文章目录

标准化流程
平行假设检验
效果评估
安慰剂检验

标准化流程

此前的文章介绍了双重差分法(difference-in-differences，DID）的原理，并说明了其是算法策略效果评估的有效方案之一。本文将主要描述DID的标准化流程，以及如何使用stata代码实现全流程。

先上标准化流程的全景图，然后再逐一理解。作为对比，此前文章里的代码只是实现了第二层中的“基本DID”模块。

在标准化流程中，一共包含三个模块：第一个模块是平行假设检验，主要任务是确保对照组和实验组在算法策略干预前，指标的变化趋势相同，这是DID的最基本前提；第二个模块是效果评估，旨在通过DID的演算，量化算法策略对指标的影响和显著性水平；第三个模块是安慰剂检验，其目标是检验效果评估模型中的结果是否受到了其他因素的影响。

安慰剂检验，这个名字乍一看，挺奇怪的，稍微解释一下。安慰剂多用于医学，通常是指病人虽然获得无效的治疗，但却让其 “预料” 或 “相信” 治疗有效，而让病患症状得到舒缓的现象。此处使用主要是为了避免实验组出现安慰剂效应，影响实验结果。

平行假设检验

绘制趋势图就是把对照组和实验组指标的历史变化趋势绘制出来，然后根据个人经验判断两者的变化趋势是否相同。该方法较为主观，不符合理工科的严谨习惯，因此本节主要介绍事件研究法。

先回顾一下DID的基本模型

Y i t = α + δ D i + λ T t + β ( D i × T t ) + ϵ i t Y_{it}=\alpha+\delta D_i+\lambda T_t+\beta(D_i \times T_t)+\epsilon_{it} Yit=α+δDi+λTt+β(Di×Tt)+ϵit
为了做平行假设检验，需要将模型调整为

Y i t = α + δ D i + λ T t + β ( D i × T t ) + ∑ μ i ⋅ y e a r i × D i + ϵ i t Y_{it}=\alpha+\delta D_i+\lambda T_t+\beta(D_i \times T_t)+\sum{\mu_i·year_i \times D_i}+\epsilon_{it} Yit=α+δDi+λTt+β(Di×Tt)+∑μi⋅yeari×Di+ϵit
相比基本模型，该项多了 ∑ μ i ⋅ y e a r i × D i \sum{\mu_i·year_i \times D_i} ∑μi⋅yeari×Di。此处， y e a r i year_i yeari为时间虚拟变量，当年观测年为1，其他年份为0； μ i \mu_i μi是对应的系数值。

做平行假设检验，主要看 μ i \mu_i μi是否显著不为0：如果至少一个值显著不为0，那么认为不满足平行假设检验；反之，则满足平行假设检验。

本文使用普林斯顿大学构造的DID数据：A、B、C、D、E、F和G是非常相似的7个地区，E、F和G三地在1994年实行了一项新政策，而A、B、C和D则没有实行，目标是评估新政策对指标y的影响。

以下为政策实施前的数据：

以下代码可以实现对 μ i \mu_i μi的计算，并且绘制平行检验的结果。

gen period = (year>=1994) & !missing(year) // 生成时间虚拟变量，1994年前为0,反之为1
gen treat = (country>4) & !missing(country) // 生成区域的虚拟变量，干预为1，反之为0
gen did = period * treat // 生成交叉项// 如果i = 1(1)4，后续绘图时，pre_i的顺序会不一致
gen policy = year - 1994
forvalues i = 4(-1)1{
gen pre_`i' = (policy == -`i' & treat == 1)
}// 回归计算
xtreg y pre_*, fe r// 绘制曲线图
est sto reg
coefplot reg, keep(pre_*) vertical recast(connect) yline(0)

先看一下 μ i \mu_i μi的结算结果：分别对应pre_4、pre_3和pre_2行、P>|t|列的数值，即0.442,0.369和0.602。这三个值均大于0.05，所以满足平行假设检验。

