← Konzepte

Market Intelligence

Parallele-Trends-Annahme

Die Parallele-Trends-Annahme stützt Difference-in-Differences-Kausalanalysen. Kontrafaktische Pfade, Pre-Trend-Tests und Identifikationsgrenzen.

Market Intelligence 4 Min. Lesezeit 2 Quellen KaTeX-Formel

Kanonische Definition · Antwort-Zuerst-Spezifikation

Die Parallele-Trends-Annahme ist die fundamentale Identifikationsvoraussetzung in Difference-in-Differences-Modellen (DiD) der Kausalinferenz. Sie besagt, dass sich die Zielgröße der behandelten Gruppe ohne die Intervention im Zeitverlauf genauso entwickelt hätte wie die der unbehandelten Vergleichsgruppe. Da dieser kontrafaktische Verlauf nach Interventionsbeginn prinzipiell unbeobachtbar ist, lässt sich die Annahme empirisch nicht beweisen.

Synonyme: Parallele Trends · Gemeinsame Trendannahme · DiD-Identifikationsannahme · Kontrafaktischer Trend

Auf dieser Seite

Operative Formulierung & Berechnung

Mathematisches Modell
E[Y1(0)−Y0(0)∣D=1]=E[Y1(0)−Y0(0)∣D=0]\mathbb{E}[Y_{1}(0) - Y_{0}(0) \mid D = 1] = \mathbb{E}[Y_{1}(0) - Y_{0}(0) \mid D = 0]

Variablen & Parametereigenschaften

Symbol Parameter Ökonomische Bedeutung & operative Abgrenzung
Y1(0)Y_{1}(0) Kontrafaktisches Ergebnis nach Intervention Das prinzipiell unbeobachtbare Ergebnis, das die behandelte Gruppe in Periode 1 erzielt hätte, wenn die Intervention nicht stattgefunden hätte.
Y0(0)Y_{0}(0) Basis-Ergebnis vor Intervention Das beobachtete reale Ausgangsergebnis der Gruppe vor Einführung der Maßnahme.
D = 1\text{D = 1} Behandelte Kohorte Die Gruppe von Kunden, Vertriebsgebieten oder Produkten, die der kommerziellen Maßnahme ausgesetzt waren.
D = 0\text{D = 0} Vergleichsgruppe (Kontrollgruppe) Die unbehandelte Gruppe, die als Referenz für die unbeeinflusste zeitliche Entwicklung dient.

Operative Anatomie & Fehlermodi

Grenzziehungen, Verzerrungsmuster und zulässige Management-Entscheidungen.

Bruchstellen-Analyse

Grenzen & Bruchstellen

  • Empirisch unbeweisbar: Der parallele Trend im Zeitraum nach der Intervention ist ein hypothetisches Konstrukt und kann mit realen Daten nicht bewiesen werden.
  • Trugschluss statistischer Vortests: Ein nicht-signifikanter Test auf parallele Vortrends belegt bei geringer statistischer Power keineswegs das Vorliegen paralleler Trends.
  • Sensitivität gegenüber Funktionsformen: Trends, die auf linearer Ebene parallel verlaufen, divergieren häufig bei logarithmischer Skalierung oder Prozentbetrachtung.
  • Antizipationseffekte: Passen Zielkunden ihr Verhalten bereits vor dem formellen Inkrafttreten der Preisänderung an, wird die Ausgangsbasis verzerrt.

Dashboard-Verzerrungen

Typische Verzerrungs- & Gaming-Muster

  • Nachträgliche Auswahl von Kontrollgruppen allein danach, ob deren historischer Verlauf optisch zum Verlauf der Zielgruppe passt.
  • Fehlinterpretation nicht-signifikanter Vortest-Ergebnisse (p > 0,05) als mathematischer Beweis für Kausalität.
  • Willkürlicher Wechsel zwischen linearen und logarithmischen Modellen, wenn die Ausgangsform die Vortests nicht besteht.
  • Ignorieren von versetzten Einführungszeitpunkten (Staggered DiD), bei denen bereits behandelte Einheiten fälschlicherweise als Kontrollgruppe fungieren.

Executive Entscheidungsmatrix

Die Übertragung dieser methodischen Bruchstellen und Verzerrungsmuster in die operative Praxis erfordert eine verbindliche Entscheidungsgovernance. Führungskräfte müssen klar trennen zwischen Management-Maßnahmen, die empirisch tragfähig sind, und unzulässigen Ableitungen, die auf methodischen Trugschlüssen beruhen.

