaurante (os últimos 4 anos, por exemplo). Se o restaurante estava usando o tempero, desligou, e agora ligou de novo, o método compara esse "episódio de religar" com outros restaurantes que tinham o mesmo histórico de ligar/desligar e que permaneceram desligados.

Por que isso é importante?

O autor mostra, através de simulações e exemplos reais (como leis de habitação nos EUA e democracia na América Latina), que os métodos antigos muitas vezes inventam tendências falsas. Eles dizem que uma política funcionou quando, na verdade, os grupos já eram diferentes antes de começar.

O CBWSDID funciona como uma ponte:

Ele pega a precisão do "emparelhamento" (garantir que os grupos sejam comparáveis).
Ele mantém a clareza do "empilhamento" (saber exatamente o que está sendo medido no final).

Resumo em uma frase:
É como se você tivesse uma balança de precisão que, antes de pesar os objetos, ajusta automaticamente os pratos para garantir que eles tenham o mesmo peso inicial, e depois calcula a média final de forma que nenhum grupo pequeno ou grande domine o resultado, permitindo até mesmo medir coisas que ligam e desligam várias vezes.

O autor também disponibilizou um "kit de ferramentas" (um software em R) para que qualquer pesquisador possa usar esse método sem precisar ser um gênio da matemática.

Each language version is independently generated for its own context, not a direct translation.

1. O Problema

O artigo aborda limitações críticas nos métodos atuais de Diferenças-em-Diferenças (DID) Empilhados utilizados em contextos de adoção escalonada (staggered adoption). Embora o DID empilhado tenha ganhado popularidade por evitar problemas de comparação encontrados em regressões TWFE (Two-Way Fixed Effects) tradicionais, ele enfrenta dois problemas de desenho distintos que, se não resolvidos, comprometem a validade causal:

Problema de Agregação: A agregação simples de observações tratadas e de controle através de sub-experimentos pode falhar em recuperar um parâmetro causal bem definido. Wing et al. (2024) demonstraram que o DID empilhado ordinário falha nisso e propuseram "pesos empilhados corretivos" para recuperar a Média do Efeito do Tratamento no Tratado (ATT) agregada.
Problema de Comparabilidade Intra-Sub-experimento: Mesmo dentro de um sub-experimento específico (uma coorte tratada e seu grupo de controle), as unidades tratadas e de controle podem diferir significativamente em características pré-tratamento (covariáveis, resultados defasados). O DID empilhado ponderado padrão (Wing et al.) não resolve essa falta de comparabilidade, assumindo tendências paralelas incondicionais que podem não existir.

O autor argumenta que a agregação correta entre sub-experimentos não garante comparações tratadas-controle credíveis dentro deles.

2. Metodologia: CBWSDID

O artigo propõe o CBWSDID (Covariate-Balanced Weighted Stacked Difference-in-Differences), uma extensão baseada em desenho que separa e combina duas etapas:

A. A Estrutura de Dois Estágios

Etapa 1: Ajuste de Desenho Intra-Sub-experimento (Equilíbrio de Covariáveis):
- Para cada sub-experimento (coorte tratada $a$ ), utiliza-se emparelhamento (matching) ou ponderação (weighting) para melhorar a comparabilidade entre as unidades tratadas e o grupo de controle "limpo" (clean control).
- Isso gera pesos de desenho ( $b_{sa}$ ) não negativos para as unidades de controle.
- O objetivo é satisfazer a hipótese de tendências paralelas ponderadas condicionais dentro de cada sub-experimento, em vez de incondicionais.
Etapa 2: Agregação Corretiva Entre Sub-experimentos:
- Aplica-se a lógica de ponderação corretiva de Wing et al. (2024) para garantir que a agregação final recupere o ATT agregado desejado.
- Os pesos finais da amostra ( $W_{sa}$ ) combinam os pesos de equilíbrio de covariáveis com os fatores de correção de agregação.
- A fórmula do peso final para uma unidade de controle no sub-experimento $a$ é:
  $W_{sa} = b_{sa} \times \frac{N^D_a / N^D_{\Omega}}{\tilde{N}^C_a / \tilde{N}^C_{\Omega}}$
  Onde $\tilde{N}^C_a$ é a "massa de controle efetiva" (soma dos pesos de desenho).

B. Assunções de Identificação

O estimador substitui a tendência paralela incondicional por uma versão ponderada específica de cada sub-experimento:

Sem Antecipação: Efeito zero antes do tratamento.
Tendências Paralelas Ponderadas Intra-sub-experimento: A tendência não tratada esperada para o grupo tratado é igual à média ponderada da tendência do grupo de controle.
Sobreposição e Não-degenerescência: Existência de grupos de controle válidos e pesos finitos.
Refinamento Pré-tratamento: Os pesos são construídos apenas com informações anteriores ao tratamento.

