Когда я оцениваю модель разности различий с двумя периодами времени, эквивалентная модель регрессии
а.
- где - манекен, равный 1, если наблюдение относится к группе лечения
- и представляет собой манекен, который равен 1 в период времени после того, как лечение произошло
Таким образом, уравнение принимает следующие значения.
- Контрольная группа, до лечения:
- Контрольная группа, после лечения:
- Группа лечения, до лечения:
- Группа лечения, после лечения:
Следовательно, в двухпериодной модели разница в оценке разностей равна .
Но то , что происходит в отношении , если у меня есть больше чем один до и после периода лечения? Я все еще использую манекен, который указывает, является ли год до или после лечения?
Или я вместо этого добавляю манекены без указания того, относятся ли каждый год к периоду до или после лечения? Как это:
б.
Или я могу включить оба (т. )?
с.
В заключение, как мне указать модель разницы в различиях с несколькими периодами времени (a, b или c)?
Ответы:
Типичным способом оценки разницы в модели различий с более чем двумя периодами времени является предлагаемое вами решение б). Сохраняя свою запись, вы бы регрессировали где D t ≡ Обработка s ⋅ d t - фиктивная переменная, которая равен единице для лечебных единиц с
Как было указано правильно в комментариях, предложенное вами решение в) не работает из-за коллинеарности с временными манекенами и манекеном для периода после лечения. Тем не менее, небольшим вариантом этого оказывается проверка надежности. Пусть и γ s 1 - два набора фиктивных переменных для каждого блока управления s 0 и каждого обработанного блока s 1 , соответственно, затем взаимодействие макетов для обработанных блоков с переменной времени t и регрессия Y i s t = γ s 0 + γ s 1 +γs0 γs1 s0 s1 t
включает в себя единичную временную тенденцию γ s 1 t . Если вы включите эти единичные временные тренды, а коэффициент разности разностей δ существенно не изменится, вы сможете быть более уверенными в своих результатах. В противном случае вы можете задаться вопросом, поглотил ли ваш лечебный эффект различия между обработанными единицами из-за базовой временной тенденции (это может произойти, когда политики вступают в силу в разные моменты времени).
Примером, приведенным в работе «Angrist and Pischke» (2009) «Mostly Harmless Econometrics», является исследование политики рынка труда Besley and Burgess (2004) . В их статье так получилось, что включение трендов по времени для конкретного штата убивает предполагаемый эффект лечения. Обратите внимание, что для этой проверки надежности вам нужно более 3-х периодов.
источник
Я хотел бы кое-что уточнить (и косвенно ответить на вопрос в комментариях). В частности, это касается использования единичных линейных трендов времени. В качестве проверки надежности может показаться, что вы взаимодействуете с манекенами только для обработанных единиц (т.е.γ1 с ) с непрерывным временным трендом. Однако на самом деле это тот случай, когда вы взаимодействуете с полным набором манекенов юнитов / состояний (фиксированные эффекты юнитов / состояний) с линейной переменной тренда времени.
Angrist и Pischke (2009) рекомендуют этот подход на стр. 238 в журнале « В основном безвредная эконометрика» . Различия в обозначениях могут вызвать путаницу. Воспроизведение спецификации 5.2.7:
whereγ0s is a state-specific intercept, in accordance with the s subscript used in their book. You can view γ1s as the state-specific trend coefficient multiplying the time trend variable, t . Different papers use different notation. For example, Wolfers (2006) replicates a model incorporating state-specific linear time trends. Reproducing model (1):
where the model includes state and year fixed effects (i.e., dummies for each state and year). The treatment variableDs,t is when state s adopts a unilateral divorce regime in period t . Notice this specification interacts state dummies with a linear time trend (i.e., Timet ). This is yet another representation of state-specific linear time trends in your model specification.
Unit-specific linear time trends is also addressed in another post (see below):
How to account for endogenous program placement?
In sum, you want to interact all unit (group) dummies with a continuous time trend variable.
Paper by Justin Wolfers is below for your reference:
https://users.nber.org/~jwolfers/papers/Divorce(AER).pdf
источник