精华内容
下载资源
问答
  • 我们在两个希格斯双峰模型类的框架中分析了各种变味过程,例如thu,hc,hé,e,Ï以及强子衰变hbs,bd。 在树级别改变了风味的中性标量电流。 这些模型的显着特征是这些违反口味的耦合完全由CKM和PMNS矩阵以及tanβ...
  • 其次,根据该模型实现手语的动作,利用该方法实现手语动作的关键技术,包括手及手臂旋转变换的变换矩阵、有向拓扑结构描述骨骼模型、表现运动的皮肤模型的拓扑不变性、以及骨骼模型实现运动和皮肤模型表现运动的方法...
  • 搬运网站:https://blog.csdn.net/Claire_chen_jia/article/details/106903842?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~top_click~default-1-106903842.nonecase双重差分模型DID学习...

    搬运网站:https://blog.csdn.net/Claire_chen_jia/article/details/106903842?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~top_click~default-1-106903842.nonecase

    双重差分模型DID学习

    双重差分模型 (Difference-Differences, DID)是政策评估的非实验方法中最为常用的一种方法,其中交互项是DID的灵魂。

    交互项形式拥有各种形式,包括(1)传统DID;(2)经典DID;(3)异时DID;(4)广义DID;以及(5)异质性DID。下面分别介绍这几种。

    双重差分法是研究“处理效应”(treatment effects)的流行方法。一般来说,DID的使用场景为,在面板数据中,个体可分为两类,即受到政策冲击的“处理组”(treatment group)与未受政策影响的“控制组”(control group)。重点落在政策冲击和是否受到政策冲击,通过引入虚拟变量来实现。即:

    政策冲击前后(pre-post)设为0和1,是否受到政策冲击(control-treat)设为0和1.

    ba6297e7d964

    ba6297e7d964

    因而,模型常设计为

    ba6297e7d964

    处理组虚拟变量 beta 捕捉了处理组的组别效应(处理组与控制组的固有差别),处理期虚拟变量lambda控制了处理期的时间效应(处理期前后的固有时间趋势), X为其他控制变量,而交互项xigema 则代表了处理组在处理期的真正效应(受到政策冲击的效应),这正是我们关心的处理效应。然后进行OLS估计即可。

    经典DID是在传统DID模型上控制了个体固定效应(individual fixed effects)和时间固定效应(time fixed effects),并去除单独变量。模型如下:

    ba6297e7d964

    模型解释如下:

    (1)u 为个体固定效应。加入个体固定效应之后,就不必再放入处理组虚拟变量(treat i),否则会引起多重共线性问题。因为前者包含比后者更多的信息(前者控制到个体层面,而后者仅控制到组别层面)。

    (2)入 为时间固定效应。同理,加入时间固定效应就不用再加处理期虚拟变量(post t)。否则,将导致严格多重共线性,因为前者包含比后者更多的信息(前者控制了每一期的时间效应,而后者仅控制处理期前后的时间效应)

    (3)注意:估计方法依然是OLS,但须使用“聚类稳健标准误”(cluster-robust standard errors)。

    在传统与经典DID的模型设定中,一个隐含假设是,处理组的所有个体开始受到政策冲击的时间均完全相同。但有时也会遇到每位个体的处理期不完全一致的情形(heterogeneous timing);比如,某项试点政策在不同城市分批推出。此时,可使用“异时DID”(heterogeneous timing DID)。

    异时DID的关键在于,既然每位个体的处理期不完全一致,则处理期虚拟变量也因个体而异,故应写为post(i,t),既依赖于个体 i,也依赖于时间 t。模型设定为如下任意一种形式:

    ba6297e7d964

    ba6297e7d964

    举一个5期面板数据在stata的应用:

    1)定义变量:定义因个体而异的处理期虚拟变量post(i,t);

    2)识别受影响:post1(i,t) = (0,0,1,1,1)代表第1位个体从第3期开始受到政策处理;post2(i,t) = (0,0,0,1,1)代表第2位个体从第4期开始受到政策处理;post3(i,t) = (0,0,0,0,0)代表从未受到政策冲击(属于控制组)。

    以上各种DID方法均假设存在处理组与控制组的区别,但有时某项政策在全国统一铺开,此时只有处理组,并没有控制组,是否还能使用DID呢?答案是“能”,可以尝试“广义DID”(generalized DID)。

    使用广义DID的重要前提是,虽然所有个体均同时受到政策冲击,但政策对于每位个体的影响力度并不相同,不妨以 intensity(i) 来表示。

    ba6297e7d964

    ba6297e7d964

    其中,交互项系数为我们关注的对象。此外对于广义DID,文献中也有门槛区分组别的方法,即人为地设定一个门槛值 c,根据 变量是否超过此门槛值来定义处理组与控制组。因为将连续变量压缩为二分变量损失了不少信息,故在实践中已不多见。

    ba6297e7d964

    传统的处理效应模型一般假设“同质性处理效应”(homogeneous treatment effects),即所有个体的处理效应都相同。显然,此假定太苛刻,在实践中难以成立。更为合理的假定则为“异质性处理效应”(heterogeneous treatment effects),即允许每位个体的处理效应不尽相同。具体而言:

    1)在DID的框架下,引入异质性处理效应,即在于对交互项(treatpost)的调整,即引入在组别上的交互项(treatpost*group)。

    2)模型建立上,在经典DID的模型中,再引入三重交互项 ,构建异质性DID模型。

    ba6297e7d964

    由上式可知,对于group=0 那类处理组个体,其处理效应为 s。而对于 group=1那类处理组个体,其处理效应为(s+t) 。因而其处理效应是异质的(只要三重交互项的系数显著)。

    3)推广到多雷,只要将将所有个体分为 M 类,设立 (M -1) 个类别虚拟变量。

    注意,DID应用的前提是未受到政策冲击时,treat组和control组的变化趋势是平行的,因而进行平行趋势检验是绝对必要的。

    从文献来看,最为常见的展示是否符合平行趋势假设的检验方法有两个:

    其一,对比不同组别因变量均值的时间趋势;其二,回归中加入各时点虚拟变量与政策变量的交互项,若政策或称为处理发生前的交互项系数不显著,则表明的确有着平行趋势。

    第一种的方法(图片来源于stata连享会)为:

    ba6297e7d964

    第二种方式分为:代码操作和图形输出

    安装命令:安装 coefplot

    生成各时点虚拟变量与政策变量的交互项的交互项

    进行回归

    输出图形

    详见学习链接

    例子参考学习自:

