LongBet : Estimation des effets hétérogènes du traitement dans les données de panel

Cet article introduit une approche novatrice pour estimer les effets hétérogènes du traitement binaire dans les données de panel, en se concentrant particulièrement sur les données de panel courtes avec de grandes données transversales et des confusions observées. Contrairement à la littérature traditionnelle sur la méthode diff-in-diff qui repose souvent sur l'hypothèse des tendances parallèles, notre modèle proposé ne nécessite pas une telle hypothèse. Au lieu de cela, il exploite les confusions observées pour imputer les résultats potentiels et identifier les effets du traitement. La méthode présentée est une approche bayésienne semi-paramétrique basée sur le modèle de forêt causale bayésien, qui est étendu ici pour s'adapter aux cadres de données de panel. L'approche offre l'avantage de la méthode bayésienne pour fournir une quantification de l'incertitude sur les estimations. Des études de simulation démontrent ses performances avec et sans la présence de tendance parallèle. De plus, notre modèle proposé permet l'estimation des effets moyens conditionnels du traitement, une capacité rarement disponible dans les cadres de données de panel.