did回归(DID回归分析)
本篇文章给大家谈谈did回归,以及DID回归分析对应的知识点,希望对各位有所帮助,不要忘了收藏本站喔。
本文目录一览:
did模型可以用非平衡面板数据吗
可以使用非平衡面板数据来建立DID模型,但需要注意非平衡面板数据可能会引入估计偏差,导致DID估计结果不准确。DID(Difference-in-Differences)模型是一种常见的计量经济学方法,用于研究某项政策或干预措施的效果。DID模型通常基于面板数据,其中个体或群体被观察了两个时间点,一个是政策实施前,一个是政策实施后。DID模型的基本思想是,通过比较政策实施前后不同组的差异,来估计政策猜陆举的效果。在实际应用中,面板数据可能存在非平衡性,即不同个体或群体在不同时间点上的观测次数可能不同。如果使用非平衡面板数据来建立DID模型,可能会导致样本选择偏差和估计偏差。样本选择偏差是指,由于不同个体或群体在不同时间点上的观测次数不同,可能导致政策穗碧实施前后不同组的特征存在差异,从而影响DID模型的估计结果。估计偏差是指,由于非平衡性导致缺失数据或观测次数不足,可能使DID模型的估计结果不准确。因此,在建立DID模型时,建议使用平衡面悉者板数据,即每个个体或群体在政策实施前后都有相同数量的观测次数。如果必须使用非平衡面板数据,需要注意控制其他可能影响DID估计结果的变量,并进行合理的样本选择和修正方法,以避免估计偏差。
[img]did基准回归可以放哪些
did基准汪凯回归可以放的有:
1、模型引入橘配,需要观察两期情况即修铁路前和修铁路后的情况来定。
2、工具变量法和断点回归。
3、倾向得分匹困伍唤配法和双重差分法。
双重差分模型DID 模型介绍
【计量地图】DID(双重差分)学习框架和实践 - 知乎 (zhihu.com)
Stata: 多期倍分法 (DID) 详解及其图示 - 知乎 (zhihu.com)
【1】郑新业, 王晗, 赵益卓. "省直管县"能促进经济增长吗?——双重差分方法[J]. 管理世界, 2011, 000(008):34-44.
【2】陈思霞, 卢盛峰. 分权增加了民生性财政支出吗?——来自中国"省直管县"的自然实验[J]. 经济学(季刊), 2014, 13(4).
【3】汪伟,艾春荣,曹晖.税费改革对农村顷汪御居民消费的影响研究[J].管理世界,2013(01):89-100.
【4】叶青,李增泉,李光青.富豪榜会影响企业会计信息质量吗?——基于政治成本视角的考察[J].管理世界,2012(01):104-120.
【5】余明桂,李文贵,潘红波.民营化、产权保护与企业风险承担[J].经济研究, 2013, 48(09): 112-124.
【6】肖浩,孔爱国.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[J].管理世界,2014(08):30-43+187-188.
【7】洪俊杰,刘志强,黄薇.区域振兴战略与中国工业空间结构变动——对中国工业企业调查数据的实证分析[J].经济研究,2014,49(08):28-40.
【8】李志生,陈晨,林秉旋.卖空机制提高了中国股票市场的定价效率吗?——基于自然实验的证据[J].经济研究,2015,50(04):165-177.
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?为了加深大家理解,画了一个拙劣的图,橘色代表铁路穿过的一个或者一类城市(统称A城市),蓝色代表的是铁路没有穿过的的城市(统称B城市)。陵滚效果图如下:
关于这个问题,有 两个解决思路:
(1)简单粗暴的。直接用A城市的GDP平均值与B城市的GDP平均值相减,
但是,这个减法 忽略了城市的自有禀赋问题 ,万一A城市的资源禀赋比较好,GDP本来就高,凭什么一定要说成是政策造成的呢?