    /*模拟数据的生成*设定60个观测值,设定随机数种子clearallsetobs60setseed10101genid=_n//每一个数值的数量扩大11倍,再减去前六十个观测值,即60*11-60=600,为60个体10年的面板数据expand11dropin1/60count///以id分组生成时间标识bysortid:gen time=_n+1999xtsetidtime///生成协变量x1,x2gen x1=rnormal(1,7)gen x2=rnormal(2,5)///生成个体固定效应和时间固定效应sort timeidby time:gen ind=_nsortidtimebyid:gen T=_n///生成treat和post变量,以2005年为接受政策干预的时点,id为30-60的个体为处理组,其余为控制组gen D=0replace D=1ifid>29gen post=0replace post=1iftime>=2005///将基础数据结构保存成dta文件,命名为DID_Basic_Simu.dta,默认保存在当前的 working directory 路径下save"DID_Basic_Simu.dta",replace

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    ///调用本文第二部分生成的基础数据结构use"DID_Basic_Simu.dta",clear///生成两种潜在结果,并且合成最终的结果变量,令政策的真实效果为10bysortid:gen y0=10+5*x1+3*x2+T+ind+rnormal()bysortid:gen y1=10+5*x1+3*x2+T+ind+rnormal()iftime<2005bysortid:replace y1=10+5*x1+3*x2+10+T+ind+rnormal()iftime>=2005gen y=y0+D*(y1-y0)///去除协变量和个体效应对y的影响,画出剩余残差的图像xtreg y x1 x2,fe rpredict e,uebinscatter e time,line(connect)by(D)///输出生成的图片,令格式为800*600graph export"article1_1.png",as(png)replace width(800)height(600)///多种回归形式reg y c.D#c.post x1 x2 i.time i.id,robusteststo regxtreg y c.D#c.post x1 x2 i.time,absorb(id) robusteststo aregreghdfe y y c.D#c.post x1 x2, absorb(id time) vce(robust)estout*,title("The Comparison of Actual Paramerer Values")///cells(b(star fmt(%9.3f))se(par))///stats(N N_g,fmt(%9.0f%9.0g)label(N Groups))///legend collabels(none)varlabels(_cons Constant)keep(x1 x2 c.D#c.post)///ESA及图示法///预先生成年度虚拟变量tab time,gen(year)reg y i.D#i.time x1 x2, vce(robust)reghdfe y c.D#(c.year2-year10) x1 x2, absorb(id time) vce(robust)coefplot,///keep(c.D#c.year2 c.D#c.year3 c.D#c.year4 c.D#c.year5 c.D#c.year6 c.D#c.year7 c.D#c.year8 c.D#c.year9 c.D#c.year10)  ///coeflabels(c.D#c.year2 = "-4"  ///c.D#c.year3 = "-3"          ///c.D#c.year4 = "-2"          ///c.D#c.year5 = "-1"          ///c.D#c.year6  = "0"            ///c.D#c.year7  = "1"              ///c.D#c.year8  = "2"              ///c.D#c.year9  = "3"              ///c.D#c.year10 = "4")            ///vertical///yline(0)///ytitle("Coef")///xtitle("Time passage relative to year of adoption of implied contract exception")///addplot(line @b @at)///ciopts(recast(rcap))///scheme(s1mono)///输出生成的图片,令格式为800*600graph export"article1_3.png",as(png)replace width(800)height(600)

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    37

    38

    39

    40

    41

    42

    43

    44

    45

    46

    47

    48

    ///调用本文第二部分生成的基础数据结构use"DID_Basic_Simu.dta",clear///生成两种潜在结果,并且合成最终的结果变量,令政策的真实效果随时间发生变化,即(5*T-T),由于从2005年开始接受干预,因此,每年的政策效果应为24,28,32,36,40.bysortid:gen y0=10+5*x1+3*x2+T+ind+rnormal()bysortid:gen y1=10+5*x1+3*x2+T+ind+rnormal()iftime<2005bysortid:replace y1=10+5*x1+3*x2+10+T+ind+rnormal()iftime>=2005gen y=y0+D*(y1-y0)///去除协变量和个体效应对y的影响,画出剩余残差的图像xtreg y x1 x2,fe rpredict e,uebinscatter e time,line(connect)by(D)///输出生成的图片,令格式为800*600graph export"article1_1.png",as(png)replace width(800)height(600)///多种回归形式reg y c.D#c.post x1 x2 i.time i.id,reststo regxtreg y c.D#c.post x1 x2 i.time, r feeststo xtreg_feareg y c.D#c.post x1 x2 i.time, absorb(id) robusteststo aregreghdfe y c.D#c.post x1 x2, absorb(id time) vce(robust)eststo reghdfeestout*,title("The Comparison of Actual Paramerer Values")///cells(b(star fmt(%9.3f))se(par))///stats(N N_g,fmt(%9.0f%9.0g)label(N Groups))///legend collabels(none)varlabels(_cons Constant)keep(x1 x2 c.D#c.post)///ESA及图示法///预先生成年度虚拟变量tab time,gen(year)reghdfe y i.D#i.time x1 x2, vce(robust) absorb(id time)reghdfe y c.D#(c.year2-year10) x1 x2, absorb(id time) vce(robust)coefplot,///keep(c.D#c.year2 c.D#c.year3 c.D#c.year4 c.D#c.year5 c.D#c.year6 c.D#c.year7 c.D#c.year8 c.D#c.year9 c.D#c.year10)  ///coeflabels(c.D#c.year2 = "-4"  ///c.D#c.year3 = "-3"          ///c.D#c.year4 = "-2"          ///c.D#c.year5 = "-1"          ///c.D#c.year6  = "0"            ///c.D#c.year7  = "1"              ///c.D#c.year8  = "2"              ///c.D#c.year9  = "3"              ///c.D#c.year10 = "4")            ///vertical///yline(0)///ytitle("Coef")///xtitle("Time passage relative to year of adoption of implied contract exception")///addplot(line @b @at)///ciopts(recast(rcap))///scheme(s1mono)///输出生成的图片,令格式为800*600graph export"article1_4.png",as(png)replace width(800)height(600)

