双重差分模型能做固定效应吗_双重差分法的平行趋势假定
Prof. Orley Ashenfelter, architect of modern labor economics, former AEA president
双重差分法是估计处理效应的常见方法,但也有被滥用的倾向,因为有些应用者对于双重差分法的优点与局限缺乏了解,特别是其潜在的平行趋势(parallel trend)假定……
差分法的局限
经济学家常关心某政策实施后的效应,比如对于收入( y )的作用。最简单(天真)的做法是比较处理组(即受政策影响的地区或个体)的前后差异,比如
这称为“差分估计量”(difference estimator),即将处理组(treatment group)政策实施后的样本均值,减去政策实施前的样本均值。然而,由于宏观经济环境也随时间而变(时间效应),故政策实施地区的前后差异未必就是处理效应(treatment effects)。
双重差分法的反事实逻辑
为了解决差分法的局限性,常用方法是寻找适当的控制组(control group),即未实施政策的地区(或未参加项目的个体),作为处理组的反事实(counterfactual)参照系。具体来说,可将未受政策影响的控制组之前后变化视为纯粹的时间效应,即
综合以上两个差分,即将处理组的前后变化减去控制组的前后变化,可得到对于政策处理效应更为可靠的估计:
(1)
这就是所谓的双重差分估计量(Difference in Differences,简记DD或DID),因为它是处理组差分与控制组差分之差。该法最早由 Ashenfelter(1978)引入经济学,而国内最早的应用或为周黎安、陈烨(2005)。
从以上推理可知,DID的反事实逻辑能够成立,其基本前提是,处理组如果未受到政策干预,其时间效应或趋势应与控制组一样(故可以后者来控制时间效应),这就是所谓的 “平行趋势”(parallel trend)或 “共同趋势”(common trend)假定。下图直观地展示了DID的思想与平行趋势假定。
其中,t= 1 表示政策实施前(before),而t= 2 表示政策实施后(after)。然而,通过双重差分得到的DID估计量并不易计算其标准误,无法加入控制变量,也不易推广到多期数据。故在实践中,一般通过回归的方法来得到DID估计量。
双重差分法的回归模型
考虑以下面板模型:
(2)
其中,Gi为分组虚拟变量(处理组=1,控制组=0),表示处理组与控制组的固有差异(无论是否实施政策都存在);Dt为分期虚拟变量(政策实施后=1,政策实施前=0,允许使用多期数据),表示政策实施前后的时间效应(即使不实施政策也存在);而交互项 Gi·Dt才真正表示处理组在政策实施后的效应,即处理效应。这是因为,处理组在政策干预之后的期望值为:
而处理组在政策干预之前的期望值为:
故处理组期望值的前后变化为:
(3)
另一方面,控制组在政策干预之后的期望值为:
而控制组在政策干预之前的期望值为:
故控制组期望值的前后变化为:
(4)
将(3)式减去(4)式可知,双重差分的结果正好是回归方程(2)中交互项Gi·Dt之系数β。进一步可以证明,用OLS估计面板模型(2),所得交互项Gi·Dt之系数β的估计值,正好等于双重差分法(1)的计算结果(陈强,2014,第335、339页)。
一般的双重差分回归
更一般地,可在面板模型中加入个体固定效应、时间固定效应,以及其它控制变量:
(5)
其中,ui为个体固定效应(取代了更为粗糙的分组虚拟变量 Gi,若同时二者包括将导致严格多重共线性),λt为时间固定效应(取代了更为粗糙的分期虚拟变量 Dt,若同时包括二者将导致严格多重共线性),zit为一系列控制变量(影响结果变量 y 的其它因素),而εit为暂时性冲击(transitory shock)。
不难看出,上式其实就是 “双向固定效应模型”(two-way fixed effects),因为它既包括个体固定效应(ui),也包括时间固定效应(λt);只不过多了双重差分法的关键变量,即交互项Gi·Dt(也称为 “政策虚拟变量”,policy dummy)。在具体回归中,个体固定效应ui可通过加入个体虚拟变量来实现(即LSDV法,或进行组内离差变换,within transformation);而时间效应λt可通过加入每期的时间虚拟变量(time dummies)来实现。
