De A/B a DiD

Un test A/B consiste en (o aspira a) estimar (y tal vez promediar) las diferencias

predict(modelo_t, x) - predict(modelo_c, x)

donde modelo_t y modelo_c son modelos construidos en grupos tratados y no tratados de cierta manera.

Entra el tiempo.

Ahora ya no se trata de medir esas diferencias sino las diferencias entre los incrementos antes y después. Que se hace construyendo cuatro modelos para con ellos obtener

(predict(modelo_td, x) - predict(modelo_ta, x)) -

(predict(modelo_cd, x) - predict(modelo_ca, x))

donde los sufijos t, c, a y d quieren decir tratamiento, control, antes y después. Además, los cuatro modelos suelen ajustarse de una (p.e., usando modelos lineales con interacciones con tiempo y tratamiento para cada variable).

Lo que no me queda claro de todo esto es dónde queda la paradoja de Lord, central en todo este asunto y de las que pocos parecen haber oído hablar alguna vez.

4 comentarios sobre “De A/B a DiD

  1. Iñaki 13 noviembre, 2020 14:20

    No acabo de entender dónde está la paradoja en la paradoja de Lord. Lo que viene a decir el segundo estadístico es que los sujetos tienden a regresar a la media: un individuo con sobrepeso para su grupo tiende a perder peso, y al revés. No entiendo cómo esto está reñido con que el efecto global sea nulo. Las dos cosas están en los datos de ejemplo. Lo que no se puede responder es si esa regresión a la media es «lo normal» o no, pero ese es otro tema.

  2. Jose Luis Cañadas Reche 13 noviembre, 2020 15:45

    Justo a lo que pones en el primer párrafo lo llaman también T-learner en inferencia causal.

  3. Carlos J. Gil Bellosta 15 noviembre, 2020 21:23

    Aparentemente, por lo que entiendo, la paradoja de la paradoja de Lord consiste en que con los mismos datos, utilizando métodos igualmente razonables, se pueden llegar a resultados distintos.

  4. Iñaki 16 noviembre, 2020 13:24

    A lo que voy es a que no son resultados distintos, sino que solo lo parecen: no responden a la misma pregunta, y por lo tanto dan dos visiones compatibles de los mismos datos.

Comenta

Your email address will not be published.

Puedes usar estas etiquetas y atributos de HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.