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    37

    38

    39

    40

    41

    42

    43

    44

    45

    46

    47

    48

    49

    50

    51

    52

    所有个体开始受到政策冲击的时间均完全相同:Standard DID

    ba6297e7d964

    个体开始受到政策冲击的时间不相同:Time-varying DID

    ba6297e7d964

    /*模拟数据的生成*设定60个观测值,设定随机数种子clearallsetobs60setseed10101genid=_n///每一个数值的数量扩大11倍,再减去前六十个观测值,即60*11-60=600,为60个体10年的面板数据expand11dropin1/60count///以id分组生成时间标识bysortid:gen time=_n+1999xtsetidtime///生成协变量以及个体和时间效应gen x1=rnormal(1,7)gen x2=rnormal(2,5)sort timeidby time:gen ind=_nsortidtimebyid:gen T=_ngen y=0///生成处理变量,此时D为Dit,设定1-20在2004年接受冲击,21-40为2006年,36-60为2008年gen D=0gen birth_date=0forvalues i=1/20{replace D=1ifid==`i'&time>=2004replace birth_date=2004ifid==`i'}forvalues i=21/40{replace D=1ifid==`i'&time>=2006replace birth_date=2006ifid==`i'}forvalues i=41/60{replace D=1ifid==`i'&time>=2008replace birth_date=2008ifid==`i'}///将基础数据结构保存成dta文件,命名为DID_Basic_Simu.dta,默认保存在当前的 working directory 路径下save"DID_Basic_Simu_1.dta",replace

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    37

    38

    /*政策效果不随时间而变DID*调用生成的基础数据文件use"DID_Basic_Simu_1.dta",clear///Y的生成,使得接受冲击的个体的政策真实效果为10bysortid:gen y0=10+5*x1+3*x2+T+ind+rnormal()bysortid:gen y1=10+5*x1+3*x2+T+ind+10+rnormal()iftime>=2004&id>=1&id<=20bysortid:replace y1=10+5*x1+3*x2+T+ind+10+rnormal()iftime>=2006&id>=21&id<=40bysortid:replace y1=10+5*x1+3*x2+T+ind+10+rnormal()iftime>=2008&id>=41&id<=60bysortid:replace y1=10+5*x1+3*x2+T+ind+rnormal()ify1==.replace y=y0+D*(y1-y0)///去除个体效应和协变量对Y的影响,得到残差并画图xtreg y x1 x2,fe rpredict e,uebinscatter e time,line(connect)by(D)///输出生成的图片,令格式为800*600graph export"article2_1.png",as(png)replace width(800)height(600)///保存并输出多个命令的结果reg y c.D x1 x2 i.time i.id,reststo regxtreg y c.D x1 x2 i.time,r feeststo xtreg_feareg y c.D x1 x2 i.time,absorb(id)robusteststo aregreghdfe y c.D x1 x2,absorb(idtime)vce(robust)eststo reghdfeestout*,title("The Comparison of Actual Parameter Values")///cells(b(star fmt(%9.3f))se(par))///stats(N N_g,fmt(%9.0f%9.0g)label(N Groups))///legend collabels(none)varlabels(_cons Constant)keep(x1 x2 D)///ESA及图示法  Time-varying DID 和 Event Study Approach 的结合///用当前年份减去个体接受处理的年份,得到相对的时间值event,将-4期之前的时间归并到第-4期,由于部分个体没有多于-4期的时间///然后生成相对时间值的虚拟变量,eventt,并将首期设定为基准对照组gen event=time-birth_datereplace event=-4ifevent<=-4tab event,gen(eventt)drop eventt1xtreg y eventt*x1 x2 i.time,r fecoefplot,///keep(eventt*)///coeflabels(eventt2="-3"///eventt3="-2"///eventt4="-1"///eventt5="0"///eventt6="1"///eventt7="2"///eventt8="3"///eventt9="4"///eventt10="5")///vertical///yline(0)///ytitle("Coef")///xtitle("Time passage relative to year of adoption of implied contract exception")///addplot(line @b @at)///ciopts(recast(rcap))///scheme(s1mono)///输出生成的图片,令格式为800*600graph export"article2_2.png",as(png)replace width(800)height(600)

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    37

    38

    39

    40

    41

    42

    43

    44

    45

    46

    47

    48

    49

    50

    51

    52

    53

    54

    55

    56

    57

    /*政策效果随时间而变DID*调用生成的基础数据文件use"DID_Basic_Simu_1.dta",clear///Y的生成,设定真实的政策效果为当年为3,并且每年增加3bysortid:gen y0=10+5*x1+3*x2+T+ind+rnormal()bysortid:gen y1=10+5*x1+3*x2+T+ind+(time-birth+1)*3+rnormal()iftime>=2004&id>=1&id<=20bysortid:replace y1=10+5*x1+3*x2+T+ind+(time-birth+1)*3+rnormal()iftime>=2006&id>=21&id<=40bysortid:replace y1=10+5*x1+3*x2+T+ind+(time-birth+1)*3+rnormal()iftime>=2008&id>=41&id<=60bysortid:replace y1=10+5*x1+3*x2+T+ind+rnormal()ify1==.replace y=y0+D*(y1-y0)///去除个体效应和协变量对Y的影响,得到残差并画图xtreg y x1 x2,fe rpredict e,uebinscatter e time,line(connect)by(D)///输出生成的图片,令格式为800*600graph export"article2_3.png",as(png)replace width(800)height(600)///保存并输出多个命令的结果reg y c.D x1 x2 i.time i.id,reststo regxtreg y c.D x1 x2 i.time,r feeststo xtreg_feareg y c.D x1 x2 i.time,absorb(id)robusteststo aregreghdfe y c.D x1 x2,absorb(idtime)vce(robust)eststo reghdfeestout*,title("The Comparison of Actual Parameter Values")///cells(b(star fmt(%9.3f))se(par))///stats(N N_g,fmt(%9.0f%9.0g)label(N Groups))///legend collabels(none)varlabels(_cons Constant)keep(x1 x2 D)///ESA及图示法  Time-varying DID 和 Event Study Approach 的结合///用当前年份减去个体接受处理的年份,得到相对的时间值event,将-4期之前的时间归并到第-4期,由于部分个体没有多于-4期的时间///然后生成相对时间值的虚拟变量,eventt,并将首期设定为基准对照组gen event=time-birth_datereplace event=-4ifevent<=-4tab event,gen(eventt)drop eventt1xtreg y eventt*x1 x2 i.time,r fecoefplot,///keep(eventt*)///coeflabels(eventt2="-3"///eventt3="-2"///eventt4="-1"///eventt5="0"///eventt6="1"///eventt7="2"///eventt8="3"///eventt9="4"///eventt10="5")///vertical///yline(0)///ytitle("Coef")///xtitle("Time passage relative to year of adoption of implied contract exception")///addplot(line @b @at)///ciopts(recast(rcap))///scheme(s1mono)///输出生成的图片,令格式为800*600graph export"article2_2.png",as(png)replace width(800)height(600)

    展开全文
  • 在带有对称性的两希格斯和三希格斯双重模型的所有示例中,人们都观察到以下有趣的特性:如果G至少在中性希格斯部分阻止显式CP违反(CPV),那么它也可以防止自发CPV, 如果G允许显式CPV,则它允许自发CPV。...
  • 搬运网站:https://blog.csdn.net/Claire_chen_jia/article/details/106903842?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~top_click~default-1-106903842.nonecase双重差分模型DID学习...