Zulässige Management-Entscheidungen
  • Bewertung kommerzieller Interventionen (Preisanpassungen, neue Provisionsmodelle, regionale Marketingkampagnen).
  • Prüfung ökonometrischer Wirkungsanalysen vor der Freigabe irreversibler Investitionsentscheidungen.
  • Konstruktion synthetischer Kontrollgruppen und statistischer Matching-Verfahren für belastbare Kausalvergleiche.
Unzulässige Ableitungen & Trugschlüsse
  • Behauptung eines kausalen Effekts in Difference-in-Differences-Analysen ohne Offenlegung und Prüfung der Vortrends.
  • Interpretation paralleler Trends als dauerhafte Systemeigenschaft statt als kontextgebundene Annahme eines spezifischen Studiendesigns.
  • Verwendung klassischer Zwei-Wege-Fixe-Effekte-Modelle (TWFE) bei zeitlich gestaffelten Rollouts mit heterogenen Behandlungseffekten.

Die kontrafaktische Logik von Difference-in-Differences

In der unternehmerischen Praxis sind randomisierte A/B-Tests aus rechtlichen, vertraglichen oder organisatorischen Gründen häufig nicht durchführbar. In solchen Situationen greifen Entscheidungsträger auf quasi-experimentelle Difference-in-Differences-Verfahren (DiD) zurück.

Die Validität jeder DiD-Schätzung steht und fällt mit einer einzigen, nicht beweisbaren Grundannahme: der Parallele-Trends-Annahme.

Beobachtete Realität versus kontrafaktische Annahme

Zielgröße
  │                                    [Realer Pfad der Zielgruppe]
  │                                           /
  │                         Intervention     /
  │                               │         /
  │            [Behandelte Gruppe]│        /
  │                     /         │       /
  │                    /          │      /
  │                   /           │    - - - - - [Kontrafaktischer Pfad]
  │                  /            │               (Parallel zur Kontrolle)
  │                 /             │
  │   [Kontrolle]  /              │      [Realer Pfad der Kontrolle]
  │            \  /               │         /
  │             \/                │        /
  │             /\                │       /
  │            /  \               │      /
  └───────────┴────┴──────────────┼─────┴─────────────────────────► Zeit
            Vorperiode            │    Nachperiode

Der geschätzte Kausaleffekt ist nicht der simple Abstand zwischen Ziel- und Kontrollgruppe nach der Maßnahme. Es ist die Differenz zwischen dem tatsächlich beobachteten Ergebnis und dem unbeobachtbaren kontrafaktischen Pfad, den die Zielgruppe ohne die Maßnahme eingeschlagen hätte.

Ein verbreiteter methodischer Fehler in Controlling- und Data-Science-Teams besteht darin, Vortrends statistisch zu testen und bei einem p-Wert über 0,05 zu schlussfolgern, die Annahme sei „bewiesen“:

  1. Mangelnde Teststärke (Power): Bei kleinen Fallzahlen oder hoher Varianz scheitern Signifikanztests regelmäßig daran, bestehende Trendabweichungen aufzudecken.
  2. Verzerrung durch Vortesten: Wird die Analyse davon abhängig gemacht, ob ein Vortest bestanden wird, führt dies zu statistischen Verzerrungen und zu schmalen Konfidenzintervallen in der Nachperiode.
  3. Schocks nach Interventionsbeginn: Parallele Verläufe in der Vergangenheit garantieren nicht, dass beide Gruppen auf unvorhergesehene Markt- oder Wettbewerbsschocks nach dem Stichtag identisch reagieren.

Wissenschaftliche Quellen & Belege

  • Callaway, B., & Sant’Anna, P. H. C. (2021). Difference-in-Differences with Multiple Time Periods. Journal of Econometrics, 225(2), 200–230.
  • Roth, J., Sant’Anna, P. H. C., Bilinski, A., & Poe, J. (2023). What’s Trending in Difference-in-Differences? A Synthesis of the Recent Econometrics Literature. Journal of Econometrics, 235(2), 2218–2244.

Diesen Eintrag zitieren

Zitierbar in wissenschaftlichen Arbeiten, Forschungsberichten und Vorstandsvorlagen.

Wissensarchitektur

Verknüpfte Wissensobjekte & Vertiefung