|
Angela鎮(zhèn)樓，盡管是奔著CAROLE & TUESDAY去的，誰(shuí)能想到被Angela圈了粉~ Angela的ED《not afraid》很好聽(tīng)。 Angela和Tao，意難平。  由于最近過(guò)于沉迷楠神的《政策信息學(xué)》， so 鴿了好久欸（理直氣壯.JPG） 我們來(lái)完整操作一遍吧。 PSM-DID，本質(zhì)就是先利用PSM的手段進(jìn)行分組，再利用DID計(jì)算政策效應(yīng)。 outline一、變量介紹及基礎(chǔ)準(zhǔn)備 二、計(jì)算p-score
三、匹配前后的平衡情況
四、雙重差分 一、變量介紹及基礎(chǔ)準(zhǔn)備因變量：政策實(shí)施可能帶來(lái)的影響Y。 實(shí)驗(yàn)處理效應(yīng)：是否實(shí)施某項(xiàng)政策（要求treatment effect嚴(yán)格外生，不存在內(nèi)生性問(wèn)題）。 匹配變量（協(xié)變量）：使用盡可能多的協(xié)變量可以最大程度的滿足“可忽略假設(shè)” 這里面可以認(rèn)為實(shí)驗(yàn)處理效應(yīng)D是一個(gè)格外關(guān)注的自變量，協(xié)變量Xi是控制變量。因此，對(duì)于Y和D的選擇要直接相關(guān)，譬如說(shuō)處理效應(yīng)是“職業(yè)培訓(xùn)”，那么Y應(yīng)該是工資；處理效應(yīng)是“河長(zhǎng)制”的建立，那么Y應(yīng)該是河流治理水平；處理效應(yīng)是“新藥”，那么Y應(yīng)該是壽命或者其他健康指標(biāo)。 同樣重要的是協(xié)變量的選取，有兩大準(zhǔn)則，首先當(dāng)然和treatment effects垂直獨(dú)立，其次是要在已有文獻(xiàn)中研究能夠對(duì)Y有影響的變量，譬如說(shuō)
此外，協(xié)變量的選取也應(yīng)該符合一般線性回歸，不存在多重共線性，不存在內(nèi)生性等問(wèn)題。 第一步 安裝程序 安裝psmatch2，pscore diff 等程序 * Download and install Stata ado files for psmatch2、diff 【ssc install psmatch2, replace 第二步 變量定義 對(duì)自變量、因變量、treatment variable進(jìn)行定義，如 * Define treatment, outcome, and independent variables global treatment treatment 這里面【breps】表示bootstrap抽樣次數(shù)，一般200應(yīng)該差不多。  *Define panel data variable encode city , gen(city2)  二、計(jì)算p-score之前的時(shí)候，小白上傳的Ani Katchova老師的視頻 里面的【pscore】程序，可以直接計(jì)算pscore
第一種 pscore程序* Propensity score matching with common support 這個(gè)程序會(huì)比陳強(qiáng)老師書(shū)里面提到的psmatch2可以輸出更為詳細(xì)的匹配得分計(jì)算細(xì)節(jié) 第一張表告知實(shí)驗(yàn)組和控制組的頻次等基本情況  第二張表顯示傾向得分計(jì)算情況，不過(guò)看樣子默認(rèn)是用probit reg，我們待會(huì)用logit計(jì)算看看  緊接著的note告訴我們common support的范圍。  common support中的p-score的描述情況，包括百分位數(shù)，樣本數(shù)，均值，峰度等等  這個(gè)還有一個(gè)顯著的優(yōu)勢(shì)就是“分區(qū)塊”，保證區(qū)塊內(nèi)的實(shí)驗(yàn)組和對(duì)照組的pscore不存在統(tǒng)計(jì)學(xué)差異  緊接著的就是平衡性檢驗(yàn)，如果平衡性檢驗(yàn)通過(guò)了，就是黑色的字體告訴你“satisfied”，如果不滿足就會(huì)是紅色的warning字體，告訴你“unsatisfied”  如果遇到unsatisfied的情況，會(huì)告訴你是因?yàn)槟氵x擇的那個(gè)協(xié)變量導(dǎo)致common support過(guò)低，平衡性檢驗(yàn)不通過(guò)，這時(shí)候我的建議是刪除這個(gè)協(xié)變量。 