【Python计量】DID模型构建

此文章首发于公众号：Python for Finance
链接：https://mp.weixin.qq.com/s/0hSVVJWaM1ueHQClVpEKbA

DID仅适用于面板数据，DID仅适用于面板数据，DID仅适用于面板数据。DID的本质就是面板数据固定效应估计。

一、DID（Differences-in-Differences）模型

双重差分法，其主要被用于社会学中的政策效果评估。这种方法需要两个「差异」数据。一个是干预前后的「差异」，这个是自身实验前后的差异。另外一个是处理组与控制组的「差异」。DID利用这两个「差异」的差异来推算干预的效果。因此，顾名思义叫做双重差分法。

DID模型形式

$$y_{it}=\alpha +\beta (G_i\ast D_t)+\gamma G_i+c{D}_t+{\epsilon }_{it}$$

其中，$G_i$为分组虚拟变量（处理组=1，控制组=0），$D_t$为分期虚拟变量（政策实施后=1，政策实施前=0），交互项$G_i\ast D_t$表示处理组在政策实施后的效应，其系数即为双重差分模型重点考察的处理效应。

一个重要假定——共同趋势假定：在政策发生前，处理组与对照组的研究对象呈现出共同的变化趋势。

模型系数如下表所示：

	干预前	干预后	差异
处理组	$\alpha +\gamma$	$\alpha +\beta +\gamma +c$	$\beta +c$
控制组	$\alpha$	$\alpha +c$	$c$

处理组实验前为$\alpha +\gamma$，实验后为$\alpha +\beta +\gamma +c$。控制组实验前为$\alpha$，实验后为$\alpha +c$。对于处理组实验前后差异为$\beta +c$，对于控制组实验后为$c$。两者之差$\beta$即为DID结果，处理效应。

加入个体固定效应$a_i$、时间固定效应${\pi }_t$，以及其它控制变量$X_{it}$的双重差分模型设定的一般形式：
$$y_{it}=\alpha +\beta (G_i\ast D_t)+{\beta }_1{X}_{it}+a_i+{\pi }_t+{\epsilon }_{it}$$

二、DID案例：垃圾焚化炉的区位对住房价格的影响

来源：伍德里奇《计量经济学导论》13.2利用混合横截面政策分析：垃圾焚烧厂的区位对住房价格的影响
$$rprice={\beta }_0+{\delta }_{0}y81+{\beta }_{1}nearinc+{\delta }_{1}y81\ast nearinc+u$$
参数：

rprice：真实住房价格

y81：时间虚拟变量，1981年取1，否则取0

nearinc：住房是否靠近焚化炉，靠近取1，否则取0

模型系数如下表所示：

	之前（y81=0)	之后(y81=1)	之后-之前
处理组（nearinc=1）	${\beta }_0+{\beta }_1$	${\beta }_0+{\delta }_0+{\beta }_1+{\delta }_1$	${\delta }_0+{\delta }_1$
控制组（nearinc=0）	${\beta }_0$	${\beta }_0+{\delta }_0$	${\delta }_0$
处理组-控制组	${\beta }_1$	${\beta }_1+{\delta }_1$	${\delta }_1$

我们关注的系数是交互项$y81\ast nearinc$的系数${\delta }_1$：度量了房价因新建焚化炉而下跌的幅度。

代码如下：

import wooldridge as woo
import pandas as pd
import statsmodels.formula.api as smf

kielmc = woo.dataWoo('kielmc')
import wooldridge as woo
import pandas as pd
import statsmodels.formula.api as smf

kielmc = woo.dataWoo('kielmc')

# DID模型
reg_did = smf.ols(formula='rprice ~ nearinc * C(year)', data=kielmc)
results_did = reg_did.fit()
print(results_did.summary())

# DiD模型：加入控制变量
reg_didC = smf.ols(formula='rprice ~ nearinc * C(year) + age +I(age**2)',data=kielmc)
results_didC = reg_didC.fit()
print(results_didC.summary())

三、DID案例：实证论文《我国推出融资融券交易促进了标的股票的定价效率吗？》

以下内容节选自：许红伟等，2012：我国推出融资融券交易促进了标的股票的定价效率吗?——基于双重差分模型的实证研究，管理世界，第5期。

Imbens和Wooldridge（2007）指出，在自然实验中，由于处理组（TreatmentGroup，指受到政策影响的样本组合）和控制组（ControlGroup，指未受到政策影响的样本组合）均来自受到某项具体政策影响与否的特定群体而非随机，DID模型可以较好地控制处理组和控制组之间的系统性差异，来研究处理组在某项政策实施前后所发生的变化。

本文研究采用的基本模型设定为：
$$y_{it}={\beta }_0+{\beta }_1{D}_t+{\beta }_2{D}_g+\gamma D_t\ast D_g+\sum X_{it}+{\epsilon }_i$$
其中，$y_{it}$为第i个股票在第t期的指标值；$D_t$为时间虚拟变量，当融资融券推出后$D_t=1$，反之推出前$D_t=0$；$D_g$为组间虚拟变量，当$D_g=1$时为融资融券标的股票，即处理组，$D_g=0$为沪深300成分股中的非融资融券标的股票，即控制组；$\sum X_{it}$为一组相关的控制变量，包括是否含有H股的虚拟变量、流通市值、换手率、市盈率、市净率和沪深300行业虚拟变量等；${\epsilon }_i$为随机干扰项。

四、DID案例：实证论文《我国推出融资融券交易促进了标的股票的定价效率吗？》

以下内容节选自：肖浩等，2014：融资融券对股价特质性波动的影响机理研究:基于双重差分模型的检验，管理世界，第8期。

我们使用当期被允许进行融资融券交易的股票作为实验组，将扩容之后新添的标的股票作为控制组。作为控制组的样本后来也被选作融资融券标的证券，说明不是政策之外的因素导致其不能作为标的证券。基本的双重差分模型如下：
$$PI{E}_{it}=\alpha +{\beta }_{1}Treate{d}_i+{\beta }_{2}Pos{t}_i+{\beta }_{3}Treate{d}_i\ast Pos{t}_i+Tim{e}_{fixed-effect}+Fir{m}_{fixed-effect}+{\epsilon }_{it}$$
其中，$PI{E}_{it}$为公司i在t期的股价特质性波动；$Treate{d}_i$为实验组虚拟变量，实验组，取值为1，其他为0；$Pos{t}_i$为实验期识别变量，处于实验期，取值为1，否则为0。β3刻画了融资融券交易对股价特质性波动的影响，是本文主要关注的对象。