如截面DID平行趋势检验所示，在进行DID研究时，通常使用图形诊断和检验来补充回归分析，以提供证据，说明估计效果是否可以给出因果解释。正如在DID介绍中所讨论的，我们希望观察到治疗组和对照组在治疗前的平均结果彼此相似。这通常被称为平行趋势或共同趋势假设。 我们还想确定，无论是对照组还是治疗组，都没有因预期治疗而改变他们的行为。这是通过格兰杰检验来评估的。 下面，我们使用模拟数据来说明didregress和didregress后可用的诊断和测试。模拟数据帮助我们确切地知道我们应该期望什么以及如何解释它。 假设我们有一个有10个时间点的面板数据集，用t1表示，其中治疗发生在t1 = 5和t1 = 6之间。我们有一组协变量，x1 x2，和一个结果y1。结果可以是病人满意度，如例子1，或者美国发明家申请的专利数量，如例子3。 导入数据 进行DID分析 这个结果有效吗?我们首先可以绘图来探讨平行趋势的假设，比较对照组和治疗组在治疗日期前的结果变量的轨迹。我们可以通过绘制两组结果随时间变化的平均值，或者通过可视化线性趋势模型的结果来验证这个假设。我们可以使用统计趋势图来执行这两种诊断检查。 观察图表(图2左侧)，对照组和治疗组在治疗前的结果轨迹略有不同。虽然我们可以观察到两组的下降趋势，但看起来对照组的下降速度更快， 尤其是在三点到五点之间。通过查看图2右侧的线性趋势模型的结果，我们可以更清楚地了解这一点。组水平的轨迹显示了一个共同的参考点，t1 = 1，这使得很容易辨别他们是否平行。在这种情况下，我们可以看到它们不是。治疗组和对照组之间的差异随着时间的推移越来越大，直到t1 = 5(在评估平行趋势假设时，治疗后的时间周期并不相关)。仅从图2判断，我们应该关注平行趋势假设是否适用于我们的效果估计。 评估预处理轨迹是否平行的一种更正式的方法是对线性趋势模型系数进行测试，以捕获处理后和对照组之间趋势的差异。如果预处理趋势在两组中实际上都是线性的，那么这个系数将为0，因为两组之间的斜率没有差异。因此，通过对0检验这个系数，我们可以检验前处理阶段轨迹是平行的零假设。我们可以使用estat ptrends来执行这个测试: 我们拒绝线性趋势平行的零假设。 我们也可以把不平行看作是预期治疗效果的指示。我们看到这些趋势在治疗开始前并不平行，这甚至可以在治疗实施前就表明治疗效果。 因此，另一种陈述我们平行趋势假设的方法是，在预期的治疗中不应该有治疗效果。为了验证这一假设，我们可以拟合格兰杰型因果模型，在该模型中，我们使用虚拟变量来表明治疗前每一段时间的未来治疗状态。这些虚拟变量的系数对0的联合检验可以用来检验没有发生预期效果的零假设。我们可以使用estat granger执行这个测试: 结果表明，我们拒绝治疗前没有预期效果的零假设。因此，根据统计趋势和统计格兰杰的结果，我们认为应该关注ATET的识别。 注意，平行趋势F检验只消耗1个分子自由度，而格兰杰因果关系F检验消耗4个分子自由度。这是因为我们有5个预处理时间段，因此有4个系数需要测试。在本例中，两种测试都是合适的，但是并行趋势测试具有更高的统计能力。然而，正如我们将在下文中看到的那样，格兰杰检验更为灵活，可用于预处理期间治疗组和对照组之间的差异是非线性的情况。 |
|
|
