连享会·课程答疑
Stata 论文班-Day3,任课老师:江艇
Update:2021/2/4
⭕ 课程主页:https://gitee.com/arlionn/PX
⭕ 板书和答疑
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
A: (1) 在潜在控制组模型下,RDD模型由于无法观测到临界值两端样本的潜在结果,因此当我们将带宽限制在某一范围内是,近似认为我们实现了样本的随机分配,能够使用控制组的可观测结果近似替代处理组的潜在结果。(2) 合成控制法在估计处理组的潜在结果时,是通过对潜在控制组的加权平均的方式得到的。其条件是干预前时期处理组与潜在控制组的变动轨迹能够很好的拟合。
A: 如果X对D没有影响,那就不需要控制X,潜在结果框架没说非得控制X。 回归中控制X一个原因是X可能对Y有影响,控制X会提高回归拟合程度。
A: 是的,确实违反了SUTVA假设。对SUTVA假设的间接检验没有系统的方法,需要具体问题具体分析。比如可以参考讲义第180页的示例15获得一些灵感。
A: 可参考讲义第126页,"匹配方法操作细节"的内容。
A: 这个没有一定之规,要具体问题具体分析。如果让我来选择,我会遵循这样的原则:匹配个体越多,意味着匹配样本的变动性和信息含量越大,但可能会导致匹配质量下降,所以我会选择在保证匹配质量的前提下尽量多地设定匹配个体。
A: 后半个问题的回答见Q5,前半个问题的回答和Q5的精神是一致的,放回则有可能匹配样本的变动性和信息含量下降,不放回则有可能匹配质量下降,要找到适当的平衡。
A: 参见讲义第124页对匹配方法何时适用的讨论。
A: 对于1对n匹配,可以用核匹配构建两个样本的权重,使用哪一种具体核密度函数没有先验的结论。
A: 不一定。和是否放回有关。
A: 两种匹配方法的平衡性效果不存在先验的结论。有一些检查平衡性的方法,除了课上讲的normalized difference指标,还有诸如pstest 命令等。
A: 匹配方法一般分为以下三类:(1) 以协变量
X
本身作为匹配对象的方法称为协变量匹配。类比于分块,协变量X
选择越多,分块越细致,因而容易出现组内缺乏变动,即维度诅咒问题。(2) 通过构造处理组和控制组协变量向量的距离指标的近似匹配。(3) 倾向得分匹配。这里您需要根据自己的研究问题确定使用哪种方法进行匹配。
A: 非参数匹配方法没有外推问题,我说的是参数方法有时候外推不准确。我不知道在匹配方法的语境下,你说的内插偏误具体是什么意思,是不是需要估计条件平均处理效应?按理说此时非参数匹配方法应该也不存在内插偏误。
A: 您这个问题,我不太确定是哪一张图。如果您指的是课件P124中的关于由于模型误设引起的外推偏误问题的话,我觉得应该是这样理解的。在第二张图中,尽管处理组与控制组均为非线性形式,但是在整个样本范围内均满足共同支撑的要求,因此采用非参数估计方法的到的ATE与使用线性参数法的到的ATE近似相等。没必要外推是因为在这里,处理组和控制组在共同支撑意外部分并不存在样本取值,所以没必要通过线性外推方式预测其对应的“反事实”取值。
A: 这个不可能会有什么“要求”,也不会有人先验地就因为数据的分布性质就推翻你统计上显著的结果。很多时候我们是先尝试得到结果,如果结果不如我们的预期,再去找原因,如果最后发现是数据质量的问题,那恐怕就无可奈何了。
不过,你可以参考一下Gary King的相关研究。
A: 你没告诉我这个日度变量是什么,我没法准确回答。我的意思是,这类问题的标准答案一定是具体情况具体分析,就你目前的描述来看,固定效应模型是最起码的,但在此基础上还值得考虑,是否存在个股层面时变的遗漏变量。
A: 做组间系数差异要用分组变量和核心解释变量做交互。在DID模型中就是把分组变量和treat#post(或相当于这个性质的变量)做交互。这方面文献太多了,比如可以参考讲义第180页的示例15。
A: 1)关于如何匹配,可参考关于多期DID的视频讲解(对应讲义第P180页)。2)如果有明确的全面实施的时点,那还是可以使用标准的DID方法,只要恰当地定义“前后”即可。前期试点没有平行趋势是什么意思?是说没有试点前数据?那就没法做平行趋势检验了。
A: 时间趋势是您之间将研究时间如
T=1,2,3,4,5,6
看做是一个变量加入到回归模型中,而时间固定效应则是通过生成时间虚拟变量的方式加入的回归方程中,以实现对于特定时期的共同冲击的控制。
A: 平行趋势检验的目的是为了间接检验控制组作为处理组“反事实”估计的有效性问题。因此我们更关注的是干预前时期的平行趋势的满足。可以覆盖所有的处理前时期,也可以覆盖一部分处理前时期,而把更远的处理前时期合并为一期。