    搬运网站:https://blog.csdn.net/Claire_chen_jia/article/details/106903842?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~top_click~default-1-106903842.nonecase

    双重差分模型DID学习

    双重差分模型 (Difference-Differences, DID)是政策评估的非实验方法中最为常用的一种方法,其中交互项是DID的灵魂。

    交互项形式拥有各种形式,包括(1)传统DID;(2)经典DID;(3)异时DID;(4)广义DID;以及(5)异质性DID。下面分别介绍这几种。

    双重差分法是研究“处理效应”(treatment effects)的流行方法。一般来说,DID的使用场景为,在面板数据中,个体可分为两类,即受到政策冲击的“处理组”(treatment group)与未受政策影响的“控制组”(control group)。重点落在政策冲击和是否受到政策冲击,通过引入虚拟变量来实现。即:

    政策冲击前后(pre-post)设为0和1,是否受到政策冲击(control-treat)设为0和1.

    因而,模型常设计为

    处理组虚拟变量 beta 捕捉了处理组的组别效应(处理组与控制组的固有差别),处理期虚拟变量lambda控制了处理期的时间效应(处理期前后的固有时间趋势), X为其他控制变量,而交互项xigema 则代表了处理组在处理期的真正效应(受到政策冲击的效应),这正是我们关心的处理效应。然后进行OLS估计即可。

    经典DID是在传统DID模型上控制了个体固定效应(individual fixed effects)和时间固定效应(time fixed effects),并去除单独变量。模型如下:

    模型解释如下:

    (1)u 为个体固定效应。加入个体固定效应之后,就不必再放入处理组虚拟变量(treat i),否则会引起多重共线性问题。因为前者包含比后者更多的信息(前者控制到个体层面,而后者仅控制到组别层面)。

    (2)入 为时间固定效应。同理,加入时间固定效应就不用再加处理期虚拟变量(post t)。否则,将导致严格多重共线性,因为前者包含比后者更多的信息(前者控制了每一期的时间效应,而后者仅控制处理期前后的时间效应)

    (3)注意:估计方法依然是OLS,但须使用“聚类稳健标准误”(cluster-robust standard errors)。

    在传统与经典DID的模型设定中,一个隐含假设是,处理组的所有个体开始受到政策冲击的时间均完全相同。但有时也会遇到每位个体的处理期不完全一致的情形(heterogeneous timing);比如,某项试点政策在不同城市分批推出。此时,可使用“异时DID”(heterogeneous timing DID)。

    异时DID的关键在于,既然每位个体的处理期不完全一致,则处理期虚拟变量也因个体而异,故应写为post(i,t),既依赖于个体 i,也依赖于时间 t。模型设定为如下任意一种形式:

    举一个5期面板数据在stata的应用:

    1)定义变量:定义因个体而异的处理期虚拟变量post(i,t);

    2)识别受影响:post1(i,t) = (0,0,1,1,1)代表第1位个体从第3期开始受到政策处理;post2(i,t) = (0,0,0,1,1)代表第2位个体从第4期开始受到政策处理;post3(i,t) = (0,0,0,0,0)代表从未受到政策冲击(属于控制组)。

    以上各种DID方法均假设存在处理组与控制组的区别,但有时某项政策在全国统一铺开,此时只有处理组,并没有控制组,是否还能使用DID呢?答案是“能”,可以尝试“广义DID”(generalized DID)。

    使用广义DID的重要前提是,虽然所有个体均同时受到政策冲击,但政策对于每位个体的影响力度并不相同,不妨以 intensity(i) 来表示。

    其中,交互项系数为我们关注的对象。此外对于广义DID,文献中也有门槛区分组别的方法,即人为地设定一个门槛值 c,根据 变量是否超过此门槛值来定义处理组与控制组。因为将连续变量压缩为二分变量损失了不少信息,故在实践中已不多见。

    传统的处理效应模型一般假设“同质性处理效应”(homogeneous treatment effects),即所有个体的处理效应都相同。显然,此假定太苛刻,在实践中难以成立。更为合理的假定则为“异质性处理效应”(heterogeneous treatment effects),即允许每位个体的处理效应不尽相同。具体而言:

    1)在DID的框架下,引入异质性处理效应,即在于对交互项(treatpost)的调整,即引入在组别上的交互项(treatpost*group)。

    2)模型建立上,在经典DID的模型中,再引入三重交互项 ,构建异质性DID模型。

    由上式可知,对于group=0 那类处理组个体,其处理效应为 s。而对于 group=1那类处理组个体,其处理效应为(s+t) 。因而其处理效应是异质的(只要三重交互项的系数显著)。

    3)推广到多雷,只要将将所有个体分为 M 类,设立 (M -1) 个类别虚拟变量。

    注意,DID应用的前提是未受到政策冲击时,treat组和control组的变化趋势是平行的,因而进行平行趋势检验是绝对必要的。

    从文献来看,最为常见的展示是否符合平行趋势假设的检验方法有两个:

    其一,对比不同组别因变量均值的时间趋势;其二,回归中加入各时点虚拟变量与政策变量的交互项,若政策或称为处理发生前的交互项系数不显著,则表明的确有着平行趋势。

    第一种的方法(图片来源于stata连享会)为:

    第二种方式分为:代码操作和图形输出

    安装命令:安装 coefplot

    生成各时点虚拟变量与政策变量的交互项的交互项

    进行回归

    输出图形

    详见学习链接

    例子参考学习自:

    /*模拟数据的生成*设定60个观测值,设定随机数种子clearallsetobs60setseed10101genid=_n//每一个数值的数量扩大11倍,再减去前六十个观测值,即60*11-60=600,为60个体10年的面板数据expand11dropin1/60count///以id分组生成时间标识bysortid:gen time=_n+1999xtsetidtime///生成协变量x1,x2gen x1=rnormal(1,7)gen x2=rnormal(2,5)///生成个体固定效应和时间固定效应sort timeidby time:gen ind=_nsortidtimebyid:gen T=_n///生成treat和post变量,以2005年为接受政策干预的时点,id为30-60的个体为处理组,其余为控制组gen D=0replace D=1ifid>29gen post=0replace post=1iftime>=2005///将基础数据结构保存成dta文件,命名为DID_Basic_Simu.dta,默认保存在当前的 working directory 路径下save"DID_Basic_Simu.dta",replace