Fixed-effects (within) regression               Number of obs     =         28
Group variable: country                         Number of groups  =          7R-sq:                                           Obs per group:within  = 0.0673                                         min =          4between = 0.2121                                         avg =        4.0overall = 0.0118                                         max =          4F(2,6)            =          .
corr(u_i, Xb)  = -0.5136                        Prob > F          =          .(Std. Err. adjusted for 7 clusters in country)
------------------------------------------------------------------------------|               Robusty |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------pre_4 |  -2.12e+09   2.58e+09    -0.82   0.442    -8.44e+09    4.19e+09pre_3 |  -2.02e+09   2.08e+09    -0.97   0.369    -7.11e+09    3.07e+09pre_2 |  -1.19e+09   2.15e+09    -0.55   0.602    -6.45e+09    4.08e+09pre_1 |          0  (omitted)_cons |   1.69e+09   7.04e+08     2.40   0.053    -3.23e+07    3.41e+09
-------------+----------------------------------------------------------------sigma_u |  2.472e+09sigma_e |  2.588e+09rho |   .4771219   (fraction of variance due to u_i)
------------------------------------------------------------------------------

我们还可以看一下pre_4、pre_3和pre_2行，[95% Conf. Interval]两列的数据，下图绘制了这两列数据的范围。显然，都包含了0值，即通过了平行假设检验。

此处做一下额外说明：本节只使用政策干预前的数据做平行假设检验，而很多文献则是把干预前和干预后数据放在一起做平行假设检验，但是个人认为后者是不合理的，主要原因是：我们在实际操作时，需要先通过平行假设检验找出合适的对照组和实验组，然后再去做实验，此时并没有干预后数据。

接下来搞点事情：调整treat值，和之前恰好相反。然后再重新做一遍平行假设检验。

原理上来说，只是互换了实验组和对照组的身份，平行假设检验的结果应该是不变的。

gen period = (year>=1994) & !missing(year)
gen treat = (country<=4) & !missing(country) // treat的数值有变化
gen did = period * treat gen policy = year - 1994
forvalues i = 4(-1)1{
gen pre_`i' = (policy == -`i' & treat == 1)
}xtreg y pre_*, fe rest sto reg
coefplot reg, keep(pre_*) vertical recast(connect) yline(0)

但从计算结果上可以发现，pre2行对应的P>|t|值为0.006，小于0.05；[95% Conf. Interval]也已不包含0。即不再满足平行假设检验。

这和我们的直观认知是不符的。但是具体原因暂时并未探查到，如遇大神，望能不吝赐教。

Fixed-effects (within) regression               Number of obs     =         28
Group variable: country                         Number of groups  =          7R-sq:                                           Obs per group:within  = 0.3044                                         min =          4between = 0.2121                                         avg =        4.0overall = 0.2536                                         max =          4F(3,6)            =      53.56
corr(u_i, Xb)  = -0.1823                        Prob > F          =     0.0001(Std. Err. adjusted for 7 clusters in country)
------------------------------------------------------------------------------|               Robusty |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------pre_4 |  -4.00e+09   1.70e+09    -2.36   0.057    -8.16e+09    1.56e+08pre_3 |  -3.00e+09   1.33e+09    -2.26   0.064    -6.25e+09    2.47e+08pre_2 |  -3.58e+09   8.62e+08    -4.15   0.006    -5.68e+09   -1.47e+09pre_1 |          0  (omitted)_cons |   2.63e+09   3.44e+08     7.64   0.000     1.79e+09    3.47e+09
-------------+----------------------------------------------------------------sigma_u |  1.888e+09sigma_e |  2.235e+09rho |  .41645141   (fraction of variance due to u_i)
------------------------------------------------------------------------------

效果评估

以下为政策实施后的数据。

文章中已经实现过基本DID，因此本节直接给出代码。相比之前代码，DID回归步骤使用reg方式替代了diff方式。两种方式都可以，不过reg更常用。

gen period = (year>=1994) & !missing(year) // 生成时间虚拟变量，1994年前为0,反之为1
gen treat = (country>4) & !missing(country) // 生成区域的虚拟变量，干预为1，反之为0
gen did = period * treat // 生成交叉项reg y period treat did, r  //DID回归：reg方式