(2)复杂一点的方法。我们重新考虑时间的动态变化(政策带来的效应),考虑个体差异。于是便有了双重差分。
所谓差分,简单理解,就是做减法。而双重差分,就是做两次减法。为什么要做两次减法,就是为了解决如何把两个城市放在同一起跑线上,再去检验政策对其是否有效果。具体思路是:
通过观察至少两期的数据:
①第一期:修铁路前
②第二期:写铁路后
这是第一次差分,聚焦于t=0到t=1两个时刻间,个体i,即每个城市GDP的增长,也可以看成GDP的趋势
第二步雀岩:时间差异(政策差异)
这是第二次差分,这一步就把两类城市在修建铁路之前和之后的GDP增长率的差异给算出来了,这就是我们要的处理效应,即修建铁路之后对城市经济的促进作用。记T=1 如果时间为建铁路之后,T=0如果时间为建铁路之前,那么我们可以得到一个表:
这个式子的回归,得到的交叉项的系数就是所要估计的处理效应,用一个图表示就是:
DID最关键的假设是common trend,也就是两个组别在不处理的情况下,y的趋势是一样的 。那么你会说了,铁路穿过的城市可能本身GDP也高,而GDP高的城市按照理论GDP增长率可能更高可能更低,所以common trend的假设可能是不对的,那怎么办?如果这个问题存在,我们可以进一步假设在控制了某些外生变量之后,common trend是对的,比如上个问题,我们可以控制城市在t=0期的GDP level。当我们控制其他变量之后,自然不能直接减两次了,我们需要用上面说的回归式子,即run the following OLS:
并不是所有政策评估都适合DID
(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
(1)平行趋势(CT)假设。简单来说,政策实施前,处理组和控制组其他禀赋条件都差不多。(PS:一般,常用倾向得分匹配法PSM可以得到实现)。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。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。
(1)画图。
画出实验组时期和对照组时期的时间趋势图;弱两条线走势完全一样或者基本一致,则满足共同趋势(CT)假设。
(2)回归。
1)操作:dt项目→改为“年份虚拟变量”,a年即有a个虚拟变量。交互项代表政策实施前,实验组和对照组的差异
2)解读:若a个交互项不显著,则说明政策实施前实验组和对照组不存在明显差别;放松的CT检验认为,只要a个交互项联合不显著,也可以满足假设。
2.1 看不一致
1)选择政策实施前年份进行处理。
eg.假设2013-2015年是研究区间,2014年是政策发生实践。
则可以移动区间把2011-2013年设置为样本区间,并假设政策发生在2012年,进行回归。
在这样的虚构模型假设下,如果回归结果仍然显著,则可能原来的结果存在偏误。
2)选择已知的不受政策影响的群体作为处理组进行回归。
3)选择一个完全不受政策敢于影响的因素作为解释变量进行回归。
1)、2)、3)这三种情况下,如果原来的结果稳健的话,虚构模型下的结果都不应该显著。如果显著,就回过头去检查之前的模型和结果是否有问题。
所以,这里,跟我们常见稳健性检验有点差异。
2.2 看一致
利用不同的对照组进行回归,看结论是否一致。
did可以用reg回归吗
可以。
did可以用reg回归,代码实顷宴例中使用的是Stata系统自带的数据集autodta,数据集是截面数据且不包含DID项,在实际使用中,可以将reg改为面板数据回归(如xtreg、reghdfe等),同时将这里的核心解释变量rep78改为需要进行随机化处理的关键变量。
DID指双重差分法,DID中的安慰剂检验方法包括两种:一是改变政策发生时点,二是将处理雀橘银组随机化伍轮。
双重差分法(DID)入门必看
双重差分 (Differences-in-Differences,DID),其常用于政策评亩带厅估效应研究,比如研究‘鼓励上市政策’、‘开通沪港通’、‘开通高铁’、‘引入新教育模式’等效应时,分析效应带来的影响情况。
涉及两个关键数据,分别是Treated和Time,此处Treated为地区(A和B两个地区),以及时间项Time(高铁开通前和开通后)。
同时研究‘开通高铁’参于gdp的影响,那么被解释变量Y即为gdp,与此同时还涉及可选的控迅隐制变量(控制变量为可选项,多数情况下并不需要),比如教育投入,人口或对外投资情况等,如下表说明:
特别提示:
理论上,双重差分研究可在很大程度上避免数据内生性问题。‘政策效应’通常为外生项,因而不存在双向因果关系,比如开通高铁影响gdp,gdp同时影响开通开通。与此同时,双重差分也有着一定的前提性要求,通常其希望满足‘平行趋势假设’(Parallel Trend Assumption),即time项为0时,即比如开通高铁前,A类和B类两类地区的gdp数据需要无明显的差异性。
至于‘平行趋势假设’(共同趋势)的检验,其有多种检验方式。包括t检验法,‘交叉项’显著性检验法,F统计量检验法,图示法。具体说明如下:
