چگونه فرض روندهای موازی، وضعیت خلاف واقع را در تخمین تفاضل در تفاضل اعتبار می‌بخشد

در یک کارآزمایی تصادفی کنترل‌شده، وضعیت خلاف واقع با پرتاب یک سکه تضمین می‌شود: از آنجا که درمان به‌طور تصادفی تخصیص می‌یابد، گروه کنترل به‌خوبی نشان می‌دهد که چه اتفاقی برای گروه تحت درمان می‌افتاد. تخمین تفاضل در تفاضل تلاش می‌کند تا با استفاده از داده‌های مشاهده‌ای به همین قطعیت علی دست یابد، اما در یک جنبه ساختاری تفاوت دارد: این روش فرض نمی‌کند که دو گروه کاملاً یکسان هستند. در عوض، فرض می‌کند که فاصله بین آن‌ها در طول زمان ثابت است. این پل ریاضی به‌عنوان فرض روندهای موازی شناخته می‌شود و تنها ستون باربر اقتصاد تجربی مدرن است.[6]

مشکل اساسی استنتاج علی این است که پژوهشگران هرگز نمی‌توانند یک واحد یکسان را در یک زمان واحد، هم در حالت تحت درمان و هم در حالت بدون درمان مشاهده کنند. برای سنجش تأثیر یک سیاست، تحلیلگر باید یک وضعیت خلاف واقع بسازد؛ یعنی یک تخمین دقیق و ریاضی از آنچه در صورت عدم اجرای آن سیاست رخ می‌داد. چارچوب تفاضل در تفاضل این مشکل را با ردیابی یک گروه تحت درمان و یک گروه کنترلِ بدون درمان در دو بازه زمانی (پیش از مداخله و پس از آن) حل می‌کند.[6]

نمونه کلاسیک این معماری، مطالعه دیوید کارد (David Card) و آلن کروگر (Alan Krueger) در سال ۱۹۹۴ درباره حداقل دستمزد است که به آغاز انقلاب شبه‌آزمایشی در اقتصاد کار کمک کرد. در اول آوریل ۱۹۹۲، ایالت نیوجرسی حداقل دستمزد ایالتی خود را از ۴.۲۵ دلار در ساعت به ۵.۰۵ دلار افزایش داد. این رقم نشان‌دهنده یک افزایش ۱۹ درصدی بود. در همین حال، حداقل دستمزد در ایالت همسایه، پنسیلوانیا، روی همان ۴.۲۵ دلار ثابت ماند و یک گروه کنترل طبیعی را درست در آن‌سوی رودخانه دلاور فراهم کرد.[1]

کارد و کروگر ۴۱۰ رستوران فست‌فود را در هر دو ایالت بررسی کردند و داده‌ها را یک‌بار در ماه‌های فوریه و مارس ۱۹۹۲ (پیش از اجرای قانون) و بار دیگر در نوامبر و دسامبر ۱۹۹۲ جمع‌آوری کردند. یک مطالعه مشاهده‌ای ساده‌انگارانه ممکن بود تنها به آمار اشتغال نیوجرسی قبل و بعد از افزایش دستمزد نگاه کند. با این حال، اگر اقتصاد کل منطقه در حال ورود به یک دوره رکود یا رونق بود، آن مقایسه سادهِ قبل و بعد، این تغییرات اقتصاد کلان را به خود جذب می‌کرد و آن‌ها را به‌اشتباه به سیاست حداقل دستمزد نسبت می‌داد.[1]

پژوهشگران با کم کردن میزان تغییر در اشتغال پنسیلوانیا از میزان تغییر در اشتغال نیوجرسی، تأثیر خاص افزایش دستمزد را ایزوله کردند. آن‌ها متوجه یک افزایش نسبی ۱۳ درصدی در اشتغال ایالت تحت درمان شدند. همان‌طور که در یافته‌های خود نتیجه‌گیری کردند: «افزایش حداقل دستمزد در نیوجرسی احتمالاً هیچ تأثیری بر کل اشتغال در صنعت فست‌فود نیوجرسی نداشته و چه‌بسا تأثیر مثبت کوچکی نیز داشته است.»[1]