从结果看，did行、P>|t|列的值（ β \beta β）为0.088，大于0.05，即政策效果不显著。

Linear regression                               Number of obs     =         70F(3, 66)          =       2.17Prob > F          =     0.0998R-squared         =     0.0827Root MSE          =     3.0e+09------------------------------------------------------------------------------|               Robusty |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------period |   2.29e+09   9.00e+08     2.54   0.013     4.92e+08    4.09e+09treat |   1.78e+09   1.05e+09     1.70   0.094    -3.11e+08    3.86e+09did |  -2.52e+09   1.45e+09    -1.73   0.088    -5.42e+09    3.81e+08_cons |   3.58e+08   7.61e+08     0.47   0.640    -1.16e+09    1.88e+09
------------------------------------------------------------------------------

除了以上的基本DID，还可以在模型中添加其他控制变量，例如：x1-x3、opinion和country

reg y period treat did x1-x3 i.opinion i.country, r

此时， β \beta β值变为0.01，即政策效果变得显著。查看控制变量的系数后可知，变量 x 1 x_1 x1的交叉项系数也为0.01，即对政策影响较大。

Linear regression                               Number of obs     =         70F(14, 55)         =       3.32Prob > F          =     0.0007R-squared         =     0.3800Root MSE          =     2.7e+09------------------------------------------------------------------------------|               Robusty |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------period |   1.63e+09   8.16e+08     2.00   0.050    -970567.3    3.27e+09treat |  -5.13e+08   2.51e+09    -0.20   0.839    -5.54e+09    4.52e+09did |  -3.67e+09   1.37e+09    -2.67   0.010    -6.42e+09   -9.13e+08x1 |   2.86e+09   1.07e+09     2.67   0.010     7.12e+08    5.00e+09x2 |    3021459   2.43e+09     0.00   0.999    -4.88e+09    4.88e+09x3 |   3.17e+08   3.09e+08     1.03   0.310    -3.03e+08    9.37e+08|opinion |Agree  |  -1.08e+09   1.27e+09    -0.86   0.396    -3.63e+09    1.46e+09Disag  |   1.10e+09   7.85e+08     1.40   0.167    -4.73e+08    2.67e+09Str disag  |   7.90e+08   7.93e+08     1.00   0.324    -7.99e+08    2.38e+09|country |B  |  -1.10e+09   5.72e+09    -0.19   0.848    -1.26e+10    1.04e+10C  |  -2.02e+09   1.82e+09    -1.11   0.270    -5.67e+09    1.62e+09D  |   2.89e+09   6.28e+09     0.46   0.647    -9.69e+09    1.55e+10E  |   2.07e+09   7.97e+09     0.26   0.797    -1.39e+10    1.80e+10F  |   4.79e+09   3.40e+09     1.41   0.164    -2.02e+09    1.16e+10G  |          0  (omitted)|_cons |  -1.26e+09   2.10e+09    -0.60   0.552    -5.48e+09    2.96e+09
------------------------------------------------------------------------------

安慰剂检验

先看第一种方法：改变事件发生时间。该方法假设政策干预时间提前，重新判断政策虚拟变量的系数是否显著。如果不显著，则可以说明原政策效果的稳健性。

以下代码中，假设政策发生事件变为1992年：

gen period = (year>=1992) & !missing(year) // 1994->1992
gen treat = (country>4) & !missing(country)
gen did = period * treatreg y period treat did x1-x3 i.opinion i.country, r

