|
Angela镇楼，尽管是奔着CAROLE & TUESDAY去的，谁能想到被Angela圈了粉~ Angela的ED《not afraid》很好听。 Angela和Tao，意难平。  由于最近过于沉迷楠神的《政策信息学》， so 鸽了好久欸（理直气壮.JPG） 我们来完整操作一遍吧。 PSM-DID，本质就是先利用PSM的手段进行分组，再利用DID计算政策效应。 outline一、变量介绍及基础准备 二、计算p-score
三、匹配前后的平衡情况
四、双重差分 一、变量介绍及基础准备因变量：政策实施可能带来的影响Y。 实验处理效应：是否实施某项政策（要求treatment effect严格外生，不存在内生性问题）。 匹配变量（协变量）：使用尽可能多的协变量可以最大程度的满足“可忽略假设” 这里面可以认为实验处理效应D是一个格外关注的自变量，协变量Xi是控制变量。因此，对于Y和D的选择要直接相关，譬如说处理效应是“职业培训”，那么Y应该是工资；处理效应是“河长制”的建立，那么Y应该是河流治理水平；处理效应是“新药”，那么Y应该是寿命或者其他健康指标。 同样重要的是协变量的选取，有两大准则，首先当然和treatment effects垂直独立，其次是要在已有文献中研究能够对Y有影响的变量，譬如说
此外，协变量的选取也应该符合一般线性回归，不存在多重共线性，不存在内生性等问题。 第一步 安装程序 安装psmatch2，pscore diff 等程序 * Download and install Stata ado files for psmatch2、diff 【ssc install psmatch2, replace 第二步 变量定义 对自变量、因变量、treatment variable进行定义，如 * Define treatment, outcome, and independent variables global treatment treatment 这里面【breps】表示bootstrap抽样次数，一般200应该差不多。  *Define panel data variable encode city , gen(city2)  二、计算p-score之前的时候，小白上传的Ani Katchova老师的视频 里面的【pscore】程序，可以直接计算pscore
第一种 pscore程序* Propensity score matching with common support 这个程序会比陈强老师书里面提到的psmatch2可以输出更为详细的匹配得分计算细节 第一张表告知实验组和控制组的频次等基本情况  第二张表显示倾向得分计算情况，不过看样子默认是用probit reg，我们待会用logit计算看看  紧接着的note告诉我们common support的范围。  common support中的p-score的描述情况，包括百分位数，样本数，均值，峰度等等  这个还有一个显著的优势就是“分区块”，保证区块内的实验组和对照组的pscore不存在统计学差异  紧接着的就是平衡性检验，如果平衡性检验通过了，就是黑色的字体告诉你“satisfied”，如果不满足就会是红色的warning字体，告诉你“unsatisfied”  如果遇到unsatisfied的情况，会告诉你是因为你选择的那个协变量导致common support过低，平衡性检验不通过，这时候我的建议是删除这个协变量。 回到data视图，可以看见新增了三个变量  第二步 进行匹配 ①匹配方法选择 在实际进行匹配中，究竟应使用哪种具体方法或参数（比如k临近匹配的k取值，是否放回，如何处理并列），目前文献中尚未明确指明。一般认为，根据具体数据来选择具体方法。比如控制组个体不多，则应该进行有放回的匹配，如果存在较多具有可比性的控制组个体，则考虑一对多或核匹配，以提高匹配效率。在实践中，一般建议尝试不同的匹配方法，然后比较其结果（类似于敏感性分析）；如果不同方法的结果相似，说明结果是稳健的，不依赖于具体方法，如果差异较大，则需要考察具体出现的原因。 我们看其他学者的做法，也是直接汇报采用了哪一种匹配方法
所以说，大家都没有说明为什么选这个方法。。。。 所以比较tricky的做法就是，把所有匹配方法都做一下，哪个效果最好汇报哪一个咯~ 本狗程序见下 * Nearest neighbor matching * Radius matching * Kernel Matching kernel matching运行起来好慢好慢好慢好慢好慢啊 * Stratification Matching 第二种 psmatch2程序psmatch2可以直接选择匹配的方法。程序的介绍详见陈强老师P545页。 需要注意的是，
