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：

• 1、did模型可以用非平衡面板数据吗
• 2、did基准回归可以放哪些
• 3、双重差分模型DID 模型介绍
• 4、did可以用reg回归吗
• 5、双重差分法(DID)入门必看
• 6、政策评估用断点回归还是DiD

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。