Stata倍分法：全国一刀切的DID

发布时间：2021-07-09 阅读 15069
分享到微信 分享到微博 收藏文章

 

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。安装命令如下：
  . ssc install lianxh
详情参见帮助文件 (有惊喜)：
  . help lianxh

 

✌ 课程详情： https://gitee.com/lianxh/Course

 

 

⛳ 课程主页： https://gitee.com/lianxh/Course

 

⛳ Stata 系列推文：

☝ PDF下载 - 推文合集

 

 

作者：张超 (中山大学)
邮箱：zhangchaooor@163.com

 

 

目录

 

 

1. 相关背景

一般而言，DID 的研究设计需要有部分样本被政策干扰 (处理组)，而部分没有被干扰 (对照组)。但是有些政策，特别是法律的修改，如《物权法》和《劳动保护法》等，其出台对全国范围内所有个体都有影响。那么这种一刀切的政策是否可以使用 DID 方法进行因果识别？抑或全国范围内一刀切的政策如何选择处理组和对照组？

在实践中，法律变化的影响可能在某一维度存在系统性差异，这为我们选择处理组和对照组提供了可能。例如，

  • 针对加强抵押贷款债权保护的法案，Vig (2013) 认为相较于无形资产，土地和厂房等有形资产更容易充当抵押品，因而该法案会对有形资产占比较高的企业产生较大影响。据此，我们可以根据企业的有形资产占比构造实验组和对照组；
  • 针对将动产引入抵押资产清单的法律改革，Campello 和 Larrain (2016) 认为不同行业使用机器设备等动产的比例存在系统性差异，进而可以根据企业对动产的需求差异构造实验组和对照组；
  • 基于中国《物权法》的出台，钱雪松和方胜 (2017) 认为该法增加了企业运用担保物权 (如增加了应收账款、存货等非固定资产的担保物品选择) 进行融资的操作空间，因此可以根据固定资产占比构造对照组和实验组；
  • 基于《贷款风险分类指引》这一收紧续贷标准政策的出台，刘海明和曹廷求 (2018) 认为该政策对改革前依赖短期贷款融资程度不同的企业存在系统性差异的影响，因此可以根据短期贷款比重构造对照组和实验组。

 

2. 剂量效应

剂量效应 (dosage effects) 是根据系统性影响程度进行切分，如二分法、三分法、四分法等，并依此改变对照组和实验组的构造。然后，观测当剂量 (切分大小) 不同时，结果是否也存在差异。具体而言，如果识别策略是稳健的，那么当实验组和对照组在核心影响变量差距变小 (大) 时，两组 DID 检验的差异程度 (系数) 也变小 (大)。以下图为例，

其中 X 轴表示受政策影响的程度， Y 轴表示对应的变化。我们将影响程度变量分为最高 1/3、中间 1/3 和最低 1/3 三组，并将最高的 1/3 界定为处理组，而将最低的 1/3 界定为对照组，此时观察到的处理效应为图 (a) 中的 T3-2。

稳健性检验方法 1：切分方法不变，改变处理组对照组的选择。我们仍然选择最高的 1/3 作为处理组，而将对照组调整为中间 1/3，此时处理效应如图 (a) 中的 T3-1 所示。可以看出，处理效应 T3-2 大于 T3-1。

稳健性检验方法 2：改变切分方法。将影响程度变量根据中位数分组，并将最高的 1/2 作为处理组和最低的 1/2 作为对照组，此时处理效应如图 (b) 中的 T2 所示。可以看出，处理效应 T3-2 大于 T2。

如果选择四分位数进行分组，并将最高的 1/4 作为处理组和最低的 1/4 作为对照组，此时处理效应如图 (c) 中的 T4 所示。可以看出，处理效应 T3-2 小于 T4。

 

3. stata 实例

本部分将以钱雪松和方胜 (2017) 为例进行演示。具体地，在《物权法》出台之前，银行为了控制信贷风险，倾向于向那些能提供抵押品 (特别是土地、厂房、机器设备等固定资产) 的公司放贷。但是 2007 年出台的《物权法》明确增加了应收账款、基金份额、存货等新型担保物权，丰富了企业可以用于担保的物品。因此，相比于政策出台前，在政策出台后，固定资产占比低的企业更容易获得贷款。