针对‘交互项显著性检验法’或‘F统计量检验法’,时间项可能仅为2期(实验前和实验后),也可能为多期m期(m2),那么哑变量设置后,放入分析的交互项为‘实验前时的交互项’,如下表说明:
关于哑变量说明:
如果是使用t检验法,SPSSAU在进行DID分析时默认有提供,如果是使用‘交互项显著性检验法’或者‘F统计量检验法’,可先将时间项作哑变量处理后,与treated项作交互项,然后进行线性回归(SPSSAU通用方法里面的线性回归或计量研究里面的OLS回归均可)。如果是使用‘图示法’,则使用SPSSAU【可视化- 簇状图 】完成。
某地区(实验组,B地区)通过法律将最低工资从每小时4.25美元提高中到5.05美元,但相邻的另一地区(控制组,A地区)保持不变。某研究人员收集实施新法律前后就业人数数据,使用DID差分法进行研究‘提高最低工资’是否有助于‘就业人数增加’,即提高最低工资是否会提升民众的就业积极性。
此案例时:treated为地区(数字0为控制组即A地区,数字1为实验组即B地区)。Time为时间(数字0为法律实施前,数字1为法律实施后)。研究的效应项即被解释变量Y为‘就业人数’。与此同时还有另外3个控制变量。
双重差分法DID,其通常用于政策效应类研究。共涉及两项,分别是实验组别treated(数字0表示控制组,数字1表示实验组),和时间项time(数字0表示实验前,数字1表示实验后)。一般希望在实验前即time为0时,实验组别数据基本保持一致性,即满足‘平行趋势假设’。‘行棚平行趋势假设’检验有多种方式,建议查看本页面中相关说明。
比如本案例可使用SPSSAU的簇状图进行‘平行趋势假设’查看,如下图可以看到,实验前时两个组别的‘从业人数’即效应水平基本完全一致,说明满足‘平行趋势假设’,因而可以继续分析,当然也可使用实验前时,控制组和实验组效应值的差异情况进行检验,SPSSAU默认有提供。
本案例操作截图如下,案例中带3个控制变量,如果没有控制变量可直接不放入即可,如下:
SPSSAU共输出5类表格,分别是DID模型描述统计,DID模型结果汇总,t 检验(Before),t 检验(After),OLS回归分析结果。说明如下:
上表格展示不同实验组别,以及实验前后时的样本分布情况。本案例共有155个实验样本,77个为实验前,78个为实验后。
上表格展示DID模型最终结果。分别包括实验前和实验后时,控制组或实验组的效应值水平(特别提示,效应值是一种量化指标,并非被解释变量从业人数的平均值(但通常接近于平均值),数学原理上其为ols回归的回归系数值)。
上表格显示:在实验前before状态时,实验组和控制组的差分效应量为-0.611,并且没有呈现出显著性(p = -0.5560.1),即说明实验前时,实验组和控制组的效应水平基本一致并没有明显的差异性,也即说明满足‘平行趋势假设’。
实验后after状态时,实验组和控制组的差分效应量为2.324,并且呈现出显著性(p = 0.024 0.05),即说明在实验后时间点时,实验组的效应值明显高于控制组效应值。
最终查看应该以diff-in-diff,即最终的双重差分值,上表格时,双重差分效应值为2.935且呈现出显著性(p = 0.045 0.05),也即说明双重差分效应显著,即说明‘提高最低工资’是否有助于‘就业人数增加’,提高的平均效应水平为2.935。
上表格展示实验前状态时,控制组和实验组两类别下被解释变量或控制变量的差异情况。通常仅关注被解释变量的差异性即可,从上表格可知,控制组和实验组并没有呈现出显著性(p = 0.978 0.05),也即说明实验前时控制组和实验组的‘从业人数’并没有明显的差异性,即说明数据通过‘平行趋势假设’。
上表格展示实验后状态时,控制组和实验组两类别下被解释变量或控制变量的差异情况。通常仅关注被解释变量的差异性即可,从上表格可知,控制组和实验组呈现出显著性(p = 0. 043 0.05),也即说明实验前时控制组和实验组的‘从业人数’呈现出明显的差异性,说明实验后状态下实验组和控制组的平均水平有着显著性差异,而且实验组(19.949)明显高于控制组(17.065)。
上表格展示OLS回归结果,其为DID差分模型的数学原理,比如上表格中treate*time这一交互项的回归系数值为2.935即为‘DID模型结果汇总’表格中的Diff-in-Diff效应值。
涉及以下几个关键点,分别如下:
政策评估用断点回归还是DiD
在计量经济学中,对于政策评价的基本方法一般有三种:合成控制法,双重差分法(DID),断点回归。其中合成控制法和双重差分法十分相似,本质思想在于,找到一个对照组,对比处理组与对照组的异同,得出政策的效果评价。
在实验室中进行的实验,例如,生物细菌培养,实验基本条件是可控的,可以通过人为改变外在条件,达到对处理组和对照组的不同处理效果。但是对于地区政策评价时,找到一个地区的对照组橘羡是比较困难的。因为一旦对某地区实行了一种政策,就无法观测到这个地区未实施这种政策的状态。历史无法重演,无法回到过去,阻止此项政策的实施,来观察未实施政策的效果毕伍唯。合成控制法,双重差分法,都是基于寻找对照组手培的基本思想,评价实施政策的效果。
关于did回归和DID回归分析的介绍到此就结束了,不知道你从中找到你需要的信息了吗 ?如果你还想了解更多这方面的信息,记得收藏关注本站。