【Python计量】DID模型构建
文章目录
- 一、DID(Differences-in-Differences)模型
- DID模型形式
- 二、DID案例:垃圾焚化炉的区位对住房价格的影响
- 三、DID案例:实证论文《我国推出融资融券交易促进了标的股票的定价效率吗?》
- 四、DID案例:实证论文《我国推出融资融券交易促进了标的股票的定价效率吗?》
DID仅适用于面板数据,DID仅适用于面板数据,DID仅适用于面板数据。DID的本质就是面板数据固定效应估计。
一、DID(Differences-in-Differences)模型
双重差分法,其主要被用于社会学中的政策效果评估。这种方法需要两个「差异」数据。一个是干预前后的「差异」,这个是自身实验前后的差异。另外一个是处理组与控制组的「差异」。DID利用这两个「差异」的差异来推算干预的效果。因此,顾名思义叫做双重差分法。
DID模型形式
yit=α+β(Gi∗Dt)+γGi+cDt+εity_{it}=\alpha+\beta(G_i*D_t)+\gamma G_i+cD_t+\varepsilon_{it} yit=α+β(Gi∗Dt)+γGi+cDt+εit
其中,GiG_iGi为分组虚拟变量(处理组=1,控制组=0),DtD_tDt为分期虚拟变量(政策实施后=1,政策实施前=0),交互项Gi∗DtG_i*D_tGi∗Dt表示处理组在政策实施后的效应,其系数即为双重差分模型重点考察的处理效应。
一个重要假定——共同趋势假定:在政策发生前,处理组与对照组的研究对象呈现出共同的变化趋势。
模型系数如下表所示:
干预前 | 干预后 | 差异 | |
---|---|---|---|
处理组 | α+γ\alpha+\gammaα+γ | α+β+γ+c\alpha+\beta+\gamma+cα+β+γ+c | β+c\beta+cβ+c |
控制组 | α\alphaα | α+c\alpha+cα+c | ccc |
处理组实验前为α+γ\alpha+\gammaα+γ,实验后为α+β+γ+c\alpha+\beta+\gamma+cα+β+γ+c。控制组实验前为α\alphaα,实验后为α+c\alpha+cα+c。对于处理组实验前后差异为β+c\beta+cβ+c,对于控制组实验后为ccc。两者之差β\betaβ即为DID结果,处理效应。
加入个体固定效应aia_iai、时间固定效应πt\pi_tπt,以及其它控制变量XitX_{it}Xit的双重差分模型设定的一般形式:
yit=α+β(Gi∗Dt)+β1Xit+ai+πt+εity_{it}=\alpha+\beta(G_i*D_t)+\beta_1X_{it}+a_i+\pi_t+\varepsilon_{it} yit=α+β(Gi∗Dt)+β1Xit+ai+πt+εit
二、DID案例:垃圾焚化炉的区位对住房价格的影响
来源:伍德里奇《计量经济学导论》13.2利用混合横截面政策分析:垃圾焚烧厂的区位对住房价格的影响
rprice=β0+δ0y81+β1nearinc+δ1y81∗nearinc+urprice=\beta_0+\delta_0y81+\beta_1nearinc+\delta_1y81*nearinc+u rprice=β0+δ0y81+β1nearinc+δ1y81∗nearinc+u
参数:
rprice:真实住房价格
y81:时间虚拟变量,1981年取1,否则取0
nearinc:住房是否靠近焚化炉,靠近取1,否则取0
模型系数如下表所示:
之前(y81=0) | 之后(y81=1) | 之后-之前 | |
---|---|---|---|
处理组(nearinc=1) | β0+β1\beta_0+\beta_1β0+β1 | β0+δ0+β1+δ1\beta_0+\delta_0+\beta_1+\delta_1β0+δ0+β1+δ1 | δ0+δ1\delta_0+\delta_1δ0+δ1 |
控制组(nearinc=0) | β0\beta_0β0 | β0+δ0\beta_0+\delta_0β0+δ0 | δ0\delta_0δ0 |
处理组-控制组 | β1\beta_1β1 | β1+δ1\beta_1+\delta_1β1+δ1 | δ1\delta_1δ1 |
我们关注的系数是交互项y81∗nearincy81*nearincy81∗nearinc的系数δ1\delta_1δ1:度量了房价因新建焚化炉而下跌的幅度。
代码如下:
import wooldridge as woo
import pandas as pd
import statsmodels.formula.api as smfkielmc = woo.dataWoo('kielmc')
import wooldridge as woo
import pandas as pd
