Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-12803
For citation please use:
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorEdenhofer, Ottmar-
dc.contributor.authorKraus, Sebastian Martin-
dc.date.accessioned2021-12-27T12:22:12Z-
dc.date.available2021-12-27T12:22:12Z-
dc.date.issued2021-
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/14030-
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-12803-
dc.description.abstractIn this dissertation, I make a contribution to the counterfactual-based econometric analysis of panel data. Empirical counterfactuals describe a state of the world without an intervention. In experiments, researchers can create a counterfactual themselves by randomly assigning subjects to a treatment group and a control group for comparison. When researchers can only observe an intervention, they have to construct counterfactuals ex-post. I construct such counterfactuals from observational data for different empirical settings in environmental and resource economics, for which a randomized experiment is not feasible and a control group has to be selected econometrically. I investigate the effects of palm oil on structural change (Chapter 2), of provisional bike lanes on cycling (Chapter 3), of community land titles (Chapter 4) and of palm oil prices on deforestation (Chapter 5), and of air pollution on COVID-19 (Chapter 6). Causal inference is about finding unbiased counterfactuals. Panel econometrics allows researchers to remove sources of endogeneity with fixed effects. But, except for the simplest research settings, difference-in-differences, researchers have often been unclear about the counterfactual constructed by their panel regressions. Recently, econometricians have started decomposing fixed-effects regressions, explaining them as a weighted average of difference-in-difference estimates. These decompositions have shown that the counterfactuals created in fixed-effects regressions with variation in treatment timing can be biased, notably because previously treated units serve as control units for later treatment cohorts. This is because control units tend to violate the parallel trends assumption, if treatment effects are dynamic, i.e., they do not level off immediately and put units on a different trend for at least several time steps. In this dissertation, I apply a design-based approach to this problem, implemented in a regression framework as “stacked” difference-in-differences (Chapters 2 and 4). This approach allows the researcher to construct “clean” control groups for individual treatment cohorts and thereby mitigate violations of the parallel trends assumption from staggered and repeated treatments. In the Introduction (Chapter 1) of this dissertation, I revisit the difference-in-differences design and its core assumptions. I explain how these assumptions can fail for generalized difference-in-differences settings, which are commonly implemented with standard fixed effects panel regressions. I discuss the stacked difference-in-differences design that allows the researcher to take direct control of the treatment and control group compositions by deconstructing staggered and continuous or repeated treatments into individual treatment cohorts. Since the “credibility revolution” much of the focus of applied econometrics has been on causal identification. In a Synthesis Chapter 7, I also discuss further challenges to the accuracy of empirical research, beside bias, such as specification searches and limits to generalizability. I propose that, to tackle these challenges, directed acyclical graphs and pre-analysis plans can be important tools for empirical researchers.en
dc.description.abstractDie vorliegende Dissertation ist ein Beitrag zum Feld der kontrafaktischen ökonometrischen Analyse von Paneldaten. Sogenannte Kontrafaktuale (counterfactuals) sind hypothetische Beschreibungen eines Zustands der Welt hätte eine zu untersuchende Intervention nicht stattgefunden. In Experimenten können Forschende selbst solche Kontrafaktuale schaffen, indem sie Studienobjekte zufällig entweder einer Behandlungs- bzw. Interventionsgruppe oder einer Kontrollgruppe zuordnen. Wenn Forschende eine Intervention aber nur beobachten können, müssen sie ex-post ein Kontrafaktual aus gemessenen Daten rekonstruieren. In dieser Dissertation schätze ich Kontrafaktuale aus Beobachtungsdaten für verschiedene empirische umwelt- und ressourcenökonomische Kontexte, für die ein randomisiertes Experiment nicht durchführbar ist und eine Kontrollgruppe deshalb ökonometrisch ausgewählt werden muss. Ich untersuche die Auswirkungen von Palmölanbau auf Strukturwandel (Kapitel 2), von provisorischen Fahrradwegen auf den Radverkehr (Kapitel 3), von gemeinschaftlichen Landtiteln (Kapitel 4) und von Palmölpreisen auf tropische Entwaldung (Kapitel 5), und von Luftverschmutzung auf COVID-19 (Kapitel 