01 双重差分与三重差分分析法

最新推荐文章于 2024-05-31 16:22:19 发布
最新推荐文章于 2024-05-31 16:22:19 发布
阅读量5.2k 收藏 58
点赞数 9
文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_73302732/article/details/127088472
版权

双重差分分析方法在经济领域多用于对于公共政策或项目实施效果的评价。

1 标准双重差分模型估计原理

1.1 估计原理

1.1.1 原理

标准DID原理

1.1.2 模型

DID模型

1.1.3 绝对值差分vs相对值差分

在实证过程中，尽管用了“差分的差”，但是得到的依旧是绝对值，因此用相对量（如增长率）的差分更合理。实际操作是：对绝对值取对数，再进行第一次和第二次差分。如
是用相对量即取对数进行差分

1.2 假定

  • 假定1：“平行趋势假定”（parallel trend assumption）。DID最为重要和关键的前提条件：共同趋势（Common Trends），两组之间可以存在一定的差异，但是双重差分方法要求这种差异不随着时间产生变化，也就是说，处理组和对照组在政策实施之前必须具有相同的发展趋势。这是DID的最大优点，即可以部分地缓解因 “选择偏差”（selection bias）而导致的内生性（endogeneity）

  • 假定2：暂时性冲击与政策虚拟变量不相关。这是保证双向固定效应为一致估计量（consist estimator）的重要条件。在此，可以允许个体固定效应与政策虚拟变量相关（可通过双重差分或组内变换消去，或通过LSDV法控制）。

1.3 操作实例

1.3.1 读入所需数据，生成政策前后以及控制组虚拟变量，并将它们相乘产生交互项

1.3.1.1 法1
use "http://dss.princeton.edu/training/Panel101.dta", clear
gen time = (year>=1994) & !missing(year)      //设置虚拟变量，政策执行时间为1994年
gen treated = (country>4) & !missing(country) //生成地区的虚拟变量
gen did = time*treated                        //产生交互项
reg y time treated did, r                     //随后将这三个变量作为解释变量，y作为被解释变量进行回归

在这里插入图片描述
did的系数显著为负，表明政策实施对Y有显著的（10%显著性水平下）负效应

1.3.1.2 法2 结果怎么看，还不知道
ssc install diff  // 下载外部命令
diff y, t(treated) p(time)
/* diff命令的语法格式：
 diff outcome_var [if] [in] [weight] ,[ options]
 “outcome_var”表示结果变量
 option中有两个必选：
 “treat(处理变量) ” (0: controls; 1:treated)
 “period(实验期虚拟变量)”（1=实验期，0=非实验期）
 其他option
 cov(varlist)，协变量，加上kernel可以估计倾向得分
 kernel， 执行双重差分倾向得分匹配
 id(varname)，kernel选项要求使用
 qdid(quantile)，执行分位数双重差分
 pscore(varname) 提供倾向得分
 logit，进行倾向得分计算，默认probit回归
 ddd(varname)，三重差分
 */

在这里插入图片描述
关注两种方法的结果，发现交乘项的不论是系数还是t值都一致

2 面板数据DID模型

双重差分的面板估计，仍然用OLS估计
面板DID原理
注意，模型中不需要加入处理虚拟变量treati。因为模型中已加入个体固定效应ui，包含更多信息，是控制个体不随时间变化的特征。而treati仅控制不同组个体不随时间变化的特征，若ui和treati,同时加入，会产生多重共线性问题。

同理，模型中也不需要加入处理期虚拟变量posti，因为模型中加入了时间固定效应λt，λt包含更多的信息，控制每一期的时间效应，而postt仅控制了处理期前后的时间效应，若λt和postt同时加入，会产生多重共线性问题。

交叉乘积项系数θ表示处理效应。
stata处理上，做好变量处理，其余见固定效应模型与stata的实现

3 三重差分（DDD）分析

3.1 DDD适用于

平行趋势检验未获通过，即处理组和控制组因非干预措施引起的目标值增长速度不同时，做**三重差分（DDD)**分析就是一个可选方法。
在这里插入图片描述

3.2 标准三重差分回归模型

在这里插入图片描述
在这里插入图片描述
H表示除了研究的政策之外，可能导致结果变量Y变化的其他因素。
β4表示要研究的政策的处理效应，β7表示某因素在-研究的政策-的干预后对Y的影响