β \beta β值变为0.107<0.05，即政策效果不显著。这个结果是比较理想的，因为这表明：除去政策影响后，指标变化是不显著的。

Linear regression                               Number of obs     =         70F(14, 55)         =       2.89Prob > F          =     0.0025R-squared         =     0.3464Root MSE          =     2.7e+09------------------------------------------------------------------------------|               Robusty |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------period |   2.21e+09   9.84e+08     2.25   0.029     2.40e+08    4.18e+09treat |   7.49e+08   2.79e+09     0.27   0.789    -4.84e+09    6.33e+09did |  -2.06e+09   1.25e+09    -1.64   0.107    -4.57e+09    4.58e+08x1 |   1.59e+09   9.57e+08     1.66   0.102    -3.27e+08    3.51e+09x2 |   7.80e+08   2.80e+09     0.28   0.781    -4.82e+09    6.38e+09x3 |   1.48e+08   2.83e+08     0.52   0.604    -4.20e+08    7.16e+08|opinion |Agree  |  -9.49e+08   1.30e+09    -0.73   0.468    -3.55e+09    1.66e+09Disag  |   9.84e+08   7.85e+08     1.25   0.215    -5.89e+08    2.56e+09Str disag  |   7.90e+08   7.91e+08     1.00   0.322    -7.95e+08    2.38e+09|country |B  |  -2.98e+09   6.55e+09    -0.45   0.651    -1.61e+10    1.02e+10C  |  -6.99e+08   1.95e+09    -0.36   0.721    -4.60e+09    3.21e+09D  |   5.84e+08   7.13e+09     0.08   0.935    -1.37e+10    1.49e+10E  |  -1.69e+09   9.19e+09    -0.18   0.855    -2.01e+10    1.67e+10F  |   2.92e+09   3.59e+09     0.81   0.421    -4.29e+09    1.01e+10G  |          0  (omitted)|_cons |  -7.66e+08   2.48e+09    -0.31   0.759    -5.73e+09    4.20e+09
------------------------------------------------------------------------------

但如果我们仅将政策发生时间提前一年：

gen period = (year>=1993) & !missing(year) // 1994->1993
gen treat = (country>4) & !missing(country)
gen did = period * treatreg y period treat did x1-x3 i.opinion i.country, r

结果为： β = 0.015 \beta=0.015 β=0.015，政策效果依然显著。此种情况下，不再能证明原政策效果的稳健性。出现该现状的原因可能是时间提前过少，导致1993年的效果被1994-1999的效果掩盖了。为了避免该尴尬局面的出现，更推荐使用即将介绍的第二种方法：随机化实验组。

Linear regression                               Number of obs     =         70F(14, 55)         =       3.47Prob > F          =     0.0005R-squared         =     0.3826Root MSE          =     2.7e+09------------------------------------------------------------------------------|               Robusty |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------period |   2.57e+09   8.35e+08     3.08   0.003     9.00e+08    4.25e+09treat |   1.18e+09   2.67e+09     0.44   0.662    -4.18e+09    6.54e+09did |  -2.94e+09   1.17e+09    -2.52   0.015    -5.27e+09   -6.00e+08x1 |   1.60e+09   9.21e+08     1.73   0.088    -2.48e+08    3.44e+09x2 |   9.67e+08   2.67e+09     0.36   0.719    -4.38e+09    6.32e+09x3 |   1.92e+08   2.91e+08     0.66   0.511    -3.91e+08    7.76e+08|opinion |Agree  |  -6.80e+08   1.33e+09    -0.51   0.612    -3.35e+09    1.99e+09Disag  |   9.45e+08   7.39e+08     1.28   0.206    -5.35e+08    2.43e+09Str disag  |   6.35e+08   7.55e+08     0.84   0.404    -8.77e+08    2.15e+09|country |B  |  -3.44e+09   6.24e+09    -0.55   0.583    -1.59e+10    9.06e+09C  |  -7.09e+08   1.83e+09    -0.39   0.700    -4.38e+09    2.96e+09D  |   1.14e+08   6.71e+09     0.02   0.987    -1.33e+10    1.36e+10E  |  -2.18e+09   8.76e+09    -0.25   0.804    -1.97e+10    1.54e+10F  |   2.77e+09   3.40e+09     0.81   0.419    -4.05e+09    9.59e+09G  |          0  (omitted)|_cons |  -6.54e+08   2.25e+09    -0.29   0.772    -5.16e+09    3.85e+09
------------------------------------------------------------------------------