回到data視圖，可以看見(jiàn)新增了三個(gè)變量  第二步 進(jìn)行匹配 ①匹配方法選擇 在實(shí)際進(jìn)行匹配中，究竟應(yīng)使用哪種具體方法或參數(shù)（比如k臨近匹配的k取值，是否放回，如何處理并列），目前文獻(xiàn)中尚未明確指明。一般認(rèn)為，根據(jù)具體數(shù)據(jù)來(lái)選擇具體方法。比如控制組個(gè)體不多，則應(yīng)該進(jìn)行有放回的匹配，如果存在較多具有可比性的控制組個(gè)體，則考慮一對(duì)多或核匹配，以提高匹配效率。在實(shí)踐中，一般建議嘗試不同的匹配方法，然后比較其結(jié)果（類(lèi)似于敏感性分析）；如果不同方法的結(jié)果相似，說(shuō)明結(jié)果是穩(wěn)健的，不依賴于具體方法，如果差異較大，則需要考察具體出現(xiàn)的原因。 我們看其他學(xué)者的做法，也是直接匯報(bào)采用了哪一種匹配方法
所以說(shuō)，大家都沒(méi)有說(shuō)明為什么選這個(gè)方法。。。。 所以比較tricky的做法就是，把所有匹配方法都做一下，哪個(gè)效果最好匯報(bào)哪一個(gè)咯~ 本狗程序見(jiàn)下 * Nearest neighbor matching * Radius matching * Kernel Matching kernel matching運(yùn)行起來(lái)好慢好慢好慢好慢好慢啊 * Stratification Matching 第二種 psmatch2程序psmatch2可以直接選擇匹配的方法。程序的介紹詳見(jiàn)陳強(qiáng)老師P545頁(yè)。 需要注意的是，
采用不同的匹配方法 * Matching methods * K neighbor matching K臨近匹配 psmatch2 treatment $xlist, neighbor(1) logit out(score) 會(huì)輸出很多新的變量 如果我們選擇【psmatch2 treatment $xlist, neighbor(1) logit ate common out(score)】 會(huì)多輸出ATU ATE以及_score -n1等值 * Radius matching psmatch2 treatment $xlist, radius logit * Kernel Matching psmatch2 treatment $xlist, kernel logit 欸，用psmatch2的kernel匹配比pscore程序快很多欸 第三種 nnmatch程序一些學(xué)者還喜歡借鑒Abadie et al.（2004）的研究，采用“k 近鄰匹配”（k=4）方法；匹配時(shí)不允許并列，當(dāng)存在傾向得分相同的并列個(gè)體， 按照數(shù)據(jù)排序選擇；并選擇作為匹配的特征變量。 記得安裝一下nnmatch 程序安裝*Abadie et al.（2004）的程序 nnmatch score treatment $xlist, tc(att) m(4) bias(bias) 這個(gè)程序運(yùn)行起來(lái)會(huì)比較慢。bias可以不用。 原文示例小白自己的結(jié)果見(jiàn)下。 三、匹配前后的平衡情況在進(jìn)行PSM-DID 估計(jì)前，還需進(jìn)行模型有效性檢驗(yàn)。其中首先需要檢驗(yàn)匹配后各變量實(shí)驗(yàn)組和控制組是否變得平衡， 也就是說(shuō)實(shí)驗(yàn)組和控制組協(xié)變量的均值在匹配后是否具有顯著差異。如果不存在顯著差異，則支持使用PSM-DID 方法。 H0:實(shí)驗(yàn)組與控制組協(xié)變量之間無(wú)顯著差異。 