Stata连享会 主页 || 视频 || 推文 || 知乎 || Bilibili 站
温馨提示: 定期 清理浏览器缓存,可以获得最佳浏览体验。
New!
lianxh
命令发布了:
随时搜索推文、Stata 资源。安装:
. ssc install lianxh
详情参见帮助文件 (有惊喜):
. help lianxh
连享会新命令:cnssc
,ihelp
,rdbalance
,gitee
,installpkg
⛳ Stata 系列推文:
作者:江鑫 (安徽大学)
邮箱:jiangxin199566@foxmail.com
编者按:本文主要摘译自下文,特此致谢!
Source:Chiang H D, Hsu Y C, Sasaki Y. Robust uniform inference for quantile treatment effects in regression discontinuity designs[J]. Journal of econometrics, 2019, 211(2): 589-618. -PDF-
目录
实证研究人员使用了各种版本的局部 Wald 估计量。其中,最广泛使用的是断点回归设计(RDD) 的局部 Wald 估计量。最近,研究人员还在弯折回归设计 (RKD) 中使用了导数估计量的局部 Wald 比率。此外,条件累积分布函数的局部 Wald 比率及其变体用于估计分位数处理效应。在局部 Wald 估计量的所有这些变体中,研究人员在实践中经常通过可替代的数据驱动选择器选择大带宽。因此,理想的估计和推理过程需要对大带宽具有稳健性。
现有文献中提出的这些方法并未涵盖另一个重要情况,即模糊 RDD 中分位数处理效果的稳健统一检验 (Frandsen 等,2012),尽管它在最近的应用中频繁使用。 我们介绍一种新的通用稳健推理方法,并构建了偏差校正的统一置信带,特别是涵盖了模糊分位数 RDD。然而,我们没有提出一种专门适用于模糊分位数 RDD 的稳健推理方法,而是提出了一个通用框架。该框架统一适用于大多数局部 Wald 估计量的情形,包括精确 RDD、模糊 RDD,精确RKD、模糊 RKD、精确分位数 RDD、模糊分位数 RDD、精确分位数 RKD 和模糊分位数 RKD。
在这里,我们主要关注模糊分位数 RDD 的情况,下面介绍一下构建统一置信带的实用指南:
步骤 1:选择一个有限集
步骤 2:对于每一个
其中,
步骤 3:计算
步骤 4:对于每一次引导迭代
步骤 5:为每一个
步骤 6:定义如下分位数:
并通过下式构造一个渐近有效的
rdqte
命令用于在断点回归设计 (RDD) 中对分位数处理效果 (QTE) 执行估计和稳健推断。rdqte
是基于 Chiang 等 (2019) 的精确和模糊断点回归设计 (RDD) 中对分位数处理效果 (QTE) 执行估计和稳健性推理。该命令包含结果变量 fuzzy (varname)
中指定。主要结果包括估计值和跨多个分位数 QTE 的统一 95% 置信区间。
除了这些主要结果之外,该命令还进行以下测试:1) 零假设 1:所有分位数的 QTE 为零 (即,统一原始处理效果);2) 零假设 2:QTE 在所有分位数 (即同质处理效果) 中都是恒定的,而不是异质处理效果的替代方案。该方法对大带宽和未知函数形式具有稳健性。
*命令安装
cnssc install rdqte, replace
* 或
ssc install rdqte, replace
*命令语法
rdqte y x [if] [in] [, c(real) fuzzy(varname) cover(real) ql(real) qh(real) qn(real) bw(real)]
其中,
c(real)
:设置 RDD 的断点位置,默认值为 c(0)
(注意:断点位置本身作为负 fuzzy(varname)
:设置用于模糊 RDD 中估计的处理变量,不调用此选项则默认采用精确 RDD;cover(real)
:设置统一置信带覆盖真实 QTE 的名义概率,默认值为 cover(.95)
;ql(real)
:设置估计 QTE 的最低分位数,默认值为 ql(.25)
;qh(real)
:设置估计 QTE 的最高分位数,默认值为 qh(.75)
;qn(real)
:设置估计 QTE 的分位数点数,默认值为 qn(3)
;bw(real)
:设置用于估计 QTE 的带宽,是一个非正参数,如默认值 bw(-1)
的情况,将转化为最优比率。
在本节中,我们对模糊分位数 RDD 应用稳健统一推理方法。Gormley 等 (2005) 将 RDD 与俄克拉荷马州学前班计划的生日截止资格规则结合,发现认知发展对平均考试成绩有显着的积极影响。他们还发现,在社会经济地位较低的学生的子样本中,平均效应是积极的。后续,Frandsen 等 (2012) 通过估计的分位数处理效果提供了额外的证据,表明这些影响在分布的下端是积极的。Chiang 等 (2019) 应用构建稳健的统一置信带的方法来补充 Frandsen 等 (2012) 的发现。
数据包括 2003-2004 学年 4,710 名塔尔萨公立学校幼儿园和学前班学生的样本。 此数据中使用的主要变量是出生日期 (X)、上一年参加 pre-K 计划的指标 (D*) 和 Woodcock-Johnson 子测试的分数 (Y*):字母 -单词、拼写和应用问题。具体实现命令如下:
rdqte score bdate, fuzzy(treat) cover(0.9) ql(0.1) qh(0.9) qn(9)
下图展示了 pre-K 程序对 Woodcock-Johnson 三个子测试分数的局部分位数处理效应估计结果。该图通过黑色曲线显示了每个分位数
与 Frandsen 等 (2012) 结果相比,Chiang 等 (2019) 的 90% 置信带比获得的 90% 逐点置信区间更宽,但相关分位数指数的统计显着性仍然存在。该项目成功地显着提高了测试分数分布的下限,特别是对于 Applied Problems 子测试,且对社会经济地位不利的儿童的平均影响更大。
Note:产生如下推文列表的 Stata 命令为:
lianxh rdd, m
安装最新版lianxh
命令:
ssc install lianxh, replace
免费公开课
最新课程-直播课
专题 | 嘉宾 | 直播/回看视频 |
---|---|---|
⭐ 最新专题 | 文本分析、机器学习、效率专题、生存分析等 | |
研究设计 | 连玉君 | 我的特斯拉-实证研究设计,-幻灯片- |
面板模型 | 连玉君 | 动态面板模型,-幻灯片- |
面板模型 | 连玉君 | 直击面板数据模型 [免费公开课,2小时] |
⛳ 课程主页
⛳ 课程主页
关于我们
课程, 直播, 视频, 客服, 模型设定, 研究设计, stata, plus, 绘图, 编程, 面板, 论文重现, 可视化, RDD, DID, PSM, 合成控制法
等
连享会小程序:扫一扫,看推文,看视频……
扫码加入连享会微信群,提问交流更方便
✏ 连享会-常见问题解答:
✨ https://gitee.com/lianxh/Course/wikis
New!
lianxh
和songbl
命令发布了:
随时搜索连享会推文、Stata 资源,安装命令如下:
. ssc install lianxh
使用详情参见帮助文件 (有惊喜):
. help lianxh