【Stata双重差分模型】双重差分DID的具体操作步骤

目录

一、简介

二、数据准备

数据收集：

数据清洗：

变量定义：

三、模型构建

四、实证分析

描述性统计：

平行趋势检验：

双重差分估计：

安慰剂检验：

异质性分析：

五、结果解读与讨论

六、结论与展望

七、DIDI扩展内容

八、附录

---

一、简介

双重差分法（DID）是一种经济学中常用的计量方法，用于评估某一事件或政策的影响。通过比较实验组和对照组在事件发生前后的变化，DID能够有效地分离出事件或政策的影响。本案例将详细阐述如何使用双重差分法进行实证分析，并展示具体的STATA操作代码。

在中国知网以“双重差分”“倍差法”“DID”按篇名、主题、关键词、摘要、小标题检索，2017年后使用双重差分方法的论文数量急剧上升，超越了工具变量法（instrumental variable）、倾向得分匹配法（PSM）、断点回归设计（regression discontinuity design）等社会科学领域实证研究常用方法。据有关不完全统计，从2020年开始，国内外核心、权威期刊约有20%的实证论文采用了DID方法。

二、数据准备

数据收集：

假设我们要评估一项新的就业培训政策对失业人员再就业的影响。我们收集了实施该政策的地区（实验组）和未实施该政策的地区（对照组）的相关数据。数据包括个人的年龄、性别、教育水平、失业时长以及是否再就业等信息。

数据清洗：

在数据分析之前，需要对数据进行清洗，以确保数据的准确性和完整性。这包括检查数据的一致性、处理缺失值和异常值等。

* 检查数据的一致性
describe

* 处理缺失值
drop if missing(age) | missing(gender) | missing(education) | missing(unemployment_duration) | missing(reemployment)

* 处理异常值（例如，删除失业时长小于0的记录）
drop if unemployment_duration < 0

变量定义：

定义所需的变量，包括被解释变量（是否再就业）、解释变量（政策实施虚拟变量和时间虚拟变量）以及控制变量（年龄、性别、教育水平和失业时长）。

* 定义变量
gen policy = (treatment == 1 & year >= policy_year) // 政策实施虚拟变量
gen time = (year >= policy_year) // 时间虚拟变量

三、模型构建

基于双重差分法，我们构建以下回归模型：

其中，Reemployment𝑖𝑡是个体 𝑖在时间 𝑡是否再就业的二进制变量；Policy𝑖𝑡是政策实施虚拟变量；Time𝑖𝑡是时间虚拟变量；Xit​