Difference-in-Differences
Quasi-experimentelle Methode, die kausale Effekte schätzt, indem sie Veränderungen über die Zeit zwischen Treatment- und Kontrollgruppe vergleicht.
Difference-in-Differences schätzt kausale Effekte durch doppelten Vorher-Nachher-Vergleich – die wichtigste Methode für natürliche Experimente im Marketing.
Erklärung
DiD vergleicht: (Treatment-Nachher - Treatment-Vorher) - (Kontroll-Nachher - Kontroll-Vorher). Die zweite Differenz eliminiert zeitinvariante Unterschiede und gemeinsame Trends. Voraussetzung: Parallel Trends Assumption.
Relevanz für Marketing
Ideal wenn A/B Tests unmöglich sind: Regionale Campaign-Launches, Preisänderungen, Policy-Änderungen – kausale Effekte aus Beobachtungsdaten schätzen.
Häufige Fallstricke
Parallel Trends Assumption schwer zu verifizieren. Spillover-Effekte zwischen Gruppen. Staggered Treatment Timing erfordert moderne DiD-Methoden.
Entstehung & Geschichte
John Snow nutzte eine frühe Form von DiD 1854 (Cholera-Studie). Card & Krueger (1994) machten DiD mit ihrer Mindestlohn-Studie berühmt. Callaway & Sant'Anna (2021) lösten Probleme mit staggered DiD.
Abgrenzung & Vergleiche
Difference-in-Differences vs. A/B Testing
A/B Testing randomisiert; DiD nutzt natürliche Variation und kontrolliert für Trends – wenn Randomisierung unmöglich ist.
Difference-in-Differences vs. Regression Discontinuity
RD nutzt Schwellenwerte; DiD nutzt Vorher-Nachher-Vergleiche. Beide sind quasi-experimentell, aber für verschiedene Settings.