3.3 stata操作

*==========三重差分DDD=============
* 其实就是在双重差分基础上多了一些交乘项
* 假设y_bin变量是另外一个影响因素
gen did_y = did*y_bin
gen time_y = time*y_bin
gen treated_y = treated*y_bin
* 法1 reg回归
reg y time treated y_bin did time_y treated_y did_y, r
* 法2 diff 添加ddd选项来说明导致平行趋势检验没通过的变量是哪个
diff y, t(treated) p(time) ddd(y_bin)

4 面板数据多期DID模型

传统DID假定处理组的所有个体开始受到政策冲击的时点完全相同，但有时会出现处理组个体接受处理时间点不一致的情况，多期DID (Time-varying DID),也被称为多时点DID 或异时DID。
当描述个体处理期时点不完全一致的情形，面板数据DID模型中的postt，替换为postit，即处理期的时间点因个体i而异。模型如下:
在这里插入图片描述
在这里插入图片描述
如何将数据和基本信息匹配

*============多期DID==============
* 基础数据和面板数据对应
use Panel101.dta, clear 
joinby country using DDD基础信息.dta
gen t = 0
replace t=1 if year >= treatime
gen did = treated*t
* 之后的回归用该did变量代替前面的did进行标准DID回归或者DDD回归、固定效应即可

* ------------------------ 以下不确定------------------------ 
gen time = (year>=1994) & !missing(year)      //设置虚拟变量，政策执行时间为1994年

* 法1 考虑多期
reg y time treated did, r     
est store mutiDID1 
* 法2 考虑多期 diff 
diff y, t(treated) p(t) 
est store mutiDID2 
* 法3 不考虑多期
gen did2 = time*treated 
reg y time treated did2, r     
est store standDID1 
* 法2 不考虑多期 diff 
diff y, t(treated) p(time) 
est store standDID2 

esttab mutiDID1 mutiDID2 standDID1 standDID2

对比结果如图所示，考虑多期时用diff显得很奇怪，是否代表多期DID不能用diff？
在这里插入图片描述

5 内生性和稳健性检验

5.1 平行趋势检验

平行趋势检验

在介绍完DID的基本思想和模型设定后，我们再来说说DID的稳健性检验，也就是要想办法证实所有效应确实是由政策实施所导致的。
所谓共同趋势或者平行趋势，是指处理组和控制组在政策实施之前必须具有相同的发展趋势。
如果不满足这一条件，那么两次差分得出的政策效应β就不完全是真实的政策效应，其中有一部分是由处理组和控制组本身的差异所带来的。如果平行趋势假设成立，那么在政策时点之前，处理组和控制组应该不存在显著差异。

5.1.1 时间趋势图

绘制处理组和控制组的y的均值的时间趋势 绘图法检验 政策前几年，置信区间包括0，即不显著，接受系数为0的原假设；政策后，置信区间不包括0，显著，拒绝系数为0的原假设，说明政策实施后处理组和控制组发生了不同的变化。实际上，即使政策实施后的好几年才显著不为0，也可以表示通过了平行趋势检验，这是由于考虑到了政策实施有滞后效应。

5.1.2 事件研究法

生成年份虚拟变量yearj与处理组虚拟变量treati的交互项，加入模型中进行回归(M、N分别表示政策前和政策后的期数)，那么交互项treatixYEARj的系数δj衡量的就是第j期处理组和控制组之间的差异。

step1 生成年份虚拟变量与实验组虚拟变量的交互项，此处选在政策前后各3年进行对比。
gen period = year - 1994   // 计算距离政策实施前后的年份
forvalues i = 3(-1)1{     // 政策发生之前，向前做三期
  gen pre_`i' = (period == -`i' & treated == 1) 
}
gen current = (period == 0 & treated == 1)
forvalues j = 1(1)3{     // 政策发生之后，向后做三期
  gen  time_`j' = (period == `j' & treated == 1)
 }
 drop pre_1               // 为了避免多重共线性，drop掉一期
step2 随后将这些交互项作为解释变量进行回归，并将结果储存在reg中以备后续检验。
xtreg y time treated pre_* current time_* i.year, fe  
est sto reg
step3 采用coefplot命令进行绘图
coefplot reg,  ///
keep(pre_* current time_*)  ///  //横坐标
vertical ///
recast(connect) ///
yline(0) xline(3, lp(dash)) ///
addplot(line @b @at) ///
ciopts(lpattern(dash) ///
recast(rcap) ///
msize(medium)) msymbol(circle_hollow) scheme(simono)