采用不同的匹配方法 * Matching methods * K neighbor matching K临近匹配 psmatch2 treatment $xlist, neighbor(1) logit out(score) 会输出很多新的变量 如果我们选择【psmatch2 treatment $xlist, neighbor(1) logit ate common out(score)】 会多输出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 第三种 nnmatch程序一些学者还喜欢借鉴Abadie et al.（2004）的研究，采用“k 近邻匹配”（k=4）方法；匹配时不允许并列，当存在倾向得分相同的并列个体， 按照数据排序选择；并选择作为匹配的特征变量。 记得安装一下nnmatch 程序安装*Abadie et al.（2004）的程序 nnmatch score treatment $xlist, tc(att) m(4) bias(bias) 这个程序运行起来会比较慢。bias可以不用。 原文示例小白自己的结果见下。 三、匹配前后的平衡情况在进行PSM-DID 估计前，还需进行模型有效性检验。其中首先需要检验匹配后各变量实验组和控制组是否变得平衡， 也就是说实验组和控制组协变量的均值在匹配后是否具有显著差异。如果不存在显著差异，则支持使用PSM-DID 方法。 H0:实验组与控制组协变量之间无显著差异。 第一种 psmatch2后估计刚才的psmatch2还有一个优点就是，自带两个“估计后命令”（post-estimation commands），分别用来检验匹配后数据是否平衡，以及画图显示倾向得分的共同取值范围。 输入 【pstest $xlist, both graph】 会输出两张表，第一张介绍匹配前后不同维度的协变量的t检验。结果非常理想。 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). 可以看见，match以后，所有的协变量T检验都不显著了。 其次就是输出匹配前后的对比图 重点看匹配以后的值是否接近0，一般只要小于10%就可以接受。 另外一个post-estimation command 是直方图 输入【psgraph, bin(20)】 这个图有点奇怪，没有区分on support和off support。没有查到原因， 要不然正常情况下输出应该是这样的 第二种 绘制匹配前的密度函数图第一步，绘制匹配前的密度函数图 *-(a)before matching: 匹配前的密度函数图 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("倾向得分值") /// xscale(titlegap(2)) /// xlabel(0(0.2)0.8, format(%2.1f)) /// legend(label(1 "实验组") label(2 "控制组") row(2) /// position(12) ring(0)) /// scheme(s1mono) graph export "01.wmf", replace fontface("Times New Roman") 效果图见下： 第二步，绘制匹配后的倾向得分图 采用psmatch2计算匹配后的p-score psmatch2 t $xlist, neighbor(1) logit out(score) *-(b)after matching: 匹配后的密度函数图 twoway (kdensity _ps if treatment==1,lp(solid) lw(*2.5)) /// (kdensity _ps if treatment==0&_wei!=.,lp(dash) lw(*2.5)), /// ytitle("核密度") ylabel(,angle(0)) /// xtitle("倾向得分值") xscale(titlegap(2)) /// xlabel(0(0.2)0.8, format(%2.1f)) /// legend(label(1 "实验组") label(2 "控制组") row(2) /// position(12) ring(0)) /// scheme(s1mono) graph export "02.wmf", replace fontface("Times New Roman") 效果图见下： 在匹配后实验组和控制组倾向得分值的概率密度已经比较接近，说明匹配效果较好。因此，在共同支撑假设基础上进一步证明了PSM-DID方法的可行性和合理性。 第三种 diff里面的test support*检验匹配后各变量实验组和控制组是否变得平衡 diff score,t($treatment) p(t_2012) kernel id(city2) logit cov($xlist) test support 判断匹配过程的有效性主要可以从匹配前后的t 统计量的变化、匹配前后标准偏差的变化两个方面来看：①从t 统计量的变化中可以发现，特征变量在匹配之后均不再具有显著差异【红色方框显示】。从各协变量的检验结果看，匹配后所有变量均不存在显著性差异，而结果变量score存在十分显著的差异，从而证明使用PSM-DID 方法是合理的。 ②匹配后标准偏差的绝对值越小，说明匹配的效果越好；Rosenbaum and Rubin（1985）认为若匹配后标准偏差的绝对值能够小于20%，则匹配处理是有效的。根据匹配过程中处理组与对照组的平衡性检验结果，差不多20%，还差一点点理想。 【diff score,t($treatment) p(t_2012) kernel id(city2) logit cov($xlist) report support】 上面这个表格还可以进一步整理成为类似下面的表格 四、双重差分一、没有匹配的普通差分