import statsmodels.formula.api as smfkielmc = woo.dataWoo('kielmc')# DID模型
reg_did = smf.ols(formula='rprice ~ nearinc * C(year)', data=kielmc)
results_did = reg_did.fit()
print(results_did.summary())# DiD模型:加入控制变量
reg_didC = smf.ols(formula='rprice ~ nearinc * C(year) + age +I(age**2)',data=kielmc)
results_didC = reg_didC.fit()
print(results_didC.summary())
三、DID案例:实证论文《我国推出融资融券交易促进了标的股票的定价效率吗?》
以下内容节选自:许红伟等,2012:我国推出融资融券交易促进了标的股票的定价效率吗?——基于双重差分模型的实证研究,管理世界,第5期。
Imbens和Wooldridge(2007)指出,在自然实验中,由于处理组(TreatmentGroup,指受到政策影响的样本组合)和控制组(ControlGroup,指未受到政策影响的样本组合)均来自受到某项具体政策影响与否的特定群体而非随机,DID模型可以较好地控制处理组和控制组之间的系统性差异,来研究处理组在某项政策实施前后所发生的变化。
本文研究采用的基本模型设定为:
yit=β0+β1Dt+β2Dg+γDt∗Dg+∑Xit+εiy_{it} =\beta_0+\beta_1D_t+\beta_2D_g+\gamma D_t*D_g+\sum X_{it}+\varepsilon_i yit=β0+β1Dt+β2Dg+γDt∗Dg+∑Xit+εi
其中,yity_{it}yit为第i个股票在第t期的指标值;DtD_tDt为时间虚拟变量,当融资融券推出后Dt=1D_t=1Dt=1,反之推出前Dt=0D_t=0Dt=0;DgD_gDg为组间虚拟变量,当Dg=1D_g=1Dg=1时为融资融券标的股票,即处理组,Dg=0D_g=0Dg=0为沪深300成分股中的非融资融券标的股票,即控制组;∑Xit\sum X_{it}∑Xit为一组相关的控制变量,包括是否含有H股的虚拟变量、流通市值、换手率、市盈率、市净率和沪深300行业虚拟变量等;εiε_iεi为随机干扰项。
四、DID案例:实证论文《我国推出融资融券交易促进了标的股票的定价效率吗?》
以下内容节选自:肖浩等,2014:融资融券对股价特质性波动的影响机理研究:基于双重差分模型的检验,管理世界,第8期。
我们使用当期被允许进行融资融券交易的股票作为实验组,将扩容之后新添的标的股票作为控制组。作为控制组的样本后来也被选作融资融券标的证券,说明不是政策之外的因素导致其不能作为标的证券。基本的双重差分模型如下:
PIEit=α+β1Treatedi+β2Posti+β3Treatedi∗Posti+Timefixed−effect+Firmfixed−effect+εitPIE_{it}=\alpha+\beta_1Treated_i+\beta_2Post_i+\beta_3Treated_i*Post_i+Time_{fixed-effect}+Firm_{fixed-effect}+\varepsilon_{it} PIEit=α+β1Treatedi+β2Posti+β3Treatedi∗Posti+Timefixed−effect+Firmfixed−effect+εit
其中,PIEitPIE_{it}PIEit为公司i在t期的股价特质性波动;TreatediTreated_iTreatedi为实验组虚拟变量,实验组,取值为1,其他为0;PostiPost_iPosti为实验期识别变量,处于实验期,取值为1,否则为0。β3刻画了融资融券交易对股价特质性波动的影响,是本文主要关注的对象。
【Python计量】DID模型构建相关推荐
- 中文word2vec的python实现_利用Python实现wiki中文语料的word2vec模型构建
本实例主要介绍的是选取wiki中文语料,并使用python完成Word2vec模型构建的实践过程,不包含原理部分,旨在一步一步的了解自然语言处理的基本方法和步骤.文章主要包含了开发环境准备.数据的获取 ...
- Python基于statsmodels包构建多元线性回归模型:模型构建、模型解析、模型推理预测
Python基于statsmodels包构建多元线性回归模型:模型构建.模型解析.模型推理预测 目录
- word2vec python实现_教程 | 在Python和TensorFlow上构建Word2Vec词嵌入模型
原标题:教程 | 在Python和TensorFlow上构建Word2Vec词嵌入模型 选自adventuresinmachinelearning 参与:李诗萌.刘晓坤 本文详细介绍了 word2ve ...