绘图判断平行趋势 结果发现系数在政策前的确在0附近波动，而政策后一年系数显著为负，但很快又回到0附近。这说明实验组和控制组的确是可以进行比较的，而政策效果可能出现在颁布后一年，随后又很快消失。

5.2 安慰剂检验

安慰剂检验

黑百椰
关注
  • 9
    点赞
  • 踩
  • 58
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
处理效应模型stata实例_【更新通知】手把手教你Stata软件操作与案例分析更新，速来！...
weixin_39770626的博客
12-19 1760
继3大政策效应评价方法、面板微观计量模型、空间计量模型、应用面板数据模型四大主题套餐后，手把手教你Stata系列课程推出多期DID、平行趋势检验系列专题。该专题包含多期DID及平行趋势检验；双重差分(倍分法、倍差法、传统DID)及平行趋势检验；三重差分(DDD)、倾向得分匹配(含 PSM-DID )等内容，按照惯例，专题课也是从模型理论介绍，建模步骤流程图，Stata操作演示，案例讲解等角度全方位...
matlab双重差分模型,Stata+Eviews+R：倍分法/双重差分操作教程
weixin_42196279的博客
03-22 4626
双重差分法(Difference-in-difference,DID)有几种其他的称谓：倍差法、差分再差分等。该方法的原理非常简单，它要求数据期至少有两期，所有的样本被分为两类：实验组和控制组，其中实验组在第一期是没有受到政策影响，此后政策开始实施，第二期就是政策实施后的结果，控制组由于一直没有受政策干预，因此其第一期和第二期都是没有政策干预的结果。双重差分方法的测算也非常简单，两次差分的效应就是...
Stata倍分法:不满足平行趋势假设咋办？
Stata连享会
08-01 4644
原文链接：https://www.lianxh.cn/news/4a297047ad9a4.html 「Source：Weights to address non-parallel trends in panel difference-in-differences models」 目录 1. 引言 2. 模拟数据的生成 2.1 双重差分模型 2.2 模拟数据生成过程 3. DID 估计与 Stata 的实现 3.1 网格搜索 ( Grid Search ) 3.2 迭.
“傻瓜”学计量——双重差分DID 4（结束）
nnpersistent的博客
04-05 1399
“傻瓜”学计量——双重差分DID 4（结束）
三重差分模型
celine0227的博客
03-29 1万+
1. 为什么使用三重差分法？ 双重差分法的重要假设是对照组和实验组的时间趋势一样，而当控制组和实验组的时间趋势不同，则无法得到一致的实验估计量，需要进一步改进双重差分估计量。 三重差分法的原理 假设美国 B 州针对 65 岁或以上的老年人 (实验组，Treat = 1) 引入一项新的医疗保健政策，其他年龄群体不适用。考察此政策对健康状况的影响，选用 B 州 65 岁以下群体 (old = 0) 作为对照组。由于人的健康状况随时间的变化并不是线性的，而不同年年龄组的个体的健康状况变化的时间趋势也存在差异
Stata：三重差分模型简介
Stata连享会
08-09 5257
原文链接：https://www.lianxh.cn/news/f35dae8f2b0c8.html 1. 为什么使用三重差分法？ 双重差分法的重要假设是对照组和实验组的时间趋势一样，而当控制组和实验组的时间趋势不同，则无法得到一致的实验估计量，需要进一步改进双重差分估计量。 平行趋势检验可以看往期推文多期倍分法(DID)：平行趋势检验图示。当选择的控制组与实验组时间趋势不同时，可以采用合成控制法(Synthetic Control Method)即对多个对照组加权构造成一个虚拟的对照组和三重差分
双重差分命令实现及检验
04-13
DID实现命令以及基于倾向得分PSM的DID实现，含DID实现各项条件检验
python 双重差分模型_双重差分模型DID 结果分析
weixin_39831503的博客
12-08 2774
方法1*第一种DID回归设计reg y did time treated,r显然在10%水平上，政策实施有显著的负效应*第二种DID回归设计reg y time##treated,r方法2同样的在第二种方法中，无需设置交互项，结果是一样的方法3*第三种DID回归设计**安装外部命令ssc install diff**估计DIDdiff y, t(treated) p(time)在第三种方法里，直接...
随机实验与自然实验--双重差分法和三重差分法
qq_38865429的博客
11-07 5940
