Revisiting the Difference

Jingyqxzyb8316 2022-01-25

展开全文

在我的上一篇文章中，我讨论了差异研究中差异前趋势的测试。假设我们发现治疗组和对照组的治疗前趋势不同。或者我们处于检测平行趋势的重要违规行为的能力很低的情况下。或者我们有理由认为，即使治疗前趋势相同，经济中的其他一些冲击也可能导致治疗后趋势不同。例如，假设我们正在研究一项青年就业计划的影响，在干预前几个月，治疗组的就业率每月增长 2%，而对照组的就业率增长每月只有 1%，因此趋势差异为每月 1%。因此平行趋势不成立。我们还能做DiD吗？

Rambachan 和 Roth (2019) 的一篇新论文（Roth 的就业市场论文）解决了伊斯兰国起诉。他们指出，一种方法是假设趋势中预先存在的差异仍然存在，然后简单地推断出来。因此，在我的就业示例中，我们可以假设每月 1% 的趋势差异将继续保持，因此如果干预后对照组的就业增长率为每月 3%，我们将假设处理组的就业将以每月 4% 的速度增长，并将实际就业率与这个反事实进行比较。这一假设如下图 1 的左侧所示，该假设假设任何预先存在的趋势差异都可以精确推断。然而，假设治疗前的趋势差异完全是一个非常强的假设，特别是如果我们没有很多治疗前的时间来观察这一点。Rambachan 和 Roth 建议，研究人员可能希望考虑到与这种预先存在的趋势存在一定程度偏差的稳健性，因此线性外推法只需要“大致”正确，而不是完全正确。在图 1 的右侧，th是通过允许趋势与预先存在的趋势非线性地偏离 M 量来实现的——我们使 M 越大，偏离预先存在的趋势越多。

然后他们的论文表明，给定 M，我们可以确定感兴趣的治疗参数的置信度集 - th伊斯兰国部分识别方法。然后，研究人员还可以找到并报告故障点——在我们不再拒绝零之前，需要与预先存在的趋势差异有多大的偏差。下面的图 8 来自他们的论文，说明了这在实践中是如何工作的。他们考虑了教师集体谈判改革对就业的影响，其中男性似乎存在平行趋势，但女性则存在预先存在的负面趋势。图的左侧以蓝色显示了男性的 DiD 估计值，在 M=0 处以红色显示了类似的区间（预先存在趋势的线性外推），然后随着我们允许越来越多的偏差而变得更宽的区间趋势。相比之下，对于女性来说，

图 2

估计涉及解决嵌套优化问题，因此不仅仅是将不同的线性预趋势插入 OLS 回归的问题。作者已经编写了R 代码 HonestDiD，它将为您完成此操作（并希望在适当的时候编写一些 Stata 代码）。他们的论文还讨论了如何通过使用前趋势、安慰剂组和经济理论，为可能出现的平行趋势偏差提出合理的基准；以及研究人员可能希望对前趋势施加的其他类型的限制，例如单调性。这意味着您现在不仅可以断言平行趋势成立，还可以显示您的结果对于偏离该假设的稳健性。

Bilinski 和 Hatfield (2019)提供了第二种相关方法。由于两个方向的问题，他们建议不要依赖传统的平行趋势预测试：

· 如果我们不能拒绝平行趋势，在很多情况下是因为功率低，如上一篇博文中所述。

· 但是，如果功率很高，并且我们拒绝平行趋势，这并不能告诉我们太多关于违规的程度以及它是否对结果很重要——如果样本足够大，趋势前的微小差异将导致拒绝的平行趋势。

相反，他们提出了一个“一步到位”的模式。这里的想法是首先报告来自 DiD 模型的治疗效果估计值，该模型具有比您想象的更复杂的趋势差异——因此，如果您认为存在平行趋势，请首先估计一个模型，该模型允许两组具有线性通过包含线性趋势差异，具有不同斜率的趋势。然后将其与更简单的模型（例如假设平行趋势）进行比较，并测试两个模型之间的治疗效果差异是否落在某个指定距离内。这里的一个关键问题是确定什么构成了“大”差异——这将带你回到上面显示的图表类型，它检查了与平行趋势不同程度偏差的稳健性。作者的 R 代码正在建设中，将可用这里。

他们进一步指出，我们应该对估计的治疗效果有多大信心取决于反事实外推的可靠性。钍伊斯兰国在审查平价医疗法案的受抚养人保险授权的申请中很好地说明了这一点。假设我们有一个事件研究图，如左侧的“任何健康保险”图。“通常”的 DiD 模型中估计的治疗效果为 3%，而具有线性趋势差异的模型估计治疗效果为 1%。由于这些差异很大，他们考虑了一个具有更复杂的样条趋势差异的模型，这会产生 4% 的更大的治疗效果估计值。样条模型在干预前的早期阶段发现了一个趋于平缓的分歧。但是，如果趋势只是在干预前的最后一部分几乎平行，我们可能不相信他们会在后期保持这种状态，在与前期平行/略微向下倾斜的时间范围内相同或更长的时间范围内。相比之下，在“相关覆盖”图中，具有线性和样条趋势差异的模型几乎相同，这为稳定的线性趋势差异提供了更强有力的证据。

图 3

第一种方法由Freyaldenhoven、Hansen 和 Shapiro（2019 年最近的 AER 论文中变量）。他们的解决方案是一种类似于工具的方案，例如，假设有人想研究最低变化对研究的影响。人民群众是，各州可能会在初出茅庐的时候，在经济的兴起时期，因此需求将带动地区黑人青年在协治区和地区之间出现分歧，即使没有出现工资的影响。他们找到的解决方案是一个变量变量的影响（比如学生就业），它也受其他因素影响，但不受政策影响（即，如果您认为低混变量影响就业）。的影响进行调整，从而提出政策变化。我估计并没有提供青年信服的例子，他们论文的第一个例子可能会导致其他人的想法：一个例子涉及 SNAP 的参与者和参与者的参与者和收入的二个数据集和结果决定了对家庭的数据集和结果，其中的数据集和 AP 和结果，影响主要是 SN 的影响，可能影响项目。提供了这种类似的家庭，因为他们一个案例案例：发现SNAP计划参与了对家庭的影响，主要数据参与和结果，影响了人们参与和参与家庭的活动，决定了 SNAP 项目参与和家庭的使用。美联社的第二个收入，因为他们的第二个案例和个人需要来发现参与调查，因为他们家庭和该参与者的支持，他们需要这样的例子，让成功的创业者群体。他们服他们的论文可能会导致这样的事件的发生SNAP 是和项目的参与者，可能会获得该项目的参与者和参与者的主要收入，这可能会吸引他们获得集资助。和收入的第二个使用 SNAP 的第二个参与者需要使用集合，可以通过线索来参与参与者将不会有SNAP和参与他们的主要项目参与者。数据。参与的第二个项目因为SNAP参与者和他们的参与，沮丧令人集会的的英文因为可能导致项目参与状语从句：参与的数据。他们可以使用收入线索来衡量参与，这需要假设家庭不会因为预期获得该计划而减少劳动力供应。他们的的Stata的代码在这里。

对应用工作的影响：

1.这些新的论文并不简单的相似倾向成立，或者说拒绝相似的趋势，仔细考虑项目的实际情况，并仔细考虑这些假设的性质。重要的是，当是否有理由对前趋倾向持证事情使用应有的这些方法，不管怎样而倾向于在查询查询结果类型之前确定查询查询结果。Manski和小便18年），他们研究携带法例的影响率，在2018年获得下法的效果，即在美国治疗这种情况下，没有与州内的政策变化率有关的情况，州的变化有多大不同。