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    ///调用本文第二部分生成的基础数据结构use"DID_Basic_Simu.dta",clear///生成两种潜在结果,并且合成最终的结果变量,令政策的真实效果为10bysortid:gen y0=10+5*x1+3*x2+T+ind+rnormal()bysortid:gen y1=10+5*x1+3*x2+T+ind+rnormal()iftime<2005bysortid:replace y1=10+5*x1+3*x2+10+T+ind+rnormal()iftime>=2005gen y=y0+D*(y1-y0)///去除协变量和个体效应对y的影响,画出剩余残差的图像xtreg y x1 x2,fe rpredict e,uebinscatter e time,line(connect)by(D)///输出生成的图片,令格式为800*600graph export"article1_1.png",as(png)replace width(800)height(600)///多种回归形式reg y c.D#c.post x1 x2 i.time i.id,robusteststo regxtreg y c.D#c.post x1 x2 i.time,absorb(id) robusteststo aregreghdfe y y c.D#c.post x1 x2, absorb(id time) vce(robust)estout*,title("The Comparison of Actual Paramerer Values")///cells(b(star fmt(%9.3f))se(par))///stats(N N_g,fmt(%9.0f%9.0g)label(N Groups))///legend collabels(none)varlabels(_cons Constant)keep(x1 x2 c.D#c.post)///ESA及图示法///预先生成年度虚拟变量tab time,gen(year)reg y i.D#i.time x1 x2, vce(robust)reghdfe y c.D#(c.year2-year10) x1 x2, absorb(id time) vce(robust)coefplot,///keep(c.D#c.year2 c.D#c.year3 c.D#c.year4 c.D#c.year5 c.D#c.year6 c.D#c.year7 c.D#c.year8 c.D#c.year9 c.D#c.year10)  ///coeflabels(c.D#c.year2 = "-4"  ///c.D#c.year3 = "-3"          ///c.D#c.year4 = "-2"          ///c.D#c.year5 = "-1"          ///c.D#c.year6  = "0"            ///c.D#c.year7  = "1"              ///c.D#c.year8  = "2"              ///c.D#c.year9  = "3"              ///c.D#c.year10 = "4")            ///vertical///yline(0)///ytitle("Coef")///xtitle("Time passage relative to year of adoption of implied contract exception")///addplot(line @b @at)///ciopts(recast(rcap))///scheme(s1mono)///输出生成的图片,令格式为800*600graph export"article1_3.png",as(png)replace width(800)height(600)

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    37

    38

    39

    40

    41

    42

    43

    44

    45

    46

    47

    48

    ///调用本文第二部分生成的基础数据结构use"DID_Basic_Simu.dta",clear///生成两种潜在结果,并且合成最终的结果变量,令政策的真实效果随时间发生变化,即(5*T-T),由于从2005年开始接受干预,因此,每年的政策效果应为24,28,32,36,40.bysortid:gen y0=10+5*x1+3*x2+T+ind+rnormal()bysortid:gen y1=10+5*x1+3*x2+T+ind+rnormal()iftime<2005bysortid:replace y1=10+5*x1+3*x2+10+T+ind+rnormal()iftime>=2005gen y=y0+D*(y1-y0)///去除协变量和个体效应对y的影响,画出剩余残差的图像xtreg y x1 x2,fe rpredict e,uebinscatter e time,line(connect)by(D)///输出生成的图片,令格式为800*600graph export"article1_1.png",as(png)replace width(800)height(600)///多种回归形式reg y c.D#c.post x1 x2 i.time i.id,reststo regxtreg y c.D#c.post x1 x2 i.time, r feeststo xtreg_feareg y c.D#c.post x1 x2 i.time, absorb(id) robusteststo aregreghdfe y c.D#c.post x1 x2, absorb(id time) vce(robust)eststo reghdfeestout*,title("The Comparison of Actual Paramerer Values")///cells(b(star fmt(%9.3f))se(par))///stats(N N_g,fmt(%9.0f%9.0g)label(N Groups))///legend collabels(none)varlabels(_cons Constant)keep(x1 x2 c.D#c.post)///ESA及图示法///预先生成年度虚拟变量tab time,gen(year)reghdfe y i.D#i.time x1 x2, vce(robust) absorb(id time)reghdfe y c.D#(c.year2-year10) x1 x2, absorb(id time) vce(robust)coefplot,///keep(c.D#c.year2 c.D#c.year3 c.D#c.year4 c.D#c.year5 c.D#c.year6 c.D#c.year7 c.D#c.year8 c.D#c.year9 c.D#c.year10)  ///coeflabels(c.D#c.year2 = "-4"  ///c.D#c.year3 = "-3"          ///c.D#c.year4 = "-2"          ///c.D#c.year5 = "-1"          ///c.D#c.year6  = "0"            ///c.D#c.year7  = "1"              ///c.D#c.year8  = "2"              ///c.D#c.year9  = "3"              ///c.D#c.year10 = "4")            ///vertical///yline(0)///ytitle("Coef")///xtitle("Time passage relative to year of adoption of implied contract exception")///addplot(line @b @at)///ciopts(recast(rcap))///scheme(s1mono)///输出生成的图片,令格式为800*600graph export"article1_4.png",as(png)replace width(800)height(600)

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    37

    38

    39

    40

    41

    42

    43

    44

    45

    46

    47

    48

    49

    50

    51

    52

    所有个体开始受到政策冲击的时间均完全相同:Standard DID

    个体开始受到政策冲击的时间不相同:Time-varying DID

    /*模拟数据的生成*设定60个观测值,设定随机数种子clearallsetobs60setseed10101genid=_n///每一个数值的数量扩大11倍,再减去前六十个观测值,即60*11-60=600,为60个体10年的面板数据expand11dropin1/60count///以id分组生成时间标识bysortid:gen time=_n+1999xtsetidtime///生成协变量以及个体和时间效应gen x1=rnormal(1,7)gen x2=rnormal(2,5)sort timeidby time:gen ind=_nsortidtimebyid:gen T=_ngen y=0///生成处理变量,此时D为Dit,设定1-20在2004年接受冲击,21-40为2006年,36-60为2008年gen D=0gen birth_date=0forvalues i=1/20{replace D=1ifid==`i'&time>=2004replace birth_date=2004ifid==`i'}forvalues i=21/40{replace D=1ifid==`i'&time>=2006replace birth_date=2006ifid==`i'}forvalues i=41/60{replace D=1ifid==`i'&time>=2008replace birth_date=2008ifid==`i'}///将基础数据结构保存成dta文件,命名为DID_Basic_Simu.dta,默认保存在当前的 working directory 路径下save"DID_Basic_Simu_1.dta",replace

