python 双重差分模型_计量经济学导论13：虚拟变量与双重差分

虚拟变量与双重差分

虚拟变量的模型设定

首先我们先对解释变量中的定性因素和定量因素作以下阐述：

定量因素：可直接测度、数值性的因素；

定性因素：属性因素，表征某种属性存在与否的非数值性的因素。

在实际建模中，如何对定性因素进行回归分析？采用“虚拟变量”对定性变量进行量化是最常用的一种思路。其基本思想为：

直接在回归模型中加入定性因素存在诸多的困难；

可将这些定性因素进行量化，以达到定性因素能与定量因素有着相同作用之目的；

有些定量因素也可以采取分组的方式来研究。

虚拟变量设置的时候需要考虑以下的基本规则：

总原则为：设置能够区分所有属性的最少虚拟变量。

虚拟变量取“1”或“0”的原则，应从分析问题的目的出发予以界定。从理论上讲，虚拟变量取“0”值通常代表比较的基础类型；而虚拟变量取“1”值通常代表被比较的类型。

如果定性因素具有 \(m\) 个相互排斥属性，当模型中含有截距项时，则只能引入 \(m-1\) 个虚拟变量；当模型中没有截距项时，则可以引入 \(m\) 个虚拟变量，否则就会陷入“虚拟变量陷阱”。

“虚拟变量陷阱”的实质：完全共线性。

虚拟变量的回归分析

在计量经济学中，通常引入虚拟变量的方式分为加法方式和乘法方式两种。

加法方式：

\[Y_i=\alpha_0+\beta_1X_i+u_i+\alpha_1 D_i \ .

\]

乘法方式：

\[Y_i=\alpha_0+\beta_1X_i+u_i+\beta_2X_iD_i \ .

\]

实质上，加法方式引入虚拟变量改变的是截距，乘法方式引入虚拟变量改变的是斜率。

含有虚拟变量的模型的分析手段：条件期望。

以加法方式引入虚拟变量时，主要考虑的问题是定性因素的属性和引入虚拟变量的个数。主要有四种情况：

解释变量只有一个定性变量而无定量变量，而且定性变量为两种相互排斥的属性；

解释变量分别为一个两种属性的定性变量和一个定量变量；

解释变量分别为一个定性变量