این تفریق ظریف تنها در صورتی کار می‌کند که یک شرط حیاتی برقرار باشد: فرض روندهای موازی. این فرض ایجاب می‌کند که در غیاب افزایش حداقل دستمزد، اشتغال فست‌فود در نیوجرسی دقیقاً در همان مسیر پنسیلوانیا تکامل می‌یافت. این یک الزام سخت‌گیرانه است که پیامدهای بالقوه و مشاهده‌نشده برای گروه تحت درمان، باید همگام و هماهنگ با پیامدهای مشاهده‌شده گروه کنترل حرکت کنند.[5]

همان‌طور که یک تحلیل اقتصادسنجی در سال ۲۰۲۵ اشاره می‌کند: «روند موازی تنها چیزی است که همه در روش تفاضل در تفاضل آن را 'بررسی' می‌کنند، اما تقریباً هیچ‌کس نمی‌تواند آن را ثابت کند.» این فرض اساساً غیرقابل‌آزمون است، زیرا ادعایی درباره واقعیتی مطرح می‌کند که وجود خارجی ندارد. پژوهشگران نمی‌توانند داده‌های اشتغال نیوجرسی پس از سال ۱۹۹۲ را بدون در نظر گرفتن افزایش دستمزد سال ۱۹۹۲ مشاهده کنند؛ این یعنی وضعیت خلاف واقع حقیقی برای همیشه پنهان می‌ماند.[3]

برای ایجاد اطمینان نسبت به این معیار غیرقابل‌مشاهده، اقتصاددانان به‌طور سنتی به آزمون‌های پیش‌روند تکیه می‌کردند. با رسم داده‌ها برای چند سال پیش از مداخله، پژوهشگران می‌توانستند به‌صورت بصری و آماری بررسی کنند که آیا گروه‌های درمان و کنترل پیش از اجرای سیاست به‌طور موازی حرکت می‌کرده‌اند یا خیر. اگر یک آزمون آماری استاندارد نمی‌توانست فرض صفر مبنی بر عدم تفاوت بین روندهای پیش از درمان را رد کند، فرض روندهای موازی تأییدشده تلقی می‌شد و تخمین علی به انتشار می‌رسید.[6]

در سال ۲۰۲۲، جاناتان راث (Jonathan Roth)، اقتصاددان دانشگاه هاروارد، یک نقد روش‌شناختی منتشر کرد که این رویه استاندارد را دگرگون ساخت. راث نشان داد که آزمون‌های مرسوم پیش‌روند از کمبود شدید توان آماری رنج می‌برند؛ به این معنا که آن‌ها معمولاً در تشخیص واگرایی‌های معنادار بین دو گروه ناکام می‌مانند. از آنجا که این آزمون‌ها توان کافی ندارند، یک پژوهشگر ممکن است خطوط موازی را در دوره پیش از مداخله مشاهده کند، حتی زمانی که شرایط اقتصادی زیربنایی در حال فاصله گرفتن و انحراف از یکدیگر هستند.[2]

واقعیت ریاضی این نقصِ توان، بسیار تکان‌دهنده است. همان‌طور که کارلوس مندز (Carlos Mendez) در سنتز سال ۲۰۲۶ خود از کار راث توضیح می‌دهد: «یک آزمون با ۵۰ مشاهده در هر گروه ممکن است برای رد فرض صفر در سطح معناداری ۵ درصد، به نقضی نیاز داشته باشد که سه برابر بزرگ‌تر از اثر درمان است.» این بدان معناست که یک متغیر مخدوش‌کننده می‌تواند داده‌ها را به میزانی ۳۰۰ درصد بزرگ‌تر از تأثیر واقعی سیاست منحرف کند، و با این حال آزمون استاندارد پیش‌روند همچنان به پژوهشگر چراغ سبز نشان دهد تا به کار خود ادامه دهد.[2]

