A. did模型中介變數一定要加嘛
不一定。
DID模型一般為這個形式:Y=a1·time+a2·treat+a3·time*treat+a4·控制變數+固定效應+隨機擾動項。
stata代碼好像為 reg lnY time##treat 控制變數 i.year i.i
但問題是,DID模型作為差分模型,「控制變數」應該已經被差分掉了
B. 控制年份後DiD模型里還需要post變數嗎
不需要,最簡化的模式Y=treat*time,核心解釋變數是顯著的,加上treat後,即Y=treat*time+treat後結果也依然成立。
C. 內生性問題的解決方法
事實上,僅僅為了解決內生性問題,並不需要我們對內生性問題的緣起有很深入的理解。對於應用型的實證研究而言,我們只需要掌握解決內生性問題的具體方案即可。內生性問題的解決方案一共四種,理論上來講,這四種方案應對內生性問題都很有效。但於我個人而言,我對四種方法的評價是有高低的,由高到低分別介紹如下。
1.自然實驗法
所謂自然實驗,就是發生了某些外部突發事件,使得研究對象彷彿被隨機分成了實驗組或控制組。
這是我最喜歡的方法,只是自然實驗需要尋找一個事件,並且這個事件隻影響解釋變數而不影響被解釋變數。遇著這種事件是一種緣分,還要能識別出來,這對學者的眼光也是一種挑戰。
有很多文章聲稱使用了自然實驗,但嚴格來講,並沒有做到對研究對象進行了隨機分組。雖然如此,我對此類文章仍然很是喜歡。
2.雙重差分法
Difference-in-Difference (DID)一般稱為雙重差分法,或倍差法。倘若出現了一次外部沖擊,這次沖擊影響了一部分樣本,對另一部分樣本則無影響,而我們想看一下這次外部沖擊到底有何影響,雙重差分法就是用來研究這次沖擊的凈效應的。
其基本思想是,將受沖擊的樣本視作實驗組,再按照一定標准在未受沖擊的樣本中尋求與實驗組匹配的對照組,而後做差,做差剩下來的便是這次沖擊的凈效應。
雙重差分法實際上是固定效應的一個變種,差分的過程實際上是排除固定效應的過程。ZERA在《計量論文寫作和發表的黑客教程》有一個非常簡明風趣的舉例,我轉述於此,以饗讀者。
「大家都知道買房子靠不靠學校醫院等設施還是有很大差別的。但是,影響房價的因素又不止學區那麼簡單。
學校旁邊的學區房價格上升,難道一定是學區房因素導致的嗎?
現在我們要使用雙重差分法檢驗一個假設:學區房因素導致房價上升。
差分再差分,這個方法要湊效的秘訣是:學區房因素發生變化,而其他因素基本維持不變。例如教育管理機構重新劃分學區,一個著名小學突然在某個沒學校的地方建分校,或者一個著名小學搬遷,這些因素導致房子是否屬於學區房發生了變化。
以建分校為例。建校後周圍一片區域A的房子都屬於學區房,這個區域以外附近區域(B)的其他房子就不算該校學區房。然後收集建校前後兩個時間點上、A和B區域房價的數據。
所謂的差分再差分法,就是:A區域兩個時間點上的平均房價差距 - B區域兩時間點上的平均房價差距 = d,這個d就是建校對房價的影響了。d是兩個差距之間的差距,所以才叫做差分再差分。用計量回歸把這個d給估計出來,是有辦法的:
P= b0 + b1*Da +b2*Dt + d*(Da*Dt) + Xb + e
P是房價,Da是虛擬變數,在區域A則為1,否則為0, Dt是時間虛擬變數,建校後為1,建校前為0。 STATA一跑,就把d估計出來了。為什麼d可以如此表示?自己思考一下啦。實在想不出來,Wooldridge的書上有精確嚴格的解釋。這里給出一個直觀的粗略解釋:北京所有區域的房價每個月都在上升,因此需要控制這部分因素,這就是時間因素Dt;區域不同自然也有差別,需要控制區域位置因素,這就是Da,這就控制了即使不建校也存在的差距;控制住其他因素X,那麼剩下的Da*Dt就是建校帶來的房價提升效應了。這下明白了哦。」
當然,如果你想看到更學術化的探討,可以參考2015年第7期《數量經濟技術經濟研究》所刊文章《國內雙重差分法的研究現狀與潛在問題》。
3.工具變數法
這是一種處理內生性問題的經典方法,或者說被濫用最嚴重的方法。
