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 ...

【Python计量】DID模型构建

文章目录