C. Extensão para Tratamentos Repeated (0 $\to$ 1 e 1 $\to$ 0)

O autor estende a lógica para cenários onde o tratamento não é absorvente (unidades podem entrar e sair do tratamento).

Unidade de Análise: Em vez de coortes de primeira adoção, a unidade passa a ser o episódio de tratamento (switch-on ou switch-off).
Memória Finita: Assume-se que os resultados potenciais dependem apenas dos últimos $L$ períodos de histórico de tratamento.
Controles: O grupo de controle consiste em episódios estáveis (não tratados) que compartilham o mesmo histórico recente de tratamento que o episódio tratado.
O estimador resultante é um ATT ponderado por episódio, respondendo à pergunta: "Qual é o efeito médio de um episódio de mudança de tratamento admissível?".

3. Contribuições Principais

Unificação de Métodos: Fornece um framework unificado de DID empilhado que acomoda tanto refinamentos baseados em emparelhamento quanto em ponderação dentro do mesmo estimador, representando ambos através de pesos de desenho não negativos.
Extensão para Tratamentos Não-Absorventes: Estende a lógica do DID empilhado ponderado para episódios repetidos de $0 \to 1$ e $1 \to 0$ , criando uma ponte entre o DID empilhado ponderado e desenhos baseados em episódios (como o PanelMatch de Imai et al., 2023).
Implementação Prática: Desenvolve e disponibiliza o pacote R cbwsdid no GitHub, facilitando a aplicação do método.

4. Resultados Empíricos e Simulações

A. Simulação

Cenário: Painel balanceado com adoção escalonada onde a seleção para o tratamento é correlacionada com covariáveis observáveis e tendências não tratadas (violação de tendências paralelas incondicionais).
Desempenho:
- O DID Empilhado Ordinário e o DID Empilhado Ponderado (sem refinamento) exibiram tendências pré-tratamento espúrias e viés significativo nos efeitos pós-tratamento.
- O CBWSDID (tanto na versão com emparelhamento quanto com ponderação) reduziu drasticamente os coeficientes pré-tratamento falsos e recuperou o perfil dinâmico do efeito do tratamento com maior precisão.
- A versão baseada em ponderação (Entropy Balancing) performou ligeiramente melhor na simulação específica, mas o autor alerta que em aplicações reais, o emparelhamento pode ser mais estável se as unidades forem muito dissimilares.

B. Aplicação 1: A Lei de Habitação Justa (Trounstine, 2020)

Contexto: Efeito da adoção da Lei de Habitação Justa na segregação racial (brancura da cidade).
Desafio: Cidades tratadas e não tratadas exibiam dinâmicas pré-tratamento visivelmente diferentes.
Resultado: Estimadores não refinados (TWFE, Sun-Abraham, DID Empilhado Ponderado) mostraram grandes coeficientes positivos pré-tratamento e uma queda acentuada na segregação pós-tratamento.
Impacto do CBWSDID: Ao aplicar o refinamento de covariáveis, as tendências pré-tratamento foram achatadas (próximas de zero) e a magnitude da queda pós-tratamento diminuiu significativamente, tornando-se estatisticamente indistinguível de zero. Isso sugere que os resultados anteriores eram artefatos da falta de comparabilidade entre os grupos.

C. Aplicação 2: Democracia e Crescimento (Acemoglu et al., 2019)

Contexto: Efeito de transições de autocracia para democracia (e vice-versa) no PIB per capita.
Comparação: CBWSDID vs. PanelMatch.
Resultado: Ambos os métodos produziram conclusões substantivas similares (efeitos de crescimento fracos para democratização e efeitos negativos persistentes para autocratização).
Vantagem: O CBWSDID forneceu estimativas de variância menores e manteve-se dentro de um framework de DID empilhado ponderado, que é mais fácil de resumir e diagnosticar do que o PanelMatch.

5. Significado e Conclusão

O artigo posiciona o CBWSDID não como um substituto para estimadores DID modernos ou para emparelhamento em painel, mas como uma ponte entre eles.

Ele preserva a lógica transparente de estimando e agregação do DID empilhado ponderado (Wing et al.).
Ao mesmo tempo, importa a sensibilidade de desenho (design sensitivity) do emparelhamento e da ponderação de covariáveis.
A principal lição é que, em configurações exigentes de tratamento escalonado ou repetido, onde as tendências paralelas incondicionais são implausíveis, a combinação de ajuste de covariáveis intra-sub-experimento com pesos corretivos inter-sub-experimento é essencial para obter inferências causais válidas.

O trabalho oferece uma solução prática e teoricamente fundamentada para um dos problemas mais persistentes na econometria causal moderna: como lidar com heterogeneidade de tendências em designs de diferenças-em-diferenças complexos.