Stata：平行趋势不满足？主成分DID来帮你-pcdid

全文阅读：https://www.lianxh.cn/news/aa1435c753163.html

目录

• 1. 背景介绍
• 2. pcdid 命令
  • 2.1 命令介绍
  • 2.2 基本用法
  • 2.3 返回值
  • 2.4 兼容性问题
• 3. Stata 演示
• 4. 结束语
• 5. 参考资料
• 6. 相关推文

1. 背景介绍

双重差分 (Difference-in-Differences，DID) 方法是实证经济学和其他学科政策评估的主力军。其关键假设是控制组和处理组之间的趋势是平行的，即平行 (或共同) 趋势假设 (Parallel Trend Assumption，PTA)。在两组表现出潜在的不平行或随机趋势时，经典的 DID 方法的估计结果往往并不可靠。本推文将要介绍的主成分双重差分 (Principal Components Difference-in-Differences Estimators，PCDID) 方法在具有非平行或非平稳趋势的场景中的估计结果将更加可信。

与合成控制、无混淆和矩阵完成估计等现有方法不同，PCDID 使用因子增强回归来估计与处理效果相关的特定参数。具体而言，PCDID 执行以下操作：

• 对来自控制组的数据使用数据驱动方法 (主成分分析) 来形成因子代理，以捕获由非平行趋势引起的内生性；
• 利用处理组的所有 (干预前和干预后) 数据，使用因子代理作为额外的协变量运行因子增强回归。

该方法类似于控制函数方法，因为因子代理与控制函数起着相同的作用。通过使用整个样本周期进行估计，PCDID在减少有限样本偏差和提高渐近效率方面具有优势。下面，我们将主要介绍实现 PCDID 估计方法的 Stata 新命令 pcdid 的用法。

全文阅读：https://www.lianxh.cn/news/aa1435c753163.html