A: 理论上每期都可以,但一般会选择第一期,或处理的前一期。关于多期did进行平行趋势检验,查看这篇推文介绍 倍分法DID详解 (二):多时点 DID (渐进DID)。
A: 对于处理时点不一致的数据,在样本期内一直被处理的观测单位实际上是一种特殊的“控制组”,可以参考Goodman-Bacon的研究。
A: 这相当于是混合横截面数据的DID研究,模型的构造和面板数据类似,惟一的区别是没法控制个体固定效应,但也许可以控制比个体层级略高的固定效应。
A: 如果这个混淆事件对相同的处理组在相同的时点上产生了影响,那是无法剔除的,如果不是完全重合,那可以构造这个混淆事件的DID项,也放到回归模型中去,看会不会削弱原DID项的效应。
A: 1)入门教材:Wooldridge, Jeffrey. Introductory Econometrics: A Modern Approach. Cengage Learning, 2012. Stock, James H., and Mark W. Watson. Introduction to Econometrics. Addison-Wesley, 2011. 2)进阶教材:伍德里奇的《横截面与面板数据的计量经济分析》;3)应用计量:安格里斯特、皮施克的《基本无害的计量经济学》;和《精通计量:从原因到结果的探寻之旅》
A: 不能。D与扰动项相关会影响X的系数的一致估计,哪怕X与扰动项不相关。
A: 具体情况具体分析。可以是一些“寻常的”控制,也可以是一些“关键的”控制。
A: 与论文班主题不相关,恕不提供全面的回答,请参见对Q31的回答。
A: 与论文班主题不相关,恕不提供全面的回答,请参见对Q31的回答。
A: 由于所有样本都同时实施政策,无法采用普通的DID方法。如果不同地区政策实施强度不同,可考虑构建强度DID来进行政策评估。你当前的这个做法没法分离政策效应和其它宏观趋势的影响。
A: 1)如果这个pre-treatment 变量不是时变的,那么可以考虑控制它和时间固定效应的交互项。2)不能,此时核心解释变量会和企业固定效应共线。
A: 取决于channel是什么意思。文献中其实对channel和mechanism的用法比较混乱。借用大家可能比较习惯的术语,我喜欢把调节叫做mechanism,把中介叫做channel。mechanism的一般做法就是交互项模型。channel的一般做法有两个,一个是像第一讲的文章那样,把竞争性的channels同时放入回归。第二个是找到刻画channel的变量(也就是大家喜欢叫的中介变量),然后用这个变量对核心解释变量回归。
A: 比较讲义第117页和第119-120页。
A: 听说是。
A: 用加权回归的选项[aweight=weight]
A: 可以。
A: 你的意思是被解释变量Y是用tobin1构造的,而核心解释变量是tobin3?如果tobin1和tobin3很接近,那岂不是用左脚在对右脚做回归?有什么意义呢?
A: 技术上是可以实现的,但我没见过这样的文章。
A: 对照阅读原文和do文档如何?
A: 1)我的意思是X作为协变量的作用在进行匹配和构造权重时已经发挥了,如果匹配质量足够好,在用匹配样本进行参数估计时就不需要再控制X了,当然也有的文章还在控制X。2)没有这个要求。
A: 前者是线性趋势,后者没有线性要求。
A: 不一样,一配多是配几个的问题,有无放回是匹配个体可否被重复使用的问题。
A: 从本质上说,没有区别,DID无非就是核心解释变量呈交互项特征的特殊的固定效应模型。
A: 我不了解这个政策的细节,但你当前的做法是不可行的,因为P97和yr*是共线的。一般原则是,如果政策是普遍实施的,还是要去构造政策实施强度的指标,生成横截面的变动性。
A: 你只要去深入了解动态面板模型的识别假设,就知道它为什么并不受欢迎了。1)它要求当期的D和过去的D相关,这种相关性很可能是弱的。2)它要求和当期D和未来的
不相关,但因为预期的因素,很可能是相关的。3)它要求 没有序列相关性,这不太可能。
A: 非要得到个体层面变量的估计的话,建议控制比个体稍高层级的固定效应。
A: 格兰杰因果不是这门课所说的因果,而是预测意义上的,即一个因素的变动是否可以预测另一个因素的变动。所以这是两种不同的方法论,不会出现在同一篇论文中。
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, 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
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