مشروط کردن یک تحلیل به قبولی در این پیش‌آزمون معیوب، چیزی را ایجاد می‌کند که اقتصادسنجی‌دانان آن را «سوگیری پیش‌آزمون» می‌نامند. تخمین‌هایی که از این فرآیند غربالگری جان سالم به در می‌برند، اغلب تحریف‌شده هستند و حس امنیت کاذبی را در مورد ادعای علی ایجاد می‌کنند. درک این موضوع که ابزار تشخیصی اصلی این حوزه از نظر ریاضی شکننده است، باعث تکامل سریعی در نحوه تخمین و دفاع از مدل‌های تفاضل در تفاضل شد.[2]

این پیچیدگی زمانی مضاعف می‌شود که سیاست‌ها در یک تاریخ واحد اجرا نمی‌شوند، بلکه در مناطق مختلف و در زمان‌های متفاوت به اجرا درمی‌آیند؛ ساختاری که به‌عنوان «پذیرش مرحله‌ای» (staggered adoption) شناخته می‌شود. برای دهه‌ها، پژوهشگران این اجراهای مرحله‌ای را با استفاده از رگرسیون‌های اثرات ثابت دوطرفه تحلیل می‌کردند. با این حال، یک مقاله برجسته در سال ۲۰۲۱ توسط برنتلی کالاوی (Brantly Callaway) و پدرو اچ.سی. سانتانا (Pedro H.C. Sant'Anna) نشان داد که این تکنیک رگرسیون استاندارد در زمان‌بندی‌های مرحله‌ای دچار فروپاشی می‌شود و گاهی با استفاده نادرست از واحدهای ازپیش‌درمان‌شده به‌عنوان گروه کنترل، وزن‌های منفی به واحدهای تازه‌درمان‌شده اختصاص می‌دهد.[4]

برآوردگر کالاوی-سانتانا این مشکل را با محاسبه میانگین اثرات درمان گروه-زمان حل کرد و مقایسه‌های تمیزی را بین گروه‌های خاص و گروه‌های کنترلی که هرگز درمان نشده‌اند، ایزوله کرد. با محدود کردن تحلیل به این جفت‌های آلوده‌نشده، این برآوردگر از تخریب تخمین علی توسط آسیب‌شناسی‌های ریاضیِ اثرات ثابت دوطرفه جلوگیری می‌کند و اطمینان می‌دهد که فرض روندهای موازی تنها در جایی اعمال می‌شود که از نظر منطقی منسجم باشد.[4]

برای حل مشکل توان پیش‌آزمون که توسط راث شناسایی شده بود، این حوزه از آزمون‌های صفر و یکی (قبول/رد) فاصله گرفته و به‌سوی تحلیل حساسیت حرکت کرده است. در سال ۲۰۲۳، آشِش رامباچان (Ashesh Rambachan) و جاناتان راث چارچوب HonestDiD را معرفی کردند که به پژوهشگران اجازه می‌دهد عدم قطعیت را به‌طور صریح محدود کنند. این چارچوب به‌جای ادعای اینکه روندهای موازی کاملاً برقرار هستند، محاسبه می‌کند که یک نقض چقدر باید بزرگ باشد تا نتیجه‌گیری‌های مطالعه را بی‌اعتبار کند.[2]

این گذار از «فرض» به «کمی‌سازی»، نشان‌دهنده بلوغ در اقتصاد تجربی است. متدولوژیست‌های مدرن به‌جای کنار گذاشتن چارچوب تفاضل در تفاضل به‌دلیل غیرقابل‌آزمون بودن فرض اصلی آن، مرزهای ریاضیاتی مشخصی را پیرامون عدم قطعیت بنا کرده‌اند. با تعریف صریح محدوده‌های وضعیت خلاف واقع، پژوهشگران اکنون می‌توانند دقیقاً بیان کنند که تخمین‌های علی آن‌ها پیش از آنکه سیگنال در میان نویزها گم شود، تا چه حد می‌توانند در برابر انحراف‌های مخدوش‌کننده مقاومت کنند.[6]