igerber/diff-diff

해결하는 문제

diff-diff는 차이의 차이(DiD) 인과 추론을 위한 포괄적인 툴킷을 제공하여, 연구자와 분석가가 시간이 지남에 따라 처리군과 대조군을 비교함으로써 처리 또는 정책의 실제 영향(‘리프트’)을 측정할 수 있도록 합니다. 특히 현대 인과 분석의 복잡성을 다룹니다. 예를 들어, 다양한 단위가 서로 다른 시점에 처리를 받는 단계적 도입(staggered rollouts), 역행 가능한 처리(reversible treatments), 그리고 결과가 우연한 추세에 의해 영향을 받지 않도록 보장하기 위한 엄격한 민감도 테스트의 필요성 등입니다.

작동 방식

이 라이브러리는 scikit-learn 스타일의 API(fit 및 predict 패턴)와 statsmodels 스타일의 출력을 갖춘 다양한 경제추정 추정량을 구현합니다. 다양한 설계 패턴을 지원합니다:

• 표준 DiD: 기본적인 2x2 비교.
• 단계적 채택: Callaway & Sant'Anna, Sun & Abraham, Imputation DiD와 같은 고급 추정량으로 처리 시점의 차이를 다룹니다.
• 합성 제어/DiD: 처리된 단위가 매우 적은 경우에 가중 반사적 대조군을 생성합니다.
• 특수 설계: 회귀불연속성(RDD), 삼중차이(DDD), 연속 DiD 등 용량-반응 분석을 위한 설계를 지원합니다.
• 로버스트 툴: 평행 추세, 플라세보 테스트, "정직한 DiD" 민감도 분석(가정 위반 시 결과의 범위를 제한)을 위한 내장 진단 도구.
• 설문 조사 통합: ACS나 CPS와 같은 복잡한 설문 데이터를 위한 설계 기반 분산 추정(층, PSU, 가중치)을 네이티브로 지원합니다.

대상 사용자

• 경제학자 및 학술 연구자: 엄격한 인과 추론과 정책 평가에.
• 마케팅 분석가: 캠페인 리프트와 제품 출시 영향을 측정할 때.
• 데이터 과학자: A/B 테스트, 단계적 롤아웃, 비즈니스 영향 분석을 수행할 때.

주요 특징

• 광범위한 추정량 라이브러리: CS, SA, BJS, TROP 추정량의 최신 구현 포함.
• 엄격한 워크플로우: Baker et al. (2025)의 구조화된 8단계 실무 워크플로우를 제공하여 신뢰할 수 없는 결과를 방지.
• 설문 조사 인식: 현대적 이질성에 강건한 추정량에 대해 설계 기반 분산 추정을 제공하는 유일한 Python/R DiD 패키지.
• AI 준비: AI 에이전트 전용으로 최적화된 API 참조 및 워크플로우를 제공하는 get_llm_guide() 함수 포함.
• 포괄적인 진단 도구: RD 플롯, 조작 검정, 공간 HAC 표준오차(Conley SE) 포함.