查看原文
其他

重磅!Stata 17的新模块(二):DDD操作分析

The following article is from 数量经济学 Author 数量经济学

Stata新的didregress和xtdidregress命令符合控制未观察组和时间效应的DID和DDD模型。


didreress可以与重复的横断面数据一起使用,其中我们在不同的时间点对不同的观测单位进行抽样。


xtdidreress用于面板(纵向)数据。这些命令提供了一个统一的框架来获得适用于各种研究设计的推理。


差异中的差异(DID)提供了一种非实验研究方法,通过比较对照组和治疗组中不同结果的差异在时间上的差异,来估计平均治疗对治疗的效果(ATET)。因此,称为DID。这项技术控制了未观察到的时间和组别特征,这些特征混淆了治疗对结果的影响。


差异中的差异(DDD)向DID框架添加了一个控制组,以解释DID可能无法捕捉到的不可观察的组特征和时间特征交互。在新的对照组中,它增加了DID。因此,称为DDD(Difference-in-differences-in-differences,简记DDD)。


下面我们介绍一下Stata官方DID命令didregress和xtdidregress。


截面DID

DID with repeated cross-sectional data



DDD model


关于DDD model的案例背景与前面系列基础知识请往下阅读或者阅读昨日推文重磅!Stata 17的新模块(一):DID官方命令 didregress与xtdidregress


医疗服务提供者想要研究一种新的住院程序对病人满意度的影响,使用在他们的一些医院实施新程序之前和之后的病人月度数据。


卫生服务提供者将使用DID回归分析新入院程序对参与该计划的医院的影响。


结果变量是病人的满意度,变量名称为 (satis),治疗的变量是程序(procedure),我们可以用didregress拟合这个模型。


使用didregress估计双重差分的操作请阅读重磅!Stata 17的新模块(一):DID官方命令 didregress与xtdidregress


下面我们接着介绍。


如果重磅!Stata 17的新模块(一):DID官方命令 didregress与xtdidregress中介绍的操作结果是其他未观察到的变量的结果,而不是新的住院程序的结果,那么它们可能会受到质疑。卫生服务提供者管理者认为,对调查的答复与个人到医院就诊的频率有关。患者可能有未观察到的特征,这影响了他们访问医院的频率和他们对入院程序的感觉。换句话说,可能有一些未观察到的特征混淆了新的住院程序的影响。管理员决定使用DDD模型获取ATET。他们想要估计以高频率或非常高频率就诊的患者的平均治疗效果。


为此,我们将首先创建一个新变量hightrt作为新的处理变量。如果一个人去医院就诊的频率很高或非常高(frequency = 3 or 4,即频率为3或4),或者如果医院在4月份实施了新的入院程序,观察结果将被标记为接受处理(hightrt = 1)。


生成命令为:


DDD模型将纳入医院和使用频率效应,以及它们与时间效应的相互作用。为了拟合该模型,我们加入了一个新的组变量,频率(frequency:):



操作结果为:


上面的第一个表有关于第二组变量,频率的信息,其中低和中频率是控制,高和非常高的频率是处理。


第二个表显示,ATET现在变小了,但策略仍然提高了满意度。



下一篇我们将介绍面板DID。


回顾:didregress案例操作


医疗服务提供者想要研究一种新的住院程序对病人满意度的影响,使用在他们的一些医院实施新程序之前和之后的病人月度数据。


卫生服务提供者将使用DID回归分析新入院程序对参与该计划的医院的影响。


结果变量是病人的满意度,变量名称为 (satis),治疗的变量是程序(procedure),我们可以用didregress拟合这个模型。



第一个表格给出了关于对照组和治疗组以及治疗时间的信息。


第一部分告诉我们,28家医院继续使用旧的程序,18家医院改用新程序。

第二部分告诉我们,所有实施新程序的医院都在第4th时间段内这么做了。如果一些医院后来采取了这一政策,第一次治疗的最短时间和最长时间将有所不同。


第二个表给出了估计的 ATET, 0.85 (95% CI [0.78,0.91])。与没有实施新程序的医院相比,接受治疗的医院的患者满意度提高了0.85个百分点。


该模型的假设之一是,在实施新程序之前,控制组和治疗组的满意度轨迹是平行的。可以通过绘制两组随时间变化的结果或通过可视化线性趋势模型的结果来直观地检查这些轨迹。我们可以使用统计趋势图执行这两种诊断检查。


. estat trendplots


结果为


在政策实施之前,控制医院和治疗医院是平行的。我们可以使用带有统计趋势的平行趋势检验来进一步评估这个假设。

. estat ptrends

结果为

我们没有足够的证据来拒绝平行趋势的零假设。这个检验和图形分析支持平行趋势假设。


我们可能想要进行的另一项检验是,看看在预期治疗中,控制组或治疗组是否会改变他们的行为。这是用格兰杰因果检验来评估的。


. estat granger


结果为


我们没有足够的证据来拒绝治疗前没有行为改变的零假设。连同我们之前的诊断,这些结果表明我们应该相信我们的ATET估计的有效性。



在这个例子中,我们有足够数量的医院(46家)来对我们的治疗效果做出可靠的推断。然而,如果我们只有15家医院的数据,我们可能会考虑其他方法。



为了使用Bell and McCaffrey(2002)自由度调整的偏差校正标准误差,我们可以添加vce(hc2)选项。

. didregress (satis) (procedure), group(hospital) time(month) vce(hc2)

结果为


要使用Donald和Lang(2007)提出的聚合方法,我们可以添加aggregate(dlang) 选项。



结果为



如果我们想允许一些系数在不同的组之间变化,我们可以添加vary的选项。


结果为


我们还可以使用野蛮自举抽样法来获得p值和置信区间。与所有自举抽样的方法一样,我们需要设置种子数字以使结果可复制。



结果为

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存