目录
以下题为例:
核心变量的描述性统计:
· sum
可以得出id为个体变量,year为时间变量,treatment为分组虚拟变量,post为分期虚拟变量,did为treatment和post的交互项;
. sum id year treatment post did lnpgdp
Variable | Obs Mean Std. dev. Min Max
-------------+---------------------------------------------------------
id | 735 25 14.15177 1 49
year | 735 2009 4.323436 2002 2016
treatment | 735 .1428571 .3501654 0 1
post | 735 .2666667 .4425178 0 1
did | 735 .0380952 .1915566 0 1
-------------+---------------------------------------------------------
lnpgdp | 735 9.852075 .9338246 7.095918 11.77851
一、双重差分模型(DID)基本介绍
DID的两种常见形式
注意:
1.区分分期虚拟变量(政策实施虚拟变量)和时间虚拟变量;前者只有0和1两种取值,代表是否实施了政策,而后者则是区分各种不同的时间,通常T个时间段有T-1个时间虚拟变量。相应有 分期效应 和 时间效应 两种。
2.区分分组虚拟变量和个体变量;前者只有0和1两种取值,代表是否属于处理组,后者则是区分不同的个体。相应的也有 组间异质性 和 个体异质性 两种。
3.DID模型不要求政策实施前后所选的样本完全一致。(若一致,可以使用双向固定DID模型;若不一致,使用传统DID模型)
1.1传统DID模型:
适用范围:非面板模型,在政策实施前后选用的样本不相同(只要保证时间趋势相同即可)。此时,个体效应和时间效应分别用对应的分组和政策实施时间虚拟变量来粗糙替代。
(1)传统命令
· reg y did X i.t i.dt,r
t:分组虚拟变量,t=0为treatment组,t=1为control组
dt:政策实施时间虚拟变量
did:t*dt 双重差分模型的核心解释变量
X:控制变量
i.t:粗糙的组间异质性,替代个体效应;
i.dt:粗糙的分期时间效应,替代时间效应;
(2) 外部命令:diff
· diff y,treat(t) period(dt) cov(X) robust
1.2双向固定DID模型(更常用)
适用范围:面板模型,在政策实施前后研究的样本保持不变。此时,个体效应与个体效应的设置与双向固定面板效应类似。
法一:reg
reg lnpgdp did $cv i.id i.year,vce(cluster id)
//$cv为使用设定的全局变量(此处为控制变量)
Linear regression Number of obs = 608
F(21, 43) = .
Prob > F = .
R-squared = 0.9800
Root MSE = .12897
(Std. err. adjusted for 44 clusters in id)
------------------------------------------------------------------------------
| Robust
lnpgdp | Coefficient std. err. t P>|t| [95% conf. interval]
-------------+----------------------------------------------------------------
did | .1612596 .0424702 3.80 0.000 .0756103 .2469089
popden | -2.83359 4.271172 -0.66 0.511 -11.44723 5.780049
sav | -.826351 .1212829 -6.81 0.000 -1.070941 -.5817607
industry | .123654 .0352388 3.51 0.001 .0525882 .1947198
non_agri | -1.220827 .3814877 -3.20 0.003 -1.990171 -.4514841
welfare | -.0013941 .0021004 -0.66 0.510 -.00563 .0028417
fdi | -.4705762 .6373817 -0.74 0.464 -1.755979 .8148265
exp | .1311563 .0920516 1.42 0.161 -.0544835 .316796
|
id |
2 | -.599242 .0829293 -7.23 0.000 -.7664849 -