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    37

    38

    /*政策效果不随时间而变DID*调用生成的基础数据文件use"DID_Basic_Simu_1.dta",clear///Y的生成,使得接受冲击的个体的政策真实效果为10bysortid:gen y0=10+5*x1+3*x2+T+ind+rnormal()bysortid:gen y1=10+5*x1+3*x2+T+ind+10+rnormal()iftime>=2004&id>=1&id<=20bysortid:replace y1=10+5*x1+3*x2+T+ind+10+rnormal()iftime>=2006&id>=21&id<=40bysortid:replace y1=10+5*x1+3*x2+T+ind+10+rnormal()iftime>=2008&id>=41&id<=60bysortid:replace y1=10+5*x1+3*x2+T+ind+rnormal()ify1==.replace y=y0+D*(y1-y0)///去除个体效应和协变量对Y的影响,得到残差并画图xtreg y x1 x2,fe rpredict e,uebinscatter e time,line(connect)by(D)///输出生成的图片,令格式为800*600graph export"article2_1.png",as(png)replace width(800)height(600)///保存并输出多个命令的结果reg y c.D x1 x2 i.time i.id,reststo regxtreg y c.D x1 x2 i.time,r feeststo xtreg_feareg y c.D x1 x2 i.time,absorb(id)robusteststo aregreghdfe y c.D x1 x2,absorb(idtime)vce(robust)eststo reghdfeestout*,title("The Comparison of Actual Parameter Values")///cells(b(star fmt(%9.3f))se(par))///stats(N N_g,fmt(%9.0f%9.0g)label(N Groups))///legend collabels(none)varlabels(_cons Constant)keep(x1 x2 D)///ESA及图示法  Time-varying DID 和 Event Study Approach 的结合///用当前年份减去个体接受处理的年份,得到相对的时间值event,将-4期之前的时间归并到第-4期,由于部分个体没有多于-4期的时间///然后生成相对时间值的虚拟变量,eventt,并将首期设定为基准对照组gen event=time-birth_datereplace event=-4ifevent<=-4tab event,gen(eventt)drop eventt1xtreg y eventt*x1 x2 i.time,r fecoefplot,///keep(eventt*)///coeflabels(eventt2="-3"///eventt3="-2"///eventt4="-1"///eventt5="0"///eventt6="1"///eventt7="2"///eventt8="3"///eventt9="4"///eventt10="5")///vertical///yline(0)///ytitle("Coef")///xtitle("Time passage relative to year of adoption of implied contract exception")///addplot(line @b @at)///ciopts(recast(rcap))///scheme(s1mono)///输出生成的图片,令格式为800*600graph export"article2_2.png",as(png)replace width(800)height(600)

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    37

    38

    39

    40

    41

    42

    43

    44

    45

    46

    47

    48

    49

    50

    51

    52

    53

    54

    55

    56

    57

    /*政策效果随时间而变DID*调用生成的基础数据文件use"DID_Basic_Simu_1.dta",clear///Y的生成,设定真实的政策效果为当年为3,并且每年增加3bysortid:gen y0=10+5*x1+3*x2+T+ind+rnormal()bysortid:gen y1=10+5*x1+3*x2+T+ind+(time-birth+1)*3+rnormal()iftime>=2004&id>=1&id<=20bysortid:replace y1=10+5*x1+3*x2+T+ind+(time-birth+1)*3+rnormal()iftime>=2006&id>=21&id<=40bysortid:replace y1=10+5*x1+3*x2+T+ind+(time-birth+1)*3+rnormal()iftime>=2008&id>=41&id<=60bysortid:replace y1=10+5*x1+3*x2+T+ind+rnormal()ify1==.replace y=y0+D*(y1-y0)///去除个体效应和协变量对Y的影响,得到残差并画图xtreg y x1 x2,fe rpredict e,uebinscatter e time,line(connect)by(D)///输出生成的图片,令格式为800*600graph export"article2_3.png",as(png)replace width(800)height(600)///保存并输出多个命令的结果reg y c.D x1 x2 i.time i.id,reststo regxtreg y c.D x1 x2 i.time,r feeststo xtreg_feareg y c.D x1 x2 i.time,absorb(id)robusteststo aregreghdfe y c.D x1 x2,absorb(idtime)vce(robust)eststo reghdfeestout*,title("The Comparison of Actual Parameter Values")///cells(b(star fmt(%9.3f))se(par))///stats(N N_g,fmt(%9.0f%9.0g)label(N Groups))///legend collabels(none)varlabels(_cons Constant)keep(x1 x2 D)///ESA及图示法  Time-varying DID 和 Event Study Approach 的结合///用当前年份减去个体接受处理的年份,得到相对的时间值event,将-4期之前的时间归并到第-4期,由于部分个体没有多于-4期的时间///然后生成相对时间值的虚拟变量,eventt,并将首期设定为基准对照组gen event=time-birth_datereplace event=-4ifevent<=-4tab event,gen(eventt)drop eventt1xtreg y eventt*x1 x2 i.time,r fecoefplot,///keep(eventt*)///coeflabels(eventt2="-3"///eventt3="-2"///eventt4="-1"///eventt5="0"///eventt6="1"///eventt7="2"///eventt8="3"///eventt9="4"///eventt10="5")///vertical///yline(0)///ytitle("Coef")///xtitle("Time passage relative to year of adoption of implied contract exception")///addplot(line @b @at)///ciopts(recast(rcap))///scheme(s1mono)///输出生成的图片,令格式为800*600graph export"article2_2.png",as(png)replace width(800)height(600)

    展开全文
  • 估计政策效应常用的方法有:工具变量法、断点回归、倾向得分匹配法、双重差分法、合成控制法等。我们在这里介绍双重差分法。一、模型引入假设现要修一条铁路,其必然会有穿过的和没有穿过的城市。现在我们想知道铁路...

