# ============================================================
# DiD moderno + Event Study — código mínimo viable reproducible
# Post-2020 DiD revolution: TWFE, Callaway-Sant'Anna, dCdH, Sun-Abraham
# ============================================================
# Roth et al. 2023 · Goodman-Bacon 2021 · de Chaisemartin & D'Haultfœuille 2020
# Callaway & Sant'Anna 2021 · Sun & Abraham 2021

# install.packages(c("fixest", "did", "didimputation", "DIDmultiplegt", "ggplot2"))
library(fixest)         # TWFE estándar + corrección Sun-Abraham
library(did)            # Callaway-Sant'Anna
library(didimputation)  # Borusyak-Jaravel-Spiess
library(DIDmultiplegt)  # de Chaisemartin-D'Haultfœuille
library(dplyr)
library(ggplot2)

# ============================================================
# 1. Datos panel: unidad, tiempo, tratamiento staggered
# ============================================================
# df debe tener: id, t, treat_time (NA si nunca tratado), y, X (controles opcionales)
# Crear variable de "tiempo desde tratamiento"
df <- df %>%
  mutate(
    rel_time = if_else(is.na(treat_time), NA_real_, t - treat_time),
    treated  = !is.na(treat_time),
    post     = !is.na(rel_time) & rel_time >= 0
  )

# ============================================================
# 2. TWFE clásico (referencia, NO RECOMENDADO para staggered)
# ============================================================
# Goodman-Bacon 2021: TWFE en staggered es un weighted avg con pesos perversos
twfe <- feols(y ~ post | id + t, data = df, cluster = ~id)
summary(twfe)

# ============================================================
# 3. Goodman-Bacon decomposition — ¿qué tan dañado está el TWFE?
# ============================================================
# install.packages("bacondecomp")
library(bacondecomp)
bd <- bacon(y ~ post, data = df, id_var = "id", time_var = "t")
print(bd)
# Si pesos negativos > 10%, TWFE no es confiable → ir a CS o dCdH

# ============================================================
# 4. Callaway-Sant'Anna (recomendado para staggered)
# ============================================================
cs <- att_gt(yname     = "y",
             tname     = "t",
             idname    = "id",
             gname     = "treat_time",
             data      = df,
             control_group = "notyettreated",
             est_method = "dr")

# Agregación group-time → ATT promedio
cs_agg <- aggte(cs, type = "group")
summary(cs_agg)

# Event study dinámico
cs_es <- aggte(cs, type = "dynamic")
ggdid(cs_es) + ggtitle("Callaway-Sant'Anna event study")

# ============================================================
# 5. Sun-Abraham via fixest::sunab
# ============================================================
sa <- feols(y ~ sunab(treat_time, t) | id + t, data = df, cluster = ~id)
summary(sa)
iplot(sa, main = "Sun-Abraham event study")

# ============================================================
# 6. de Chaisemartin & D'Haultfœuille
# ============================================================
dcdh <- did_multiplegt(df,
                        Y = "y",
                        G = "id",
                        T = "t",
                        D = "post",
                        dynamic = 4,
                        placebo = 3,
                        brep = 100)
# Interpretar: efectos dinámicos + placebos pre-tratamiento

# ============================================================
# 7. Pre-trend test (clave para validar diseño)
# ============================================================
# Los placebos pre-tratamiento deben ser ~0
# Si hay tendencias diferenciales → diseño invalidado

# ============================================================
# 8. Reportar todo
# ============================================================
# Tabla 1: TWFE vs CS vs Sun-Abraham vs dCdH
# Si convergen → resultado robusto
# Si divergen → declarar honestamente el problema de identificación

# ============================================================
# Pregunta IA² (Lab L4):
# ¿La IA me ayudó a auditar el código o lo escribió ella sola y yo
# solo lo copié? Si no podés explicar línea por línea qué hace
# `aggte(cs, type="dynamic")`, eso no es tu análisis.
# ============================================================