倍差法（Difference-in-Differences）不要求假设实验组和控制组样本在实验前同质，它是在假设实验组和控制组前后变化趋势相同的情况下，通过两次差分来计算实验处理效应对实验组的平均处理效应ATT（Blundell R. and Dias M. C.，2002）。但是采用倍差法的假设是遵循“共同趋势”假设，否则参数估计结果会有偏差（Heckman et al.，1998）。 尽管刚才我们提到了【diff】，但我们还是follow Jiahuan Lu（2015）等学者的做法，手工计算。
写出DID的回归方程 Y= β0+β1Treatment + β2Policy+ β3Treatment *Policy+εit 其中policy表示政策效果，为政策效果虚拟变量，实施某政策前为0，实施后为1。 汇报表格也和Jiahuan Lu（2015）一样，首先汇报DID结果 程序【xtreg $ylist t_2012 treatment jh $xlist,re r】 其中，t_2012是上面的政策效果虚拟变量，2012年及以前为0，2012年以后为1 jh为政策效果虚拟变量和实验效果的交互项。 交互项显著表示政策效果有效。 二、匹配以后的差分 我们采用一对一无放回邻匹配 程序 【psmatch2 treatment $xlist, neighbor(1) logit ate common out(score) noreplacement】 结果会多出来几个变量，其中比较重要的是生产了新的对照组 PSM-DID是指基于PSM结果进行的DID。 所以DID的程序是一样的，只不过变量改变了。 生成新的交互项 gen newjh=_treated*t_2012 再跑一遍DID xtreg $ylist t_2012 _treated newjh $xlist,re r, if _support==1 一般而言不会再去汇报普通DID的结果了，直接汇报PSM-DID结果。和刚才的普通DID相比，样本量显著的降低了。但是交互项的显著性还是不变的。 完结撒花✿✿ヽ(°▽°)ノ✿ 关于PSM-DID我还是一知半解，如果有比较了解的大佬，还望帮忙挑出毛病和指导一下~~参考文献田利辉,王可第.社会责任信息披露的“掩饰效应”和上市公司崩盘风险——来自中国股票市场的DID-PSM分析[J].管理世界,2017(11):146-157. 李贲,吴利华.开发区设立与企业成长:异质性与机制研究[J].中国工业经济,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,卫平,刘建江.智慧城市建设能否降低环境污染[J].中国工业经济,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.行政审批制度改革可以提升地方政府绩效吗?——基于中国15个副省级城市2001—2015年面板数据的分析[J].公共行政评论,2019,12(03):118-138+192-193. 徐志刚,宁可,钟甫宁,纪月清.新农保与农地转出:制度性养老能替代土地养老吗?——基于家庭人口结构和流动性约束的视角[J].管理世界,2018,34(05):86-97+180. 彩蛋先获得每年的处理组和对照组样本，如果使用的是“渐进式”DID 方法，需要将样本按照进入年份逐年进行匹配。 我前几天无所事事查文献的时候，看见了Gary King 18年的这篇《Why Propensity Scores Should Not Be Used for Matching》，还是比较新。虽然看见Gary king我就想起他提出的半监督学习的Readme程序bug过多，害我花了很久时间都没有搞出来（记小本本），但是我还是仔细拜读了一下。总体和我们这篇操作是唱反调的，p-score不适用匹配。 感悟其实刚开始接触PSM-DID的时候走了很多很多很多很多弯路啊。这篇专栏一度流产。知道论文的ddl来了。。我果然还是ddl驱动的。 最大的感悟就是，JPART不愧是我最爱的期刊。 真的，管理世界和JPART这两个期刊对学方法的人来说简直太友好了，每一个步骤都讲得很详细，AJPS经管“数据公开”，可是经常复制不出来文章中的结果，很多书里面的都是理论，没有操作细节。JPART就好圈粉。detailedly&systemly。 尤其是Jiahuan Lu（2015）的这篇文章太令我感动了，比较少人在跑回归前还检验异方差并校正，都是直接用个robust或者普通ols。说好的跑ols要满足高斯马尔科夫定理，但是很少人遵守。感动。T^T 我一定要强迫我们南霸天老师也看！！！！ 吃我安利！！！！！！！ 小白和南霸天的日常Angela结尾。
|
|
|
来自： 晶晶晶晶323 > 《双重差分（DID）》