在此背景下，钱雪松和方胜 (2017) 根据《物权法》出台前两年 (即 2005 和 2006 年) 固定资产占比均值，将样本分为最高 1/3、中间 1/3 和最低 1/3 三组，并将固定资产占比最高的 1/3 界定为对照组，而将固定资产占比最低的 1/3 界定为处理组。

use "https://gitee.com/arlionn/data/raw/master/data01/Qian2017.dta", clear
*生成控制组与处理组
gen PPE = a001212000_c/a001000000_c
bys stkcd: egen PPE_mean = mean(PPE) if year>=2005 & year<=2006
bys stkcd: egen PPE_Mean = min(PPE_mean)
drop PPE_mean
quantiles PPE_Mean, gen(group_3) n(3)

/*可以观察到标识为 1 的组中 PPE_Mean 均值最小 (处理组)，
而标识为 1 的组中 PPE_Mean 均值最大 (对照组)*/
tabstat PPE_Mean, by(group_3) 

/*原文在主回归中并将固定资产占比最高的 1/3 界定为对照组， 
而将固定资产占比最低的 1/3 界定为处理组*/
gen Treat1 = 1 if group_3 == 1 
replace Treat1 = 0 if group_3 == 3

*生成被解释变量
winsor2 a002000000_c,s(_w)
gen lnLev = ln(a002000000_c+1) 
winsor2 lnLev, s(_w)

*生成事件前后变量
gen Post = 1 if year >= 2007 & year <= 2009
replace Post = 0 if year >= 2003 & year < 2007

. reg lnLev_w Treat1_Post

      Source |       SS           df       MS      Number of obs   =     3,021
-------------+----------------------------------   F(1, 3019)      =     27.04
       Model |  33.0255253         1  33.0255253   Prob > F        =    0.0000
    Residual |  3686.75202     3,019  1.22118318   R-squared       =    0.0089
-------------+----------------------------------   Adj R-squared   =    0.0086
       Total |  3719.77755     3,020  1.23171442   Root MSE        =    1.1051

------------------------------------------------------------------------------
     lnLev_w |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
 Treat1_Post |      0.253      0.049     5.20   0.000        0.158       0.349
       _cons |     20.250      0.023   890.78   0.000       20.206      20.295
------------------------------------------------------------------------------

保持对照组不变，即仍选择固定资产占比最高的 1/3 作为对照组，而将处理组调整为固定资产占比位于中间 1/3，此时观测到的系数应该更小。

. gen Treat2 = 1 if group_3 == 2 
. replace Treat2 = 0 if group_3 == 3
. gen Treat2_Post = Treat2*Post 
. reg lnLev_w Treat2_Post

      Source |       SS           df       MS      Number of obs   =     3,023
-------------+----------------------------------   F(1, 3021)      =     21.08
       Model |  26.8312662         1  26.8312662   Prob > F        =    0.0000
    Residual |   3845.7369     3,021  1.27300129   R-squared       =    0.0069
-------------+----------------------------------   Adj R-squared   =    0.0066
       Total |  3872.56817     3,022  1.28145869   Root MSE        =    1.1283

------------------------------------------------------------------------------
     lnLev_w |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
 Treat2_Post |      0.225      0.049     4.59   0.000        0.129       0.321
       _cons |     20.210      0.023   866.48   0.000       20.164      20.256
------------------------------------------------------------------------------

 

4. 参考文献

  • Campello M, Larrain M. Enlarging the contracting space: Collateral menus, access to credit, and economic activity[J]. The Review of Financial Studies, 2016, 29(2): 349-383. -PDF-
  • Vig V. Access to collateral and corporate debt structure: Evidence from a natural experiment[J]. The Journal of Finance, 2013, 68(3): 881-928. -PDF-
  • 刘海明, 曹廷求. 续贷限制对微观企业的经济效应研究[J]. 经济研究, 2018, 4. -PDF-
  • 钱雪松, 方胜. 担保物权制度改革影响了民营企业负债融资吗?——来自中国《物权法》自然实验的经验证据[J]. 经济研究, 2017, 5: 146-160. -PDF-

 

5. 相关推文

Note：产生如下推文列表的 Stata 命令为：
  lianxh DID, m
安装最新版 lianxh 命令：
  ssc install lianxh, replace

 

相关课程

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]
  • Note: 部分课程的资料，PPT 等可以前往 连享会-直播课 主页查看，下载。

 

⛳ 课程主页

⛳ 课程主页

 

关于我们

  • Stata连享会 由中山大学连玉君老师团队创办，定期分享实证分析经验。
  • 连享会-主页 和 知乎专栏，400+ 推文，实证分析不再抓狂。直播间 有很多视频课程，可以随时观看。
  • 公众号关键词搜索/回复 功能已经上线。大家可以在公众号左下角点击键盘图标，输入简要关键词，以便快速呈现历史推文，获取工具软件和数据下载。常见关键词：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