Difference-in-Differences (DiD) Estimation
Definition: Die Difference-in-Differences-Schätzung (DiD) ist ein quasiexperimentelles Verfahren der Kausalanalyse. Sie vergleicht die zeitliche Veränderung einer Zielgröße in einer Behandlungsgruppe mit derjenigen in einer Kontrollgruppe. Dadurch lässt sich der durchschnittliche Behandlungseffekt einer Intervention schätzen, während zeitinvariante Störfaktoren kontrolliert werden. Die Methode benötigt Paneldaten oder wiederholte Querschnittsdaten.
Grundidee der Difference-in-Differences-Schätzung
Die Difference-in-Differences-Schätzung (DiD) ist ein Arbeitspferd der quantitativen Sozialforschung. Sie nutzt zwei zeitliche Beobachtungen, um systematische Unterschiede zwischen einer Behandlungs- und einer Kontrollgruppe herauszurechnen. Betrachten wir eine Region, in der ein neues Gesetz eingeführt wird. Eine andere Region bleibt unberührt. Nun bilden wir die Veränderung der Zielgröße in beiden Regionen. Die Differenz dieser beiden Veränderungen ergibt den kausalen Effekt der Intervention.
Die zentrale Annahme lautet: Ohne die Intervention hätten sich beide Gruppen parallel entwickelt.
Diese Parallelität wird als Common-Trends-Annahme bezeichnet. Sie ist nicht direkt testbar, aber mitunter durch Vorperioden plausibilisierbar. Die Methode benötigt keine randomisierte Zuweisung. Genau darin liegt ihre Attraktivität für natürliche Experimente.
Zentrale Annahmen für valide Ergebnisse
Damit die Schätzung eine kausale Interpretation zulässt, sind mehrere Bedingungen zu prüfen. Neben der Parallelität der Trends müssen weitere strukturelle Eigenschaften gelten. Die folgende Tabelle fasst die wichtigsten Annahmen zusammen:
| Annahme | Inhalt | Typische Verletzung |
|---|---|---|
| Common Trends | Gleiche Entwicklung der Zielgröße ohne Behandlung | Strukturbruch, unterschiedliche Makro-Schocks |
| SUTVA | Keine Spillover-Effekte zwischen Gruppen | Räumliche Externalitäten, allgemeine Gleichgewichtseffekte |
| Exogene Behandlungszeitpunkte | Zeitpunkt der Intervention unabhängig von potentiellen Ergebnissen | Antizipation, politische Endogenität |
| Stabile Gruppenzusammensetzung | Keine selektive Migration zwischen Gruppen | Sorting infolge der Behandlung |
Wird eine dieser Annahmen verletzt, entsteht ein Verzerrungspotenzial. Dann hilft oft ein Blick auf die Daten. Beispielsweise lassen sich parallele Trends in Vorperioden grafisch prüfen. Auch Sensitivitätsanalysen gegenüber kontrafaktischen Szenarien sind üblich.
Durchführung in der Praxis
Die praktische Umsetzung folgt einem klaren Schema. Zunächst benötigt man Paneldaten oder wiederholte Querschnittsdaten. Danach definiert man die Behandlungsgruppe und die Kontrollgruppe. Im nächsten Schritt kodiert man eine Zeitvariable sowie eine Gruppenvariable. Der entscheidende Term ist die Interaktion aus beiden. Eine einfache Regressionsgleichung mit dieser Interaktion liefert den DiD-Schätzer. Standardfehler sollten auf Ebene der Behandlungscluster geclustert werden, weil die Behandlung oft ganze Cluster betrifft.
Ein typisches Anwendungsfeld ist die Evaluation von Arbeitsmarktprogrammen. Auch Preispolitik, Umweltregulierung oder die Einführung neuer Technologien lassen sich mit DiD untersuchen. Die Methode überzeugt durch Transparenz und vergleichsweise geringe Datenanforderungen. Allerdings verlangt sie disziplinierte Modellierung.
Limitationen und moderne Erweiterungen
DiD ist kein Allheilmittel. Bei mehreren Behandlungszeitpunkten oder heterogenen Effekten über die Zeit kann der einfache Zwei-Perioden-Schätzer irreführen. Neuere Verfahren erlauben differenzierte Schätzungen mit gestaffelten Behandlungszeitpunkten. Sie gewichten die einzelnen Gruppenunterschiede robust und vermeiden negative Gewichte. Auch die Synthetische-Kontrollgruppe-Methode stellt eine Erweiterung dar. Sie konstruiert einen gewichteten Vergleich aus vielen Einheiten.
Die Wahl zwischen diesen Verfahren hängt von der Forschungsfrage ab. DiD bleibt dann stark, wenn die Datenstruktur überschaubar ist und die Annahmen plausibel sind. In komplexen Settings sollte man die Ergebnisse durch alternative Identifikationsstrategien absichern.
« Back to Glossary Index