Вопрос по difference-in-difference. did впервые применяю, программирования в седьмом классе

не было.
задача: оценить влияние тритмента (скидки) на переменную count. скидка действовала с 2020-11-02 по 2022-12-30, но только в 5:15-7:15 и 8:45-9:15 (это загнал в переменную time_action).
group1 — группа, на которую применялся тритмент, group2 — группа для сравнения (на ней тритмента не было); это загнал в переменную treated.
основная гипотеза в том, что скидка способствовала повышению count в период 5:15-7:45 и 8:45-9:15.

данные, код и саммари модели прикладываю

library(data.table)
library(tidyverse)


did_df <- fread('did_tkl.csv')


did_df <- mutate(did_df,
time_action = ifelse(did_df$date >= "2020-11-02" &
(did_df$time < '07:15:00' | did_df$time %in% c('08:45:00', '09:00:00')
), 1, 0),
treated = ifelse(group == "group1", 1, 0)
)

did_df_model <- lm(count ~ time_action + treated + time_action:treated, data = did_df)
summary(did_df_model)

Call:
lm(formula = count ~ time_action + treated + time_action:treated,
data = did_df)

Residuals:
Min 1Q Median 3Q Max
-13428 -4121 -782 3931 32527

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8726.38 39.12 223.07 <2e-16 ***
time_action -3797.87 86.84 -43.73 <2e-16 ***
treated 4702.67 55.31 85.02 <2e-16 ***
time_action:treated -2421.87 122.83 -19.72 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 5871 on 56523 degrees of freedom
Multiple R-squared: 0.2021, Adjusted R-squared: 0.202
F-statistic: 4772 on 3 and 56523 DF, p-value: < 2.2e-16

вопросы:
как интерпретировать полученные в модели результаты? адекватная ли модель получилась? как можно улучшить ее?

насколько я понял по саммари, p-value значимый (это хорошо), time_action:treated отрицательный - это значит, что во время скидки count уменьшается, R-квадрат очень низкий (это плохо, т.к. модель объясняет только 20% наблюдений). или все не так понял?
делал по тутору отсюда. буду благодарен за ссылки на полезный материал по теме.

Такс а зачем дид если вы знаете когда эффект произошел и его не надо эстимейтить

т.е. дид не подходит к моей задаче? про сравнение булевой переменной не понял

Ilya Shutov
У меня такая картинка получается. Но тут топором и...

а что на картинке происходит?

https://acclab.github.io/robust-statistical-visualization.html

я честно говоря не понял постановки. Есть периоды скидок. Клиенты которые приходили вне периодов - на них скидка не повлияла. Есть контрольные и тестовые группы. Вопросы - Вопрос на который надо ответить - "приводит ли скидка к увеличению количества клиентов?" - В чем идея рассматривать весь период, а не только окна, когда было воздействие?

По мне, так это просто сравнение двух несвязанных групп. Выкинул мусор и побутсрапил. Объяснение в виде картинки доходчиво для менеджера любого ранга и в этом плюс решения. library(tidyverse) library(hms) library(dabestr) did_df <- here::here("data", "stat_test", "did_tkl.csv") %>% read_csv() df <- did_df %>% filter(date >= as.Date("2020-11-02")) %>% filter(time < hms("07:15:00") | time %in% c(hms("08:45:00"), hms("09:00:00"))) %>% mutate(group = if_else(group == "group1", "Treated", "Control")) two.group.unpaired <- df %>% dabest(group, count, idx = c("Control", "Treated"), paired = FALSE) two.group.unpaired.meandiff <- mean_diff(two.group.unpaired) two.group.unpaired.meandiff plot(two.group.unpaired.meandiff)

возможно, рассматривать весь период не имеет смысла. просто мне кажется, что некоторые клиенты будут приходить в то время, когда скидки нет, но из-за плохой информированности или других факторов будут думать, что она есть

дизайн эксперимента

так это вопрос разведочного анализа. Приходят ли клиенты, сколько их таких, влияет ли это на модель

Постройте такую же линейную регрессию, но на самой серии, а не на диде, и докиньте туда t, чтобы вычесть линейный тренд на всякий пожарный

это не для менеджера, а для диплома, и комиссии (и самому себе, конечно) нужно как-то объяснить эту картинку ещё)

что такое t?

Придумать разные теории для объяснения даже противоположных результатов — легко. За кадром осталось 99% мотивации покупателей. Главное понимать, что хочешь доказать. Напустить мутности и недоговоренности. И изрядно справить картинками. Это исследование — не математика и не физика. Это "журналистика" для выбивания бюджетов / отчетов о правильности финансирования.

Hi, not at the computer. This is what I would do

Не согласен =(

Я только мнение высказал. На действия покупателей я смотрел долго и много. Экзерсизы всякие бывают, мотивация иногда за кадром остается.

Я тоже не мало =)