双重差分法的假定
为了使用OLS一致地估计方程(5),需要作以下两个假定。
假定1、此模型设定正确。特别地,无论处理组还是控制组,其时间趋势项都是 λt。此假定即上文的 “平行趋势假定”(parallel trend assumption)。此假定比较隐蔽(有人称为 “hidden assumption”),因为只要写下方程(5),就已默认了平行趋势假定。
假定2、暂时性冲击 εit与政策虚拟变量 Gi·Dt 不相关。这是保证双向固定效应为一致估计量(consistent estimator)的重要条件。
在此,可以允许个体固定效应 ui与政策虚拟变量 Gi·Dt相关(可通过双重差分或组内变换消去 ui,或通过LSDV法控制 ui)。DID允许根据个体特征(ui)进行选择,只要此特征不随时间而变;这是DID的最大优点,即可以部分地缓解因 “选择偏差”(selection bias)而导致的内生性(endogeneity)。
如果违背假定1(平行趋势假定),会有什么后果?假设真实模型为:
则处理组(Gi=1)的时间趋势为 (λt+ηt),而控制组(Gi=0)的时间趋势为 λt,故为非平行趋势。如果将此模型误设为平行趋势,则实际估计的模型为
其中,Giηt被纳入扰动项中,导致扰动项 (Giηt+ εit)与政策虚拟变量(Gi·Dt)相关,使得OLS不一致,也违背了上述假定2。
阿森费尔特沉降(Ashenfelter’s dip)
在使用个体或企业层面的微观数据时,有些人认为因个体无法影响宏观政策(或培训项目)的推出,故为外生。但事实上,个体依然可以自我选择是否参加项目,从而导致内生性。
比如,Ashenfelter (1978) 在研究就业培训的效应时发现,参加就业培训者在参加培训之年 (1964) 以及之前的那年 (1963),其平均收入不仅相对于控制组下降,而且绝对地下降,称为 “阿森费尔特沉降”(Ashenfelter’s dip),参见下图。
在上图中,实线为参加项目者的平均收入,而虚线为未参加项目者的平均收入(二者均为男性白人,该现象也存在于女性白人、男性黑人、女性黑人,在此从略)。上图表明,在1963年与1964年收入下降的不走运者(εit为很大的负向冲击),很多人自我选择参加就业培训。
如果因为 εit或 εi,t-1 特别低而参加培训,则通常 εi,t+1 与 εi,t+2会恢复到正常值,导致高估培训项目的效应。而 {εit} 也可能存在自相关。这使得暂时性冲击 εit 与政策虚拟变量 Gi·Dt 相关,导致不一致的估计(也意味着非平行的时间趋势,违背假定1,参见上图)。
非平行趋势的检验与处理方法
方法一、画时间趋势图
如果在政策干预前有多期数据,则可分别画处理组与控制组的时间趋势图(类似于上图),并直观判断这两组的时间趋势是否平行(比如,考察是否存在Ashenfelter's dip)。如果二者大致平行,则可增强对平行趋势假定的信心。然而,即使在政策干预前两组的时间趋势相同,也无法保证二者在干预后的时间趋势也相同(后者本质上不可观测,因为时间效应已与处理效应混合在一起)。另外,如果只有两期数据,则无法使用此法。
方法二、加入更多的控制变量
从上文的讨论可知,非平行趋势可能由于遗漏变量所导致,故在 zit 中加入更多控制变量,或可缓解内生性。但此法在实践中不易实施。
方法三、假设线性时间趋势
如果假设时间趋势为线性函数,则可加入每位个体的时间趋势项:
在具体回归时,加入个体虚拟变量与时间趋势项 t= 1, 2, ... , T 的交互项即可。然而,线性时间趋势毕竟是较强的假定,不一定能成立。故此法也不完全解决问题,但可作为稳健性检验。
方法四、三重差分法
在一定条件下,可通过引入两个控制组,进行三次差分,称为“三重差分法”(difference-in-differences-in-differences,简记DDD),这样可以更好地控制时间趋势的差异,使得平行趋势假定更易成立。有关DDD的进一步介绍,参见陈强(2014,第343页)。
参考文献
双重差分模型能做固定效应吗_双重差分法的平行趋势假定相关推荐
- 双重差分模型能做固定效应吗_互助问答第53期:控制时间效应、交互项等问题...