6). Mit Methoden der kausalen Inferenz versuchen Forschende, unverzerrte Vergleiche mit Kontrafaktualen anzustellen. Die Panel-Ökonometrie ermöglicht es hier, Endogenitäts-Quellen mit sogenannten festen Effekten (fixed effects) zu entfernen. Aber mit Ausnahme des einfachsten Forschungsdesigns aus diesem Bereich, dem Differenz-von-Differenzen- Ansatz, schaffen Analysen mit Panelregression bislang meist keine Transparenz darüber, welches Kontrafaktual sie implizit konstruieren. Neuere methodische Beiträge in der Ökonometrie haben inzwischen gezeigt, dass man Regressionen mit festen Effekten in einen gewichteten Mittelwert einzelner Differenz-von-Differenzen-Schätzungen zerlegen kann. Mit diesen Dekompositionen ist nachgewiesen, dass die Ergebnisse von Regressionen mit festen Effekten verzerrt sein können, wenn der Zeitpunkt einer Intervention für unterschiedliche Kohorten variiert. Das ist insbesondere der Fall, weil in Regressionen mit zweidimensionalen festen Effekten „behandelte“ (treated) bzw. zuvor einer Intervention exponierte Einheiten als Kontrolleinheiten für Kohorten mit späteren Interventionen dienen. Diese Kontrolleinheiten können die für dieses Forschungsdesign zentrale Annahme paralleler Trends zwischen behandelten Einheiten und Kontrolleinheiten verletzen, wenn die Effekte einer Intervention dynamisch sind, das heißt nicht sofort abflachen und Einheiten für länger als nur für denselben Zeitschritt auf einen anderen Trend bringen. In dieser Dissertation wende ich einen designbasierten Ansatz auf dieses Problem an, den ich in Regressionsanalysen als „gestapelten“ Differenz-von-Differenzen-Ansatz (stacked difference-in-differences) implementiere (Kapitel 2 und 4). Dieses Design ermöglicht es, „saubere“ Kontrollgruppen für einzelne Kohorten zu konstruieren. Dadurch können Verletzungen der Annahme paralleler Trends auch in Kontexten gestaffelter (staggered) und wiederholter Interventionen vermieden werden. Der allgemeine Differenz-von-Differenzen-Ansatz wird in der angewandeten Ökonometrie häufig genutzt und meist mit Standard-Panelregressionen mit festen Effekten implementiert. In der Einleitung (Kapitel 1) dieser Dissertation erkläre ich zunächst den einfachen Differenz-von-Differenzen-Ansatz und seine Kernannahmen. Ich erkläre dann, unter welchen Bedingungen diese Annahmen in verallgemeinerten Anwendungen des Differenz-von-Differenzen-Ansatzes (generalized difference-in-differences) nicht zutreffen. Anschließend beschreibe ich den gestapelten Differenz-von-Differenzen-Ansatz, der eine direkte Kontrolle über die Zusammensetzung der Interventions- und der Kontrollgruppe ermöglicht, indem gestaffelte und kontinuierliche bzw. wiederholte Interventionen in individuelle Interventionskohorten zerlegt werden. Seit der „Glaubwürdigkeitsrevolution“ (credibility revolution) liegt der Fokus der angewandten Ökonometrie auf kausaler Identifikation. In einem Synthesekapitel 7 diskutiere ich darüber hinausgehende Herausforderungen für die empirische Forschung, wie zum Beispiel fehlende Robustheit von Resultaten durch Spezifikationssuchen und mangelnde Generalisierbarkeit. Ich beschreibe dann Gerichtete Azyklische Graphen (directed acyclic graphs, DAGs) und die Präregistrierung von Analyseplänen (pre-analysis plans), die hier nützliche neue Werkzeuge sein können.de
dc.language.isoenen
dc.relation.haspart10.14279/depositonce-14886en
dc.relation.haspart10.14279/depositonce-14887en
dc.rights.urihttp://rightsstatements.org/vocab/InC/1.0/en
dc.subject.ddc330 Wirtschaftde
dc.subject.ddc333 Boden- und Energiewirtschaftde
dc.subject.otherenvironmental economicsen
dc.subject.othereconometricsen
dc.subject.otherstacked difference-in-differencesen
dc.subject.othercausal inferenceen
dc.subject.otherfixed effectsen
dc.subject.otherUmweltökonomiede
dc.subject.otherÖkonometriede
dc.subject.othergestapelte Differenz-in-Differenzen-Methodede
dc.subject.otherkausale Inferenzde
dc.subject.otherfeste Effektede
dc.titleBuilding counterfactuals ex-posten
dc.typeDoctoral Thesisen
tub.accessrights.dnbdomainen
tub.publisher.universityorinstitutionTechnische Universität Berlinen
dc.contributor.grantorTechnische Universität Berlinen
dc.contributor.refereeEdenhofer, Ottmar-
dc.contributor.refereeHeilmayr, Robert-
dc.date.accepted2021-12-02-
dc.title.subtitleessays in empirical environmental and resource economicsen
dc.title.translatedEx-post Kontrafaktuale konstruierende
dc.title.translatedsubtitleEssays in empirischer Umwelt- und Ressourcenökonomiede
dc.type.versionacceptedVersionen
tub.affiliationFak. 6 Planen Bauen Umwelt » Inst. Landschaftsarchitektur und Umweltplanung » FG Ökonomie des Klimawandelsde
Appears in Collections:Technische Universität Berlin » Publications

Files in This Item:
kraus_sebastian.pdf
Format: Adobe PDF | Size: 6.76 MB
DownloadShow Preview
Thumbnail

Item Export Bar

Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.