第一種 psmatch2后估計(jì)剛才的psmatch2還有一個(gè)優(yōu)點(diǎn)就是，自帶兩個(gè)“估計(jì)后命令”（post-estimation commands），分別用來(lái)檢驗(yàn)匹配后數(shù)據(jù)是否平衡，以及畫(huà)圖顯示傾向得分的共同取值范圍。 輸入 【pstest $xlist, both graph】 會(huì)輸出兩張表，第一張介紹匹配前后不同維度的協(xié)變量的t檢驗(yàn)。結(jié)果非常理想。 Ideally, after the matching procedure, the absolute standardized difference of covariate means should be less than 5%, and the t-statistic should no longer be significant (D’Agostino 1998; Haviland, Nagin, and Rosenbaum 2007). 可以看見(jiàn)，match以后，所有的協(xié)變量T檢驗(yàn)都不顯著了。 其次就是輸出匹配前后的對(duì)比圖 重點(diǎn)看匹配以后的值是否接近0，一般只要小于10%就可以接受。 另外一個(gè)post-estimation command 是直方圖 輸入【psgraph, bin(20)】 這個(gè)圖有點(diǎn)奇怪，沒(méi)有區(qū)分on support和off support。沒(méi)有查到原因， 要不然正常情況下輸出應(yīng)該是這樣的 第二種 繪制匹配前的密度函數(shù)圖第一步，繪制匹配前的密度函數(shù)圖 *-(a)before matching: 匹配前的密度函數(shù)圖 twoway (kdensity _ps if treatment==1,lp(solid) lw(*2.5)) /// (kdensity _ps if treatment==0,lp(dash) lw(*2.5)), /// ytitle("核密度") /// ylabel(,angle(0)) /// xtitle("傾向得分值") /// xscale(titlegap(2)) /// xlabel(0(0.2)0.8, format(%2.1f)) /// legend(label(1 "實(shí)驗(yàn)組") label(2 "控制組") row(2) /// position(12) ring(0)) /// scheme(s1mono) graph export "01.wmf", replace fontface("Times New Roman") 效果圖見(jiàn)下： 第二步，繪制匹配后的傾向得分圖 采用psmatch2計(jì)算匹配后的p-score psmatch2 t $xlist, neighbor(1) logit out(score) *-(b)after matching: 匹配后的密度函數(shù)圖 twoway (kdensity _ps if treatment==1,lp(solid) lw(*2.5)) /// (kdensity _ps if treatment==0&_wei!=.,lp(dash) lw(*2.5)), /// ytitle("核密度") ylabel(,angle(0)) /// xtitle("傾向得分值") xscale(titlegap(2)) /// xlabel(0(0.2)0.8, format(%2.1f)) /// legend(label(1 "實(shí)驗(yàn)組") label(2 "控制組") row(2) /// position(12) ring(0)) /// scheme(s1mono) graph export "02.wmf", replace fontface("Times New Roman") 效果圖見(jiàn)下： 在匹配后實(shí)驗(yàn)組和控制組傾向得分值的概率密度已經(jīng)比較接近，說(shuō)明匹配效果較好。因此，在共同支撐假設(shè)基礎(chǔ)上進(jìn)一步證明了PSM-DID方法的可行性和合理性。 