November 28, 2023

Causal forests with fixed effects for treatment effect heterogeneity in difference-in-differences

Recently developed heterogeneity-robust two-way fixed effects (TWFE) estimators do not quantify the full heterogeneity in treatment effects in a difference-in-differences research design. We therefore present a computationally feasible algorithm to estimate heterogeneous treatment effects in the presence of many fixed effects using causal forests. Our modification identifies treatment effects by partialling out fixed effect using group averages. Simulation results suggest that our algorithm provides consistent estimates of the Conditional Average Treatment effect for the Treated in a (staggered) difference-in-differences research design.

Finally, we use our method to document heterogeneity in the treatment effect of alternative work arrangements (payrolling) on hourly wages. We find evidence that wages fell by 3.7 percent in the first year of payrolling for a specific subgroup of workers only. Both conclusions did not appear in a conventional heterogeneity analysis using manual subgroups. The R-code of our algorithm is publicly available online.

Downloads

Pdf, 1.3 MB

Download

Related publications

This publication is in Dutch, there is no English translation!

November 28, 2023

Hoe economische effecten te schatten voor individuen bij difference-in differences

Het schatten van het effect van economisch beleid vormt een belangrijk onderdeel van economisch onderzoek. Vaak richt onderzoek zich daarbij op het gemiddelde effect, maar beleidsmakers willen ook inzicht of bepaalde groepen sterker reageren dan anderen. De afgelopen jaren is er een nieuwe techniek ontwikkeld die dit soort effecten heel nauwkeurig kan berekenen, tot op het niveau van het individu: de zogenoemde “causal forest”. Een tekortkoming van deze nieuwe techniek is dat die ongeschikt is voor één van de meest gebruikte onderzoeksmethodes: difference-in-differences.

We passen in ons onderzoek het causal forest-algoritme daarom aan, zodat het wel gebruikt kan worden bij difference-in-differences. We noemen onze methode het causal forest with fixed effects. We vergelijken onze methode met twee andere methoden om causal forests te gebruiken bij difference-in-differences. De simulaties laten zien dat onze methode efficiënter is. Tot slot passen we onze methode toe op een praktijkvoorbeeld door te onderzoeken of het effect van payrolling op het uurloon verschilt als gekeken wordt naar kenmerken van werknemers.