在随机化实验组的方法中，一般是随机选取个体作为处理组，重复500次或者1000次，看看“伪政策虚拟变量”的系数是否显著。如果不显著，可以说明原政策效果的稳健性。

以下是实现代码，因为我自己也不太理解每一步的逻辑，只需要知道该代码能把图绘制出来即可，哈哈~

cap erase "simulations.dta"
permute did beta = _b[did] se = _se[did] df = e(df_r), reps(500) seed(2)  ///
saving("simulations.dta"):reg y did, vce(robust)
use "simulations.dta", clear
gen t_value = beta / se
gen p_value = 2 * ttail(df, abs(beta/se))
dpplot beta, xtitle("Estimator", size(*0.8))
xlabel(, format(%4.3f) labsize(small))
ytitle("Density", size(*0.8))
ylabel(, nogrid format(%4.3f) labsize(small))
note("")
caption("")
graphregion(fcolor(white))

以下是 β \beta β的统计图。从图上可以看出， β \beta β值大部分都都在0附近，平均值为 − 3.7 × 1 0 7 -3.7\times10^7 −3.7×107。回顾效果评估模块中的 β \beta β计算结果，为 1 0 9 10^9 109量级，即随机化的实验组相比原实验组， β \beta β降低了2个数量级，政策效果不再显著。

双重差分法(DID)：标准化流程和stata代码实现相关推荐

双重差分法|DID|PSM|平行趋势检验|安慰剂检验|Stata代码
双重差分与稳健性检验原理双重差分法以两期面板为例数据采用cardkrueger1994.dta,可在陈强老师个人主页<高级计量经济学及Stata应用>, 第2版下载数据集基本模型 ...
did双重差分法_Stata中双重差分操流程及代码
01 简介现代计量经济学和统计学的发展为我们的研究提供了可行的工具.倍差法来源于计量经济学的综列数据模型,是政策分析和工程评估中广为使用的一种计量经济方法.主要是应用于在混合截面数据集中,评价某一事 ...
计量实证Stata代码合集（覆盖论文全流程）
1.数据来源:自主计算 2.时间跨度:无 3.区域范围:无 4.指标说明: 包含如下模型代码: 数据处理描述性统计相关性分析实证模型分析内生性解决办法机制分析部分数据如下: 相关研究: [ ...
双重差分法之安慰剂检验
简单介绍一下实证论文中双重差分法(DID)的安慰剂检验(Placebo Test)在Stata中如何操作. (本文首发于个人微信公众号DMETP,是往期两篇推文的合辑,欢迎关注!) 下面的内容根据实际 ...
双重差分模型python包_开学礼包：如何使用双重差分法的交叉项（迄今最全攻略）...
原标题:开学礼包:如何使用双重差分法的交叉项(迄今最全攻略) 秋风送爽,学期伊始.本号为计量小伙伴们送上一个开学小礼包:如何使用双重差分法的交叉项(迄今最全攻略). 双重差分法(Difference- ...
IC芯片设计项目管理002：标准化流程的应用
IC芯片设计项目管理002:标准化流程的应用 1.IC设计领域的SOP SOP(standard of process)指的是一种标准化的流程,它能够有效提高工作效率,保证产品质量.SOP可以分为横向 ...
因果推断 | 双重差分法笔记补充
换了新的环境后,一直在适应(其实是一直被推着走),所以停更了笔记好久啦.这一周周末终于有点得空,当然也是因为疫情,哪里都不能去,哈哈,所以来冒个泡~ 整理了最近pre的作业,分享一下双重差分法的一些笔 ...
2003-2019年地级市环境规制-利用地级市工业三废排放量计算（含stata代码）
1.数据来源:城市年鉴 2.时间:2003-2019 3.范围:280多个地级市 4.计算方法说明:参照叶琴老师(2018)的做法,计算城市各类污染物排放量的综合指数来表征城市的命令型环境规制强度. ...
did双重差分法_互助问答第252期：双重差分平行趋势检验等问题
老师您好,关于双重差分法的适用性问题:基于现有样本数据,做出平行趋势图如下,设想将A组作为控制组,B组作为实验组,采用双重差分法检验政策出台对B组有抑制效应,请问老师基于这张图是否可行? 2. 关于三 ...

双重差分法(DID)：标准化流程和stata代码实现