第三種 diff里面的test support*檢驗(yàn)匹配后各變量實(shí)驗(yàn)組和控制組是否變得平衡 diff score,t($treatment) p(t_2012) kernel id(city2) logit cov($xlist) test support 判斷匹配過(guò)程的有效性主要可以從匹配前后的t 統(tǒng)計(jì)量的變化、匹配前后標(biāo)準(zhǔn)偏差的變化兩個(gè)方面來(lái)看：①?gòu)膖 統(tǒng)計(jì)量的變化中可以發(fā)現(xiàn)，特征變量在匹配之后均不再具有顯著差異【紅色方框顯示】。從各協(xié)變量的檢驗(yàn)結(jié)果看，匹配后所有變量均不存在顯著性差異，而結(jié)果變量score存在十分顯著的差異，從而證明使用PSM-DID 方法是合理的。 ②匹配后標(biāo)準(zhǔn)偏差的絕對(duì)值越小，說(shuō)明匹配的效果越好；Rosenbaum and Rubin（1985）認(rèn)為若匹配后標(biāo)準(zhǔn)偏差的絕對(duì)值能夠小于20%，則匹配處理是有效的。根據(jù)匹配過(guò)程中處理組與對(duì)照組的平衡性檢驗(yàn)結(jié)果，差不多20%，還差一點(diǎn)點(diǎn)理想。 【diff score,t($treatment) p(t_2012) kernel id(city2) logit cov($xlist) report support】 上面這個(gè)表格還可以進(jìn)一步整理成為類(lèi)似下面的表格 四、雙重差分一、沒(méi)有匹配的普通差分
倍差法（Difference-in-Differences）不要求假設(shè)實(shí)驗(yàn)組和控制組樣本在實(shí)驗(yàn)前同質(zhì)，它是在假設(shè)實(shí)驗(yàn)組和控制組前后變化趨勢(shì)相同的情況下，通過(guò)兩次差分來(lái)計(jì)算實(shí)驗(yàn)處理效應(yīng)對(duì)實(shí)驗(yàn)組的平均處理效應(yīng)ATT（Blundell R. and Dias M. C.，2002）。但是采用倍差法的假設(shè)是遵循“共同趨勢(shì)”假設(shè)，否則參數(shù)估計(jì)結(jié)果會(huì)有偏差（Heckman et al.，1998）。 盡管剛才我們提到了【diff】，但我們還是follow Jiahuan Lu（2015）等學(xué)者的做法，手工計(jì)算。
寫(xiě)出DID的回歸方程 Y= β0+β1Treatment + β2Policy+ β3Treatment *Policy+εit 其中policy表示政策效果，為政策效果虛擬變量，實(shí)施某政策前為0，實(shí)施后為1。 匯報(bào)表格也和Jiahuan Lu（2015）一樣，首先匯報(bào)DID結(jié)果 程序【xtreg $ylist t_2012 treatment jh $xlist,re r】 其中，t_2012是上面的政策效果虛擬變量，2012年及以前為0，2012年以后為1 jh為政策效果虛擬變量和實(shí)驗(yàn)效果的交互項(xiàng)。 交互項(xiàng)顯著表示政策效果有效。 二、匹配以后的差分 我們采用一對(duì)一無(wú)放回鄰匹配 程序 【psmatch2 treatment $xlist, neighbor(1) logit ate common out(score) noreplacement】 結(jié)果會(huì)多出來(lái)幾個(gè)變量，其中比較重要的是生產(chǎn)了新的對(duì)照組 PSM-DID是指基于PSM結(jié)果進(jìn)行的DID。 所以DID的程序是一樣的，只不過(guò)變量改變了。 生成新的交互項(xiàng) gen newjh=_treated*t_2012 再跑一遍DID xtreg $ylist t_2012 _treated newjh $xlist,re r, if _support==1 一般而言不會(huì)再去匯報(bào)普通DID的結(jié)果了，直接匯報(bào)PSM-DID結(jié)果。和剛才的普通DID相比，樣本量顯著的降低了。但是交互項(xiàng)的顯著性還是不變的。 完結(jié)撒花??ヽ(°▽°)ノ? 關(guān)于PSM-DID我還是一知半解，如果有比較了解的大佬，還望幫忙挑出毛病和指導(dǎo)一下~~參考文獻(xiàn)田利輝,王可第.