好全面! 不同异质性稳健DID估计法解析,优缺点及R和Stata代码！

凡是搞计量经济的，都关注这个号了

邮箱： [email protected]

所有计量经济圈方法论 丛的code程序 , 宏微观 数据库和各种软 件都放在社群里.欢迎到计量经济圈社群交流访问 .

接着“ 各种异质性稳健DID方法的特点和优点分别是什么? 为你选择某种估计方法提供客观依据！ ”，今天了解一下不同异质性稳健DID估计法的优缺点及R和Stata代码 （ 最新: 2024版异质性稳健DID最全指南! 更新太快脑袋跟不上看这里！ ）

1. 我们采用了未接受处理或暂未接受处理的观察数据作为对照组，以进行比较分析。

2. 我们对选定样本中所有可能的2×2双重差分（DiD）进行了估计，特别是平均处理效应（ATT𝑔,𝑡），并采用了逆概率加权（IPW）方法进行双重稳健估计，以降低混杂因素的影响。

1. 我们的研究设计仅需要较弱的平行趋势假设，这使得模型对数据的依赖性降低，提高了估计的稳健性。

2. 我们的研究能够生成更为聚合（aggregated）的处理效应估计，包括总体的平均处理效应（ATT）、事件研究估计量以及不同组别或队列的平均处理效应。

3. 我们的研究方法便于生成事件研究结果，并能够方便地绘制相关图表，以直观展示研究结果。

1. 我们选取了那些从未接受过处理或目前尚未接受处理的观察对象作为对照组，以便进行有效的比较分析。

2. 利用对照组的数据，我们能够明确推算出处理组在未接受处理时的潜在结果，并计算出可以进行聚合分析的个体处理效应。

1. 在满足特定假设的条件下，该方法相较于其他方法显示出更高的有效性。

2. 该方法在应用时施加了较强的平行趋势假设，这在假设成立的情况下可以提高估计的精度。

3. 在平行趋势假设成立时，该方法能够提供更精确的估计结果；然而，一旦该假设被违反，其精度可能会受到影响。

4. 生成事件研究结果并绘制相关图表的过程非常简便，有助于直观展示研究数据。

5. 该方法具有良好的扩展性，可以轻松地应用到更为复杂的研究设计中，例如三重差分（Triple DiD）或加入组别特定的线性趋势（group-specific linear trends）。

6. 该方法的计算效率很高，能够快速得出分析结果。

   
   

1. 我们采用从未接受过处理的观察数据作为对照组，以便进行准确的比较分析。在缺乏未处理观察数据的情况下，我们选择最后一批接受处理的组作为对照组，而不是那些尚未接受处理的观察对象作为对照组。

2. 与其它方法不同，我们专注于分别估计每个队列的动态效应，随后这些效应可以进行聚合分析，以获得更全面的视角。

1. 我们能够生成事件研究估计量，并且可以利用staggered包来生成更为聚合的平均处理效应（ATT），这有助于更深入地理解政策或干预措施的长期影响。

2. 该方法的计算效率非常高，能够迅速完成数据分析，为研究人员节省宝贵的时间。

1. 我们采用了两种类型的双重差分（DiD）估计方法：

   a. 第一种类型是将那些从未接受处理且在研究期间转为接受处理的组（即“进入者”）与同一时期内持续未接受处理的组的结果变化进行比较。

   b. 第二种类型则是将那些从接受处理转为未接受处理的组（即“退出者”）与同一时期内持续接受处理的组的结果变化进行比较。

1. 这种方法适用于超出传统交错设计的情况，它不仅允许观察处理的进入效果，还能分析处理的退出效果。

2. 为了确保估计的准确性，我们需要对第二种类型的DiD（即“退出者”）施加额外的平行趋势假设。

3. 尽管这种方法在理论上提供了更全面的分析视角，但它的计算速度相对较慢，这可能需要我们在实际操作中考虑到时间成本。

1. 我们选取了尚未接受处理或从未接受处理的观察数据作为对照组，以确保分析的准确性和可比性。

2. 我们构建了一个事件特定的数据集，称为“堆栈（stacked）”，它包括了在特定时间点同时接受处理的单位的观察数据，以及那些从未接受处理或预计在未来较远的时间才会接受处理的单位的观察数据（即在检查窗口之后）。

1. 目前，我们的方法专注于生成事件研究结果。尽管还没有发现能够生成更聚合的平均处理效应（ATT）的软件包，但将继续探索和开发，以期提供更全面的分析工具。

2. 在处理效应的聚合方面，我们的方法不提供“加权和求和”的机制来计算事件特定的处理效应，而是将每个事件的权重视为相等，以简化分析过程并保持结果的直观性。

1. 我们采用了未接受处理或尚待接受处理的观察数据作为对照组，以确保研究的基准点清晰明确。

2. 我们的研究方法与Sun-Abraham的方法类似，但进行了改进，通过考虑处理时间队列与时间特定效应之间的交互作用，而非简单地将动态效应与队列交互作用，从而更精准地选择有效的比较组。

1. 与Callaway-Sant-Anna的方法一样，我们的方法允许根据研究需求，将特定群体在特定时间的处理效应（ATT𝑔,𝑡）进行聚合，以得出平均效应、日历效应和队列特定效应。

2. 我们的方法具有较强的适应性，能够应用于非线性模型，例如logit模型和Poisson回归模型，从而拓宽了研究的应用范围。

3. 通过利用处理前时期的额外信息，我们的方法有可能提高估计的精度，使得结果更加可靠。

4. 然而，如果研究中的基本假设被违反，我们的方法可能会比其他方法产生更大的偏差，这一点需要在实际应用中予以注意和验证。

*可以进一步到社群交流讨论。

DID新进展，参考1. 连续型DID也要被改造! 现成的平行趋势PT和TWFE估计都有问题, 时隔3年再次出发！ 2. 审稿人: 就这么点样本做DID, 还异质性稳健DID呢, 麻烦看最新文献再说吧！！ 3. 不炒冷饭! 2024年最新“2”份DID使用检查清单, 前沿DID使用基本规范指南 ！ 4. 7种! 一张图里画出7种异质性稳健DID的平行趋势与动态效应的完整code和示例 ，5. 最新: 2024版异质性稳健DID最全指南! 更新太快脑袋跟不上看这里！ 6. 只有4期数据, 为啥平行趋势检验时有6期呢? DID与连续变量交互系数如何解释? 7. 各种异质性稳健DID方法的特点和优点分别是什么? 为你选择某种估计方法提供客观依据！

关于多期DID或交叠DID: 1. DID相关前沿问题“政策交错执行+堆叠DID+事件研究”, 附完整slides ，2. 交错(渐进)DID中, 用TWFE估计处理效应的问题, 及Bacon分解识别估计偏误 ，3. 典范! 这篇AER在一图表里用了所有DID最新进展方法, 审稿人直接服了！ 4. 最新Sun和Abraham(2020)和TWFE估计多期或交错DID并绘图展示结果！详细解读code！ 5. 多期DID或渐进DID或交叠DID, 最新Stata执行命令整理如下供大家学习 ，6. 多期DID前沿方法大讨论, e.g., 进入-退出型DID, 异质性和动态性处理效应DID, 基期选择问题等 ，7. 交叠DID中平行趋势检验, 事件研究图绘制, 安慰剂检验的保姆级程序指南！ 8. 系统梳理DID最新进展: 从多期DID的潜在问题到当前主流解决方法和代码! 9. 标准DID中的平行趋势检验,动态效应, 安慰剂检验, 预期效应教程 ，10. DID从经典到前沿方法的保姆级教程, 释放最完整数据和代码！