Stata-倍分法: 不满足平行趋势假设咋办？

 

作者：黄欣怡 (中山大学)
邮箱：eugenehuangcheeks@163.com

「Source：Weights to address non-parallel trends in panel difference-in-differences models 」

 

Stata 连享会   课程主页 || 直播视频 || 知乎推文

扫码查看连享会最新专题、公开课视频和 100 多个码云计量仓库链接。

---

 

1. 引言

双重差分法 ( Difference in differences，简称为 DID 或 DD ) 是用于估计处理效应的最为常见的计量方法，广泛应用于评估政策实施、项目执行及其他外生事件产生的效应。DID 法通过衡量处理组与控制组在被处理前后发生的变化，将处理组的变动减去控制组的变动，得到处理效应。由于在估计过程中采用了两次差分，故名为双重差分法。

采用 DID 法的重要前提假设为平行趋势假设，即假定处理组在未受到处理情况下的变化趋势与控制组相同。该假设在具体实证研究中转化为检验处理组与控制组在接受处理前 ( pre-treatment period ) 是否具有相同的变化趋势。关于平行趋势假设的检验在连享会之前的推文「多期 DID：平行趋势检验图示」和「Stata: 多期倍分法 (DID) 详解及其图示」中均有涉猎。

实证研究中，当个体接受处理的可能性或接受处理产生的效应与该个体随时间变动的因素相关时，可能不再满足平行趋势假设。在违背平行趋势假设的情况下，不能直接采用 DID 估计处理效应。部分研究采用了增加控制变量的方法，在回归中进一步控制了交互固定效应 ( interactive fixed effects ) 或随时间变化的混合因素 ( time-varing confounding factors ) 。

与此同时，部分学者通过改变样本的权重，使处理组与新构造的控制组在接受处理前具有相似的变化趋势。这类方法包括合成控制法 ( synthetic control method ) 、倾向得分匹配法 ( propensity score matching ) 、逆概率加权法 ( inverse probability weighting ) 等。

Ahlfeldt (2018) 指出，这类计量方法只适用于估计单一处理效应的情形；在需要区分多类相互关联的处理效应的研究情境中，或面对连续型 DID 的情形时，这些方法不再适用。Ahlfeldt (2018) 由此提出 Weighted Parallel Trends DD ( 以下简称 WPT DD ) 的估计方法。下文主要对 Ahlfeldt (2018) 提出的网格搜索算法 ( Grid Search ) 和迭代法 ( Iterative Approach ) 进行介绍。

2. 模拟数据的生成

2.1 双重差分模型

我们参照如下模型生成模拟数据：

$$y_{it}=\sum _n{\alpha }_n{P}_t{D}_i^n+{\mu }_i+{\phi }_t+{\omega }_{i}f(t)+{ϵ}_{it}(1)$$

其中，$y_{it}$ 是个体 $i=1,...,I$ 在时期 $t=1,...,T$ 可观测到的结果变量，$D_i^n(n=1,...,N)$ 代表所考察的 N 个处理组虚拟变量，$P_t$ 为时间虚拟变量 ( 当 $t\ge z$ 时，$P_t=1$，否则取值为 0 ) 。${\mu }_i$ 和 ${\phi }_t$ 分别为个体固定效应与时间固定效应。${\omega }_i$ 代表研究者难以观测的个体变化趋势，$f(t)={\Sigma }_0{\Gamma }_0{t}^0$ 表示时间趋势，两者的交乘项 ${\omega }_{i}f(t)$ 则表示因个体而异的时间趋势。

在模型 (1) 中，${\alpha }_n(n=1,...,N)$ 是我们关注的 N 类处理效应。当 ${\omega }_i$ 与 D i n D_{i}^{n} D