今日问题 尊敬的老师: 您好! 我在学习DID的过程中遇到以下问题,特向您请教. (1)我看到很多做DID的论文都提到个体固定和时间固定,参考网站上(https://www.jianshu.com/p ...
- 双重差分模型能做固定效应吗_数据分析之道 | 双重差分法(DID)
Picture from Internet DID是什么? 双重差分法(DID)又被称为"倍差法",小名"差中差",是种专门用于分析政策效果的计量方法. 我国最 ...
- 双重差分模型能做固定效应吗_Stata:双重差分的固定效应模型 (DID)
作者:张伟广 | 知乎 | 简书 | 码云 2020寒假Stata现场班 (北京, 1月8-17日,连玉君-江艇主讲),「+助教招聘」 双重差分法(DID)作为估计处理效应的工具方法,常被用来对政策实 ...
- 双重差分模型能做固定效应吗_stata中双重差分操流程及代码
原标题:stata中双重差分操流程及代码 一.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 ...
- python 双重差分模型_双重差分模型DID python操作
搬运网站:https://blog.csdn.net/Claire_chen_jia/article/details/106903842?utm_medium=distribute.pc_aggpag ...
- 双重差分模型DID学习笔记
双重差分模型DID学习 1.DID介绍 1.1 特点 1.2 传统DID 1.3 经典DID 1.4 异时DID 1.5 广义DID 1.6 异质性DID 2. DID 平行趋势检验 3 实践举例 3 ...
- DID会固定年份吗_双重差分(DID)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 ...
- 学习:双重差分模型DIDPSM-基于Stata实现
双重差分模型 定义 双重差分法(Difference in Differences): 通过利用观察学习的数据,计算自然实验中"实验组"与"对照组"在干预下增量 ...
- Stata:空间双重差分模型(SpatialDID)-xsmle
全文阅读:Stata:空间双重差分模型(Spatial DID)-xsmle| 连享会主页 目录 1. 模型提出 2. 模型设定 3. 模型比较 4. Stata 实现 4.1 命令介绍 4.2 具体 ...
最新文章
- Phpcms与ucenter整合系统设置
- openwrt监控linux,OpenWRT上判断客户端在线个数
- 廉洁修身论文2000字_自主招生论文发表要求【期刊论文】自主招生论文发表要求...
- java开源框架有哪些_java web开发框架有哪些
- 往map里的vector添加_往鱼缸里添加硝化细菌,这些事项我们还是要注意的!
- MySQL Sharding DB (基于Fabric)
- 【Java多线程】生产者消费者问题
- DFS:C 小Y的难题(1)
- 对美的拥有-读阿兰德波顿《旅行的艺术》(zz)
- Clipboard.js复制粘贴到剪贴板
- UI设计素材干货|日历也要设计,模板都给你们整理好了
- 机器学习基础(五十四)—— 支持向量机(SVM)
- split添加limit参数
- excel空值排查快捷键
- 【Auto.js教程】Auto.js入门及第一个示例程序
- snapchat中国使用_如何在不共享位置的情况下使用Snapchat
- android 百度离线下载速度慢,Android手机解决百度网盘下载速度限制
- 设计模式之观察者模式(Observable与Observer)
- hp1020打印机驱动下载地址
- 【Spring入门】
热门文章
- 定积分的基本性质1 线性性质
- cad角度怎么画_超实用的CAD制图口诀,快收藏
- 深度、广度优先遍历算法python
- 使用mybatisPlus时,报错 Data truncation: Out of range value for column ‘id‘ at row 1
- 互联网时代/数据分析时代,一张思维导图带你学习数据分析的思路
- C语言程序——首字母变大写
- 2012 r2 万能网卡驱动_6款USB无线网卡评测
- 为什么沿着梯度相反的方向更新参数
- 如何用css实现彩带样式,CSS3 彩色丝带
- Android 交互动画的统一实践