**注记：**山东大学陈强教授《高级计量经济学及Stata应用》(第二版)第18章学习笔记！ 双重差分法 在做随机实验或自然实验时，实验的效果往往需要一段时间才能显现出来，而我们关心的恰恰是被解释变量试验前后的变化。为此，考虑两期面板数据： （注：面板数据是一个m*n的数据矩阵，记录的是n个时间节点上m个对象的某一数据指标 ） yit+α+γDt+βxit+ui+εity_{it}+\alpha+...
did双重差分法_二重差分法分析（DID）
热门推荐
weixin_36146811的博客
12-29 1万+
双重差分模型(difference-in-differences)主要被用于社会学中的政策效果评估。其原理是基于一个反事实的框架来评估政策发生和不发生这两种情况下被观测因素y的变化。如果一个外生的政策冲击将样本分为两组—受政策干预的Treat组和未受政策干预的Control组，且在政策冲击前，Treat组和Control组的y没有显著差异，那么我们就可以将Control组在政策发生前后y的变化看作...
空间双重差分（SDID）matlab代码 亲测可用哦
02-05
Demo Zero Vectors in TW Decom 1.m 双重差分空间计量模型中空间权重矩阵拆分中W T，NT*D N和W NT，T*D N元素全部为零的演示代码 Demo DID Dummy Varibles GEN 2.m SDID模型中事件虚拟变量、时期虚拟变量及模型估计...
空间双重差分代码（SDID），空间双重差分是传统双重差分的升级，考虑了空间相关性
04-08
传统的双重差分（DID）作为政策效应评估方法中的一大利器，受到越来越多人的青睐， 但是，在传统的DID中，一个经典的假设是个体处理效应稳定性假设（Stable Unit Treatment Value Assumption，SUTVA）。SUTVA最重要...
双重差分R与Stata.pdf
10-04
双重差分R与Stata.pdf
学习整理 docker
wonder_dog的博客
05-31 301
nexus。
书籍学习|基于SprinBoot+vue的书籍学习平台(源码+数据库+文档)
JIngJaneIL的博客
05-28 1274
首先,论文一开始便是清楚的论述了平台的研究内容。其次,剖析平台需求分析,弄明白“做什么”,分析包括业务分析和业务流程的分析以及用例分析,更进一步明确平台的需求。然后在明白了平台的需求基础上需要进一步地设计平台,主要包罗软件架构模式、整体功能模块、数据库设计。本项目软件架构选择B/S模式和java技术，总体功能模块运用自顶向下的分层思想。再然后就是实现平台并进行代码编写实现功能。论文的最后章节总结一下自己完成本论文和开发本项目的心得和总结。通过书籍学习平台将会使书籍学习各个方面的工作效率带来实质性的提升。
前端技术入门学习：探索数字世界的奇幻之旅
qwertyhn_0024的博客
05-27 236
HTML定义了网页的结构和内容，CSS负责样式和布局，而JavaScript则实现了网页的交互功能。对于初学者来说，前端技术既是一个充满魅力的新世界，也是一个充满挑战与困惑的领域。本文将引导您从四个方面、五个方面、六个方面和七个方面深入理解前端技术，开启您的学习之旅。在这个过程中，我们需要不断探索、学习和实践，才能逐步掌握这门技艺的精髓。同时，我们也需要保持敏锐的洞察力和开放的心态，不断适应和应对前端技术领域的变化和发展。同时，随着人工智能、大数据等新技术的不断涌现，前端技术也将面临更多的挑战和机遇。
超大功率光伏并网逆变器学习(三相) 一
最新发布
我的博客
05-31 369
1.超大功率用的IGBT开关频率通常很低,比如6KHz。2.线电压和相电压的关系。
python双重差分法
11-17
很抱歉，Python本身并没有双重差分法的内置函数或库。不过，你可以使用Python进行双重差分法的实现。以下是一个简单的Python实现双重差分法的例子： ```python import pandas as pd import statsmodels.api as sm # 创建一个数据框 data = pd.read_csv('data.csv') # 创建一个虚拟变量 data['treatment'] = np.where(data['group']=='treatment', 1, 0) # 创建一个交互项 data['interaction'] = data['treatment'] * data['time'] # 运行双重差分回归 model = sm.formula.ols(formula='outcome ~ treatment + time + interaction', data=data).fit() # 输出回归结果 print(model.summary()) ``` 在这个例子中，我们使用了Pandas和Statsmodels库来实现双重差分法。我们首先创建了一个数据框，然后创建了一个虚拟变量和一个交互项。最后，我们使用OLS函数运行了一个双重差分回归，并输出了回归结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值