這種方法相信大家都已經學過,就是找到一個變數和內生解釋變數相關,但是和隨機擾動項不相關。在OLS的框架下同時有多個工具變數(IV),這些工具變數被稱為two stage least squares (2SLS) estimator。具體的說,這種方法是找到影響內生變數的外生變數,連同其他已有的外生變數一起回歸,得到內生變數的估計值,以此作為IV,放到原來的回歸方程中進行回歸。
工具變數法最大的問題是滿足研究條件的工具變數難以找到,而不合乎條件的工具變數只能帶來更嚴重的估計問題。
當然,我確實見過非常精巧的工具變數,譬如,殖民地時代的死亡率。
4. 動態面板回歸法
基本思想是將解釋變數和被解釋變數的滯後項作為工具變數(IV)。其實,我是不認可這種處理方法,除非萬不得已,我不推薦這種方法,我也不太相信這種方法能真正緩解內生性問題。可是,確實很多人都在用。算了,不多說了。
D. 被解釋變數是虛擬變數可以用DID嗎
spss做不了,因為你有三年的數據,這就涉及到時間序列,又有橫向的變數數據,可以說這個是面板數據,如果只是單純的用spss回歸分析,未考慮時間序列,那樣的分析是不準確的
E. 內生性檢驗方法
最近也在學習這個問題,還處於小白階段,分享下我的理解。
內生性問題,是指解釋變數x和殘差項u之間存在相關性。導致內生性問題的原因有多個,所以也就有多個與之對應的解決內生性的方法。
首先有可能是遺漏變數,遺漏的變數和x相關。如果你知道遺漏變數是什麼,直接加進來作為控制變數即可。這是最簡單的一種。
如果不知道遺漏變數是什麼,或者Y和X互為因果。可以使用工具變數法。工具變數法其實也就是2SLS回歸(當你選的工具變數個數和內生性變數相同時),或者GMM回歸(工具變數個數大於解釋變數個數)。在使用工具變數時還要考慮工具變數是不是弱工具變數,是不是存在無效工具變數,這都要進行檢驗。
其次,導致內生性問題的原因,還可能是面板數據中,由於個體特異性沒有考慮進去,這些個體特異性如果與解釋變數相關,那麼也會導致內生性問題(x與u相關)。這種情況下,如果你的自變數是隨時間變化的,用固定效應模型;如果你的自變數是不隨時間變化的,用hausman-taylor模型。
第三種,如果你的樣本存在自選擇的問題,也會導致內生性問題。這種情況下就會使用heckman二階段檢驗。
至於具體的實現命令,你直接在stata裡面 help+你想用的回歸方式,stata裡面提供的材料就挺清楚的了。樓主可以根據自己的需要看看。
剛開始這方面的學習,所以我的知識水平只到這。
至於你說的PSM傾向匹配得分法,DID雙重差分,據我所知,是工具變數法的替代解決方式,工具變數法有個非常致命的弱點是好工具變數非常難找。但是具體背後的原理我還不是特別清楚。
以上,希望對樓主有所幫助。
F. DID中性別可以作為控制變數嗎
可以,但是僅適合連續變數,對於分類變數「性別」而言通常是不適合做模型控制觀察的,因為其解釋不符合回歸模型的基本概念。應考慮分別建模觀察。
G. 計量經濟學中DID分析的過程
計量經濟學論文,多元線性回歸模型或者多重共檢驗性,有數據來源,用eviews分析的過程俺給你幫這個忙。
H. Did模型的被解釋變數一般有幾個
兩個。
Did項是為負且顯著的,但是mass(Treated項)是正的並且系數更大,兩兩相抵,所以它的被解釋變數一般有兩個。
雙重差分法,英文名Differences-in-Differences,別名「倍差法」,小名「差中差」。作為政策效應評估方法中的一大利器,雙重差分法受到越來越多人的青睞,概括起來有如下幾個方面的原因:可以很大程度上避免內生性問題的困擾,政策相對於微觀經濟主體而言一般是外生的,因而不存在逆向因果問題。此外,使用固定效應估計一定程度上也緩解了遺漏變數偏誤問題。
I. dID = Request.QueryString["id"].ToString().Trim();是什麼意思
1、很好理解,給變數dID賦值,具體賦值內容是請求字元串中id參數的值。
2、ToString()方法代表獲取參數的字元串值。
3、Trim()方法代表過濾掉字元串兩端的空格。
4、希望對你有幫助。
J. Stata怎樣創建雙重差分(DID)的變數
最權威詳盡的解答,在伍德里奇的《計量經濟學導論(第四版)》第13章第2節中。不是三言兩語里能說清楚的,就是能說清楚,也聽不明白,因為需要有抽象的數學知識和統計知識。因此,推薦樓主讀我推薦的內容。 如果樓主沒有這本書,