Evalúe el impacto económico de largo plazo de un desastre natural localizado con inferencia causal en Python. Una replicación para principiantes de Heger y Neumayer (2019) sobre el tsunami de Aceh de 2004, con datos sintéticos calibrados: diferencias en diferencias dinámicas con pyfixest, un estudio de eventos con diff-diff, una respuesta a la dosis de luces nocturnas, control sintético con mlsynth y errores estándar espaciales de Conley.
Introducción y derivación del método de diferencias en diferencias sintéticas, con una aplicación a la Proposición 99 de California: se compara con las diferencias en diferencias y el control sintético originales (synth2) y se explica cómo realizar inferencia por placebo con una sola unidad tratada.
Se extienden las diferencias en diferencias sintéticas al caso de adopción escalonada, en el que las unidades reciben el tratamiento en momentos distintos, y se aplican en Stata a las cuotas de género parlamentarias en 119 países: se deriva el estimador por cohorte, su agregación en el ATT global, el moderno estudio de eventos con sdid_event y la inferencia por bootstrap, jackknife y placebo.
Cuando el 'tratamiento' es un punto en el espacio, la distancia se convierte en la variable de asignación. Recorremos el DiD de anillos paramétrico y una alternativa no paramétrica basada en datos, primero en un mundo simulado con respuesta conocida y luego en el estudio de precios de vivienda de Linden y Rockoff, y reconciliamos un −5,78 % paramétrico con un −20,6 % no paramétrico.
Un estudio de caso sobre la expansión de Medicaid de la Affordable Care Act —pasando por medias de celda 2x2, TWFE, DRDID ajustado por covariables, estudios de eventos escalonados 2xT y de Callaway-Sant'Anna, y la sensibilidad HonestDiD— para mostrar cómo la ponderación poblacional cambia el parámetro objetivo cuando las unidades son regiones de tamaños muy distintos.
Aprenda Diferencias en Diferencias (DiD) en Python usando PyFixest y Great Tables. Cubre el diseño 2x2, la regresión TWFE, la comparación de inferencia, tablas con calidad de publicación, estudios de eventos y la prueba de tendencias paralelas basada en Corral y Yang (2024).
Aprenda las diferencias en diferencias (DiD) en Stata mediante un estudio de caso de un programa de tutorías extraescolares. Abarca el diseño 2x2, la regresión TWFE, los estudios de eventos y la prueba de tendencias paralelas, con base en Corral y Yang (2024).
Evalúe qué tan robustos son los resultados de diferencias en diferencias ante violaciones de las tendencias paralelas usando el paquete honestdid en Stata, avanzando desde un DiD simple 2x2 hasta estudios de eventos multiperiodo con magnitudes relativas y restricciones de suavidad.
Una guía sobre Diferencias en Diferencias con tratamiento escalonado --- desde las limitaciones de TWFE hasta los ATT por grupo-tiempo de Callaway-Sant'Anna, la estimación doblemente robusta y el análisis de sensibilidad HonestDiD --- aplicada a los efectos del salario mínimo sobre el empleo juvenil.
Estimación de efectos causales de tratamiento mediante Diferencias en Diferencias con el paquete diff-diff, desde el diseño clásico 2x2 hasta la adopción escalonada con Callaway-Sant'Anna y el análisis de sensibilidad HonestDiD.