    估计政策效应常用的方法有:工具变量法、断点回归、倾向得分匹配法、双重差分法、合成控制法等。我们在这里介绍双重差分法。

    一、模型引入

    假设现要修一条铁路,其必然会有穿过的和没有穿过的城市。现在我们想知道铁路修好以后,被铁路穿过的城市经济增长是不是更快了?

    为了回答上面的问题,我们至少需要观察两期情况即修铁路前(t=0)和修铁路后(t=1)。同时我们设如果城市i被穿过,我们记Di=1,反之Di=0。

    7faf1684ef1f

    模型引入

    如上图的处理效应即为“修铁路”这项政策的效应。

    treat组(处理组):受政策干预——结果Di=1

    control组(对照组):未受政策干预——结果Di=0

    以上的关键在于处理组如果未受到政策干预,其时间效应或趋势应该与控制组一样。

    二、前提条件

    1.使用前提

    (1)政策不能是“一刀切”类型,即存在受政策影响的实验组和不受政策影响的对照组

    (2)至少两年的面板数据,如果是截面数据一般也别考虑了

    2.模型前提

    (1)平行趋势(CT)假设:处理组和对照组有共同趋势,在政策干预之前,处理组和控制组的结果效应的趋势应该是一样的。

    (2)SUTVA条件:政策干预只影响处理组,不会对控制组产生交互影响,或者政策干预不会产生外溢效应;

    (3)线性形式条件:潜在结果变量同处理变量和时间变量满足线性条件。

    由此可见DID的使用条件较为严苛,并不能随意使用。

    三、模型构造

    7faf1684ef1f

    模型构造1

    du 表明了一刀切政策无法适用DID;dt表明了截面数据无法使用。

    7faf1684ef1f

    模型构造2

    四、稳健性检验

    为了证明所有的效应是由政策实施所引起的,必须做稳健性检验,主要体现在两个方面:

    1.平行趋势检验

    如果是多年面板数据可以通过画图或者回归的方法来检验平行趋势假设。

    (1)画图:画出实验组时期和对照组时期的时间趋势图,如果两条线的走势完全一致或基本一致,说明CT假设是满足的。

    (2)回归:将模型构造中dt项改为“年份虚拟变量”,政策实施前有a年就有a个年份虚拟变量,以及与du相乘的a个交互项。此时交互项反映的是“政策实施前年份,实验组和对照组的差异”。如果这a个交互项不显著,即说明政策实施前实验组和对照组不存在明显的差别,从而满足CT假设。一般,“都不显著”可以稍微放松,即便存在一两个显著的情况,但只要a个交互项联合不显著,也是满足CT假设。

    2.安慰剂检验

    安慰剂检验核心思想即即虚构处理组进行回归。

    第一步:选取政策实施之前的年份进行处理,例如,政策发生在2014年,研究区间为2013-2015年。我们可以把研究区间向前移动到2011-2013年,并假定政策实施年份为2012年,然后进行回归。

    第二步:选取已知的并不受政策实施影响的群组作为处理组进行回归。

    如果不同虚构方式下的DID估计量的回归结果依然显著,说明原来的估计结果很有可能出现了偏误。

    此外还可以利用不同不同的对照组进行回归,看研究结论是否依然一致。或者选取一个完全不受政策干预影响的因素作为被解释变量进行回归,如果DID估计量的回归结果依然显著,说明原来的估计结果很有可能出现了偏误。

    注:以上如果回归结果显著,说明原结果是一定有问题的,而如果回归结果不显著,并不一定能表明原结果没问题。

    五、Stata命令详解

    1.数据下载地址

    2.数据背景介绍

    历史上A、B、C、D、E、F、G这7个地区非常相似,然而1994年后E、F和G三个地区(实验组)颁布了一项政策,其余4个地区(控制组)没有。

    3.DID基准回归

    *定义工作环境

    cd C:\Users\Administrator\Desktop

    *导入数据

    use panel101,clear

    *假设政策执行时间为1994年,设置虚拟变量

    gen time = (year >= 1994)&!missing(year)

    *假设政策执行地为大于4的地方,设置虚拟变量

    gen treated = (country >4)&!missing(country)

    *构建DID估计量,即时间和空间的交互项

    gen did = time*treated

    *第一种DID回归设计

    reg y did time treated,r

    7faf1684ef1f

    方法1

    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

    7faf1684ef1f

    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

    *第三种DID回归设计

    **安装外部命令

    ssc install diff

    **估计DID

    diff y, t(treated) p(time)

    7faf1684ef1f

    方法3

    在第三种方法里,直接使用diff命令,快速实现方法一的三步骤,结果一样

    4.平行趋势检验

    以上的基准回归只有当地区在政策前足够相似才能够保证DID提取的是政策的因果效应,所以研究者需要知道两组地区在政策前有多大差异。实现这一目标的方法是将年份虚拟变量乘以实验组虚拟变量,这一交互项就可以捕捉两组地区在每一年份的差异。

    如果两组地区的确有着平行趋势的话,那么预期在1994年前的那些交互项的回归结果将不显著,而1994年后的将显著。

    **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)

    gen Dyear = year-1994

    gen Before3 = (Dyear==-3&treated==1)

    gen Before2 = (Dyear==-2&treated==1)

    gen Before1 = (Dyear==-1&treated==1)

    gen Current = (Dyear==0&treated==1)

    gen After1 = (Dyear==1&treated==1)

    gen After2 = (Dyear==2&treated==1)

    gen After3 = (Dyear==3&treated==1)

    **将以上交互项作为解释变量进行回归

    xtreg y time treated Before3 Before2 Before1 Current After1 After2 After3 i.year, fe

    est sto reg

    7faf1684ef1f

    CT检验1

    可以看出Before3 Before2 Before1 的系数均不显著,After1的系数负向显著

    **采用coefplot命令画图

    ssc install coefplot

    coefplot reg,keep(Before3 Before2 Before1 Current After1 After2 After3) vertical recast(connect) yline(0)

    保留关键变量: keep(Before2 Before1 Current After1 After2 After3_)*

    转置: vertical*

    系数连线,观察动态效果: recast(connect)*

    增加直线y=0: yline(0)*

    7faf1684ef1f

    CT检验2

    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。

    六、参考资料

    1.双重差分模型的平行趋势假定如何检验? —— coefplot命令来告诉你

    2.那些年,我们用过的DID

    3.DID与政策评估(附Stata实现)

    4.【Stata教程】如何进行平行趋势检验

    55人点赞

    作者:凡有言说

    链接:https://www.jianshu.com/p/cd8cd6904dcc

    来源:简书

    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

    展开全文
  • 一种改进的双重过滤模型算法一种改进的一种改进的双重过滤模型算法双重过滤模型算法
  • 通过双重分区模型进行的免费骑行情节放映
  • 双重差分模型介绍及其应用_叶芳20 13 2 30 1 ·131 ·中国卫生统计 年 月第 卷第 期双重差分模型介绍及其应用北京大学公共卫生学院(100191) 叶 芳 王 燕△(difference-in-difference ,DID ) ,双重差分模型 ...