社會(huì)責(zé)任信息披露的“掩飾效應(yīng)”和上市公司崩盤(pán)風(fēng)險(xiǎn)——來(lái)自中國(guó)股票市場(chǎng)的DID-PSM分析[J].管理世界,2017(11):146-157. 李賁,吳利華.開(kāi)發(fā)區(qū)設(shè)立與企業(yè)成長(zhǎng):異質(zhì)性與機(jī)制研究[J].中國(guó)工業(yè)經(jīng)濟(jì),2018(04):79-97. Lu J. The performance of performance-based contracting in human services: a quasi-experiment[J]. Journal of Public Administration Research and Theory, 2015, 26(2): 277-293. 石大千,丁海,衛(wèi)平,劉建江.智慧城市建設(shè)能否降低環(huán)境污染[J].中國(guó)工業(yè)經(jīng)濟(jì),2018(06):117-135. Urban C, Niebler S. Dollars on the Sidewalk: Should US Presidential Candidates Advertise in Uncontested States?[J]. American Journal of Political Science, 2014, 58(2): 322-336. 何文盛,姜雅婷,唐序康.行政審批制度改革可以提升地方政府績(jī)效嗎?——基于中國(guó)15個(gè)副省級(jí)城市2001—2015年面板數(shù)據(jù)的分析[J].公共行政評(píng)論,2019,12(03):118-138+192-193. 徐志剛,寧可,鐘甫寧,紀(jì)月清.新農(nóng)保與農(nóng)地轉(zhuǎn)出:制度性養(yǎng)老能替代土地養(yǎng)老嗎?——基于家庭人口結(jié)構(gòu)和流動(dòng)性約束的視角[J].管理世界,2018,34(05):86-97+180. 彩蛋先獲得每年的處理組和對(duì)照組樣本，如果使用的是“漸進(jìn)式”DID 方法，需要將樣本按照進(jìn)入年份逐年進(jìn)行匹配。 我前幾天無(wú)所事事查文獻(xiàn)的時(shí)候，看見(jiàn)了Gary King 18年的這篇《Why Propensity Scores Should Not Be Used for Matching》，還是比較新。雖然看見(jiàn)Gary king我就想起他提出的半監(jiān)督學(xué)習(xí)的Readme程序bug過(guò)多，害我花了很久時(shí)間都沒(méi)有搞出來(lái)（記小本本），但是我還是仔細(xì)拜讀了一下?？傮w和我們這篇操作是唱反調(diào)的，p-score不適用匹配。 感悟其實(shí)剛開(kāi)始接觸PSM-DID的時(shí)候走了很多很多很多很多彎路啊。這篇專欄一度流產(chǎn)。知道論文的ddl來(lái)了。。我果然還是ddl驅(qū)動(dòng)的。 最大的感悟就是，JPART不愧是我最?lèi)?ài)的期刊。 真的，管理世界和JPART這兩個(gè)期刊對(duì)學(xué)方法的人來(lái)說(shuō)簡(jiǎn)直太友好了，每一個(gè)步驟都講得很詳細(xì)，AJPS經(jīng)管“數(shù)據(jù)公開(kāi)”，可是經(jīng)常復(fù)制不出來(lái)文章中的結(jié)果，很多書(shū)里面的都是理論，沒(méi)有操作細(xì)節(jié)。JPART就好圈粉。detailedly&systemly。 尤其是Jiahuan Lu（2015）的這篇文章太令我感動(dòng)了，比較少人在跑回歸前還檢驗(yàn)異方差并校正，都是直接用個(gè)robust或者普通ols。說(shuō)好的跑ols要滿足高斯馬爾科夫定理，但是很少人遵守。感動(dòng)。T^T 我一定要強(qiáng)迫我們南霸天老師也看?。。?！ 吃我安利?。。。。。?！ 小白和南霸天的日常Angela結(jié)尾。
|
|
|
來(lái)自： 晶晶晶晶323 > 《雙重差分（DID）》
