سازوکار «تفاوت در تفاوت‌ها»: چگونه طراحی شبه‌آزمایشی اثر علّی یک مداخله را جدا می‌کند

تصور کنید شهری حداقل دستمزد را افزایش می‌دهد و شش ماه بعد، اشتغال دو درصد کاهش می‌یابد. آیا این سیاست باعث نابودی مشاغل شد، یا اقتصاد منطقه‌ای گسترده‌تر از قبل در حال ورود به رکود بود؟ برای سیاست‌گذاران، صاحبان کسب‌وکار و شهروندان، تفاوت بین یک تصادف و یک پیامد، همه چیز است. پاسخ به این سؤال مستلزم جدا کردن تأثیر خاص آن سیاست از متغیرهای آشفته و همپوشان دنیای واقعی است.[7]

در پزشکی بالینی، محققان این مشکل را با اجرای یک کارآزمایی کنترل‌شده تصادفی (RCT) حل می‌کنند. اما در اقتصاد، بهداشت عمومی و جامعه‌شناسی، نمی‌توانید به طور تصادفی افزایش مالیات را به نیمی از یک ایالت اختصاص دهید، یا نیمی از جمعیت را مجبور کنید که یک بلای طبیعی را تجربه کنند. محققان به داده‌های مشاهده‌ای محدود هستند، که به طور مشهوری در برابر متغیرهای مخدوش‌کننده آسیب‌پذیرند؛ متغیرهایی که می‌توانند به راحتی اثرات واقعی را پنهان یا بزرگ‌نمایی کنند [۳].[3]

در اینجا برآوردگر «تفاوت در تفاوت‌ها» (DiD) وارد می‌شود. این یک طراحی شبه‌آزمایشی است که تلاش می‌کند با استفاده از داده‌های مطالعات مشاهده‌ای، یک طرح تحقیقاتی آزمایشی را شبیه‌سازی کند [۱]. این روش با محاسبه اثر یک «درمان» در یک دوره زمانی مشخص، به تحلیلگران اجازه می‌دهد تا روابط علّی واقعی را از نویز زمینه‌ای جهان استخراج کنند [۲].[1][2]

این سازوکار بر چهار نقطه داده مشخص متکی است. اول، شما به دو جمعیت متمایز نیاز دارید: یک گروه «تحت درمان» که مداخله را دریافت می‌کند، و یک گروه «کنترل» که دریافت نمی‌کند [۴]. دوم، به داده‌هایی از دو دوره زمانی متمایز نیاز دارید: یکی قبل از وقوع مداخله، و دیگری بعد از آن [۱]. بدون هر چهار ربع این ماتریس، محاسبه نمی‌تواند انجام شود.[1][4]

خود محاسبه به طرز زیبایی ساده است. محقق ابتدا تفاوت در نتیجه را برای گروه تحت درمان، قبل و بعد از مداخله، محاسبه می‌کند. سپس، همین تفاوت «قبل و بعد» را برای گروه کنترل محاسبه می‌کند [۵]. در نهایت، تفاوت گروه کنترل را از تفاوت گروه تحت درمان کم می‌کند [۶].[5][6]

این «تفاوت مضاعف» هسته قدرت این روش است. این کار سوگیری‌های موجود در دوره پس از مداخله را که می‌تواند ناشی از تفاوت‌های دائمی بین دو گروه باشد، و همچنین سوگیری‌های ناشی از مقایسه‌های زمانی در گروه تحت درمان که می‌تواند نتیجه روندهای کلان اقتصادی گسترده‌تر باشد، حذف می‌کند [۲]. اگر هر دو گروه تحت تأثیر یکسان بادهای مخالف اقتصادی قرار گرفته باشند، عمل تفریق به صورت ریاضی آن بادهای مخالف را خنثی می‌کند.[2]

با این حال، کل ساختار ریاضی بر یک ستون واحد و تحمل‌کننده بار استوار است: «فرض روندهای موازی» [۱]. این فرض بیان می‌کند که در غیاب درمان، تفاوت بین گروه‌های تحت درمان و کنترل در طول زمان ثابت می‌ماند [۴]. اگر این دو گروه پیش از اجرای سیاست از قبل در حال واگرایی بودند، محاسبه نهایی اساساً معیوب خواهد بود.[1][4]

از آنجا که ما نمی‌توانیم وضعیت خلاف واقع واقعی (Counterfactual) را مشاهده کنیم—یعنی چه اتفاقی برای گروه تحت درمان می‌افتاد اگر درمان نمی‌شدند—فرض روندهای موازی از نظر فنی غیرقابل آزمایش است [۳]. در عوض، تحلیلگران باید به داده‌های تاریخی قبل از درمان نگاه کنند تا نشان دهند که این دو گروه برای چندین دوره قبل از وقوع مداخله، به صورت همگام حرکت می‌کردند [۵].[3][5]

اینجاست که شواهد اغلب ضعیف می‌شوند. اگر محققان تنها یک دوره زمانی داده‌های قبل از مداخله داشته باشند، نمی‌توانند ثابت کنند که روندهای موازی وجود داشته است [۷]. علاوه بر این، اگر یک عامل مخدوش‌کننده مشاهده‌نشده و متغیر با زمان، دقیقاً در لحظه مداخله بر یک گروه تأثیر بگذارد اما بر دیگری نه، برآوردگر DiD به اشتباه اثر آن عامل مخدوش‌کننده را به درمان نسبت خواهد داد [۱].[1][7]

با رشد قدرت محاسباتی، پیچیدگی مدل‌های DiD نیز افزایش یافته است. کاربردهای مدرن اغلب شامل چندین دوره زمانی و اجرای تدریجی درمان است، به طوری که گروه‌های مختلف در زمان‌های متفاوتی مداخله را دریافت می‌کنند [۴]. این امر مستلزم تنظیمات اقتصادسنجی پیشرفته است تا از مقایسه ناخواسته گروه‌های تازه تحت درمان با گروه‌هایی که قبلاً درمان شده‌اند، جلوگیری شود، که می‌تواند نتایج را به شدت دچار سوگیری کند [۶].[4][6]

با وجود آسیب‌پذیری‌هایش، DiD همچنان یکی از قوی‌ترین ابزارها برای استنتاج علّی در خارج از محیط آزمایشگاهی است [۳]. این روش محققان را مجبور می‌کند تا در مورد گروه‌های کنترل و مفروضات خود صریح باشند و بحث را از یک سؤال مبهم «آیا این اتفاق افتاد؟» به یک سؤال بسیار خاص «آیا این گروه کنترل معتبر است؟؟» تغییر می‌دهد [۲].[2][3]

در نهایت، روش تفاوت در تفاوت‌ها قطعیت مطلق ایجاد نمی‌کند. در عوض، یک چارچوب ساختاریافته و از نظر ریاضی دقیق برای استخراج محتمل‌ترین حقیقت از یک جهان آشفته فراهم می‌کند و به جامعه اجازه می‌دهد تا از تاریخ خود بیاموزد و تصمیمات بهتری برای آینده بگیرد [۷].[7]