- python——金融商品收益率GARCH 模型构建(GARCH 模型)
一.GARCH简介 GARCH模型是Bollerslev在1986年提出来的,全称为广义自回归条件异方差模型,Generalized Autoregressive Conditionally Hete ...
- 机器学习系列7 基于Python的Scikit-learn库构建逻辑回归模型
课前测验 本文所用数据免费下载 在本文中,你将学习: 0 用于数据可视化的新库 1 逻辑回归原理及技术 目录 一.内容介绍 二.理论知识 1.分类与回归的区别 2.逻辑回归与其他回归的区别 3.逻辑回 ...
- 互联网金融信用评分卡模型构建
互联网金融信用评分卡模型构建 背景介绍 信用风险计量体系包括主体评级模型和债项评级两部分. 主体评级和债项评级均有一系列评级模型组成,其中主体评级模型可用"四张卡"来表示,分别是A ...
- 使用hyperopt(Bayesian optimization)为xgboost模型挑选最优参数进行模型构建、by Cross Validation
使用hyperopt(Bayesian optimization)为xgboost模型挑选最优参数进行模型构建.by Cross Validation Hyperopt本质上是一种贝叶斯优化(Baye ...
- 使用hyperopt(Bayesian optimization)为lightGBM模型挑选最优参数进行模型构建、by Cross Validation
使用hyperopt为lightGBM模型挑选最优参数进行模型构建.by Cross Validation lightGBM是微软开发的xgboost的改进版本.已经成为各种的比赛的标配工具,尤其是类 ...
- 空间计量模型_Stata中的空间计量回归模型应用
在Stata 15中,推出了最新的空间计量官方命令,均以sp开头,表示 spatial data),可以处理横截面与面板形式的空间数据.本文主要为大家介绍空间计量横截面及面板模型的应用,全文分为两部分 ...
- 数据产品经理从零到一:数据产品能力模型构建
本文为PMCAFF专栏作者田宇洲出品 笔者正在由电商产品经理转型数据产品经理,为了提升自己学习的效率,尝试以这种输出驱动输入的模式,将自己学习的思路和学习内容分享给大家,也希望可以与其他数据产品经理多 ...
最新文章
- 史上最‘牛’杀毒软件之麦咖啡
- Java对象容器——集合Set
- linux脚本ls输出到变量中,bash – 将命令输出的错误消息存储到shell变量中
- Redis的事务(一次执行多条命令,防止重读重写)
- ios 读取各种类型文件
- 较流行的4个开源协议
- 火山同传助力第四届CTDC首席技术官领袖峰会
- Extjs介绍及视频教程
- TerraSolid工具试用系列3----TerraModel从点云生成并导出DEM或DSM备注
- python 单词发音-[Python]通过有道词典API获取单词发音MP3
- wago edz 下载_用电子枪制造的WeakAuras Wago.io桥
- 分区助手扩大c盘后自动修复_分区助手怎么扩大C盘?分区助手扩大C盘的方法
- 彻底改变计算机用户名,提升电脑系统安全:如何修改电脑登录用户名以及密码呢?...
- springboot自定义启动logo
- 交叉编译libxcb与X11
- 利用gpu加速神经网络算法,外接gpu 训练神经网络
- i711800h核显相当于什么显卡 i7 11800h相当于台式什么CPU
- 煤矿矿长相当于什么级别?
- 7-78 求e的近似值 (15 分)
- 永远不要忘记_它永远不会忘记一张脸
热门文章
- python 电路仿真spice_检查电路稳定性的小能手为数SPICE仿真当之无愧
- IBM V系列存储常用命令
- Unity3d-英雄联盟选人界面(1-界面构造)
- CVPR2019点云分割论文解读ASIS:Associatively Segmenting Instances and Semantics in Point Clouds
- 女生节中奖名单~快来写地址
- 华为交换机下的DHCP的IPmac地址绑定
- Unity中用到的C#补充(七)- 委托与事件
- elasticsearch 深入 —— 全文检索
- revit学习笔记-选项工具
- 转:从ubuntu中文论坛转载的一片超好的文章,慢慢学习中(转)