    双重差分模型介绍及其应用_叶芳

    20 13 2 30 1 ·131 ·

    中国卫生统计 年 月第 卷第 期

    双重差分模型介绍及其应用

    北京大学公共卫生学院(100191) 叶 芳 王 燕△

    (difference-in-difference ,DID ) ,

    双重差分模型 近年 为应变量 即可解决干预前干预组和对照组业已存在

    来多用于计量经济学中对于公共政策或项目实施效果 的差异问题 协方差分析通过分离干预组和对照组可

    。 ,

    的定量评估 消除其他影响因素 并考虑到干预实施前存在的应变

    , ,

    通常大范围的公共政策有别于普通科研性研究 量的事前差异 可在理论上保证分析结果的真实可靠

    , 、

    难以保证对于政策实施组和对照组在样本分配上的完 性 然而过多 过于严格的应用条件使得协方差分析在

    。 。

    全随机 非随机分配政策实施组和对照组的试验称为 实际工作中并不能得到广泛使用

    (natural trial), ,

    自然试验 此类试验存在较显著的特点

    DID 模型介绍

    即不同组间样本在政策实施前可能存在事前差异 仅

    ,DID “

    通过单一前后对比或横向对比的分析方法会忽略这种 在干预效果评价方面 模型通过将 前后差

    , 。 ” “ ” ,

    差异 继而导致对政策实施效果的有偏估计 异 和 有无差异 有效结合 一定程度上控制了某些

    DID , ;

    模型正是基于自然试验得到的数据 通过建 除干预因素以外其他因素的影响 同时在模型中加入

    , ,

    模来有效控制研究对象间的事前差异 将政策影响的 其他可能影响结局变量的协变量 又进一步控制了干

    真正结果有效分离出来。 预组和对照组中存在的某些“ ” ,

    疑似 影响因素 来补充

    “ ” ,

    自然试验 在样本分配上不能完全随机这一缺陷 因

    医疗卫生领域常用于差异比较的统计方法

    展开全文
  • 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...
  • 双重差分模型了解一下?

    万次阅读 2019-08-31 09:55:43
    总第163篇/张俊红今天给大家介绍一种比较常用分析方法。叫做双重差分法。啥叫个双重差分法呢?我们先不管这个什么法,我们直接来看例子。假如现在市场同学做了一场促销活动,然后...
  • did双重差分法_双重差分模型

    千次阅读 2021-01-01 05:34:11
    双重差分模型1.双重差分法英文名Differences-in-Differences,别名“倍差法”。 主要用于政策评估.2.基本思想利用政策的准自然实验将研究对象随机的分成处理组和对照组,其中受到政策影响的个体称为处理组,反之是...
  • DID-双重差分模型

    千次阅读 2020-04-12 20:19:38
    DID-双重差分模型 DID(difference-in-differences model)也叫双重差分模型。 现在要修一条铁路,铁路是条线,所以必然会有穿过的城市和没有被穿过的城市。记Di=1 如果城市i被穿过,Di=0 如果城市i没有被穿过。 ...
  • 双重差分模型DID学习笔记

    万次阅读 多人点赞 2020-06-22 20:17:50
    双重差分模型 (Difference-Differences, DID)是政策评估的非实验方法中最为常用的一种方法,其中交互项是DID的灵魂。 交互项形式拥有各种形式,包括(1)传统DID;(2)经典DID;(3)异时DID;(4)广义DID;以及...
  • DID双重差分模型Day1

    2021-01-20 11:36:12
    1985年普林斯顿大学的Ashenfelter和Card的一篇论文中,第一次引入了DID模型;2001年哈佛大学公共卫生学院学者使用DID模型对中国海南省的医疗报销付费制度改革进行了分析;2001年杜克大学学者对美国保险制度对于妇幼...
  • 我们探索了费米离子暗物质模型,并可能将粒子物理学的标准模型扩展为两个希格斯双峰模型。 希格斯二重态通过不可重归一化的耦合与单重态铁离子暗物质耦合,从而提供了新的物理尺度。 我们探索了这种暗物质候选物的...
  • 双重三角模糊矩阵博弈主动预警响应决策模型
  • 作者:张伟广 | 知乎 | 简书 | 码云2020寒假Stata现场班 ...在不同应用情形下,该方法具有多种可供选择的回归命令,而由于有些应用者对双重差分模型设定的优点和缺陷,以及 stata 命令实现不够了解,使得该方法有被...
  • 两个希格斯-双重模型(THDM)是标准模型的最简单扩展,并且在文献中进行了深入研究。 使用诸如附加标量的质量之类的带上参数作为输入,通常对应于基础拉格朗日中的大型四次耦合。 因此,重要的是检查这些联轴器...
  • 具有双重积分器模型的多智能体系统中的共识问题
  • 基于双重粒度准则的邻域多粒度粗糙集模型
  • 双重轮廓演化曲线的图像分割水平集模型在LBF模型的基础上引入了目标内外两条轮廓曲线,很好地克服了LBF模型对于初始轮廓的敏感性,对于灰度不均的单张图像分割效果较好。受此启发,本文提出了基于双重轮廓演化曲线...
  • 扩展的电弱标量扇区包含多个双峰多重峰,需要对齐味的Yukawa矩阵,以防止在树级别出现不需要的改变味的中性电流跃迁。 我们分析了由单环量子校正引起的未对准,并探讨了对准条件的可能概括及其与当前实验约束的兼容...
  • 我们通过进一步考虑颜色相互作用的影响来扩展色磁模型。 引入了夸克对之间的有效质量参数(mqq或mqq),以说明有效夸克... 我们计算所有双重和三重重夸克重子。 新发现的双倍迷人的重子Ξcc适合模型,误差为12 MeV。
  • 前面有人说了两个组别两个时间点的DID, 我简单来说一下DDD也可以说是多组别多时间点的DID假设,推行一项政策,各个地区实行的时间不同简单来说,让我们来以g代表不同的地区(g>=2),t代表不同的时间点 (t>...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,516
精华内容 606
关键字:

双重模型