第3篇DID学术“新星”_2023年第7期《数量经济技术经济研究》上最新DID安慰剂检验方法_一行代码随机抽样500/1000次
第3篇DID学术“新星”_2023年第7期《数量经济技术经济研究》上最新DID安慰剂检验方法_一行代码随机抽样500/1000次
文章题目：ESG评级能否促进企业绿色转型？——基于多时点双重差分法的验证
模型：多时点DID模型
利用多时点双重差分法，构建模型，为了进一步考察ESG 评级的动态效果并进行平行趋势检验，构建动态双重差分模型
安慰剂检验：为了检验ESG 评级对企业绿色转型的影响不是由其他随机性因素导致的，采用安慰剂检验对ESG 评级效果的偶然性加以识别。随机抽样500 次构建“伪政策虚拟变量”
PSM-DID 法
异质性处理效应检验：进行负权重诊断
安慰剂检验
为了检验ESG评级对企业绿色转型的影响不是由其他随机性因素导致的，本文采用安慰剂检验对ESG评级效果的偶然性加以识别。随机抽样 500 次构建“伪政策虚拟变量”，检验其系数和P值分布，结果如图所示。
图 2 安慰剂检验图---（a）企业绿色创新为被解释变量 操作代码及结果为：
图 2 安慰剂检验图---（b）全要素生产率为被解释变量 操作代码请直接查看官网。
另外2篇该命令最新应用请查看文章：推荐2篇2023年《中国工业经济》及《数量经济技术经济研究》上最新DID安慰剂检验方法——一行代码随机抽样500/1000次
推荐2篇2023年《中国工业经济》及《数量经济技术经济研究》上最新DID安慰剂检验方法——一行代码随机抽样500/1000次
简介：
2023年第2期《中国工业经济》上有一篇论文应用到了一个新命令，可以实现DID模型安慰剂检验，一行代码直接就可以实现安慰剂检验--随机抽样500/1000次，然后再使用相关命令进行绘图 2023年第6期《数量经济技术经济研究》上面也出现了一篇最新应用的文章，使用该命令进行相关操作的
下面我们就一起来看看这个命令的最新应用
2023年《中国工业经济》最新应用：permute：一行代码实现DID模型安慰剂检验
2023年第2期《中国工业经济》上有一篇论文应用到了permute命令，可以实现DID模型安慰剂检验
原文图为：
代码如下
来源：2023年第2期《中国工业经济》论文《东道国数据保护是否会抑制中国电商跨境并购》
一行代码DID安慰剂检验随机抽样500/1000次_2023年第6期《数量经济技术经济研究》最新应用
2023年3月，我们给大家推荐了2023年《中国工业经济》最新应用：permute：一行代码实现DID模型安慰剂检验，详见：
使用这个命令，就可以一行代码进行DID安慰剂检验随机抽样500/1000次，然后再进行绘图。
今天我们给大家推荐一篇2023年第6期《数量经济技术经济研究》最新应用的文章，也是使用该命令进行相关操作的。
1、简介
采用数据挖掘技术获取2007 ~ 2019年中国283个城市的发明专利和实用新型专利转让详情数据， 从国内、国际两个视角考察技术转移对产业升级的影响。
2、基准模型
为检验技术转移对产业升级的影响，从国际技术转移、国内技术转移两个维度建立如下基准回归模型：
国内技术转移对产业升级的影响
国际技术转移对产业升级的 影响
其中
indupit 为被解释变量产业升级；
zr、zc、fzr、fzc 分别代表解释变量国内技 术转入、国内技术转出、国际技术转入、国际技术转出；
Xit 为控制变量集合；
另外方程中加入时间固定效应、个体固定效应；
εit 为随机干扰项；
𝛽1、𝛽2、𝛽3 为相应系数。
3、回归分析
采用时间+地区双固定效应模型对模型（1）和（2）进行基准回归，为比较不同技术转移对产业升级的影响，将 lnzr、lnzc、lnfzr、lnfzc 同时放入模型，然后进行回归。
4、稳健性检验
从替换被解释变量、替换模型、工具变量法三个方面对技术转移影响产业升级的基准回归结果进行稳健性检验。
5、外生冲击检验
将科技成果转移转化示范区政策视作一个准自然实验，探究其对产 业升级的影响。考虑到科技成果转移转化示范区相继于2016 年、2017 年、2018 年分批次获得批复，采用多时点双重差分模型研究国家科技成果转移转化示范区政策对产业升级的影响，构建如下模型：
其中
indupit为被解释变量产业升级； didit 为政策变量，即处理组虚拟变量与政策实施 时间虚拟变量的乘积。其中，处理组虚拟变量设定原则为在样本期内国家科技转移转化示范 区覆盖的城市赋值为 1，未覆盖的赋值为 0；科技成果转移转化示范区政策实施时间虚拟变 量设立的原则是城市在获批之前赋值为 0，之后赋值为 1； Xit 为控制变量集合； 其他参数同基准回归模型
5、平行趋势及动态效应进行检验
在进行回归前，根据事件研究的基本方法对模型的平行趋势及动态效应进行检验，结果表明采用双重差分估计方法是有效的。
6、安慰剂检验
原文里面的图1+图2
. cap erase "simulations.dta"
. permute did beta = _b[did] se = _se[did] df = e(df_r), reps(500) seed(123) saving("simulatio
> ns.dta"):reghdfe indup did lnpergdp rdm lnroad peo lnfin fdi mark, absorb(id year) vce(robus
> t)
. use "simulations.dta", clear
(permute did : reghdfe)
. gen t_value = beta / se
. gen p_value = 2 * ttail(df, abs(beta/se))
. dpplot beta, xtitle("Estimator", size(*0.8)) xlabel(, format(%4.3f) labsize(small)) ytitle("
> Density", size(*0.8)) ylabel(, nogrid format(%4.3f) labsize(small)) note("") caption("") gra
> phregion(fcolor(white))
随机抽样重复 500 次，并将这 500 个分布值进行观 测。可以发现，其分布在 0 左右且近似于正态分布，表明其他非观测因素不会产生显著影响 。
下面我们具体学习下该命令
1、命令permute
语法格式：
Compute permutation test
permute permvar exp_list [, options] : command
Report saved results
permute [varlist] [using filename] [, display_options]
选项含义为：
permute在蒙特卡罗模拟的基础上估计置换试验的p值。
输入
permute permvar exp_list, reps(#): command
随机排列permvar #times中的值，每次执行命令并从中的表达式中收集exp_list的相关值
permvar标识其观测值将被随机排列的变量。
这些p值估计值可以是单侧的:Pr(T* < T)或Pr(T* > T)。默认情况下是双侧的:Pr(|T*| > |T|)。这里T*表示随机排列数据集的统计值，T表示在原始数据上计算的统计值。
command定义了要执行的统计命令。大多数Stata命令和用户编写的程序都可以与permute一起使用，因为它们遵循标准的Stata语法。by前缀可能不是命令的一部分。
exp_list指定从执行命令开始收集的统计信息。