PSM－DID双重差分法详解（精品）.ppt

PSM—DID及其应用 1、介绍PSM-DID方法 2、分析论文 ——西部大开发是增长驱动还是政策陷阱 3、stata操作过程 双重差分法 双重差分（difference in differences，DID）嘛，就是差分两次。 一种专门用于分析政策效果的计量方法。 将制度变迁和新政策视为一次外生于经济系统的“自然实验”的研究方法。 将两个虚拟变量及其交乘项增加进回归方程。 不是直接对比样本在政策前后的均值变化，而是使用个体数据进行回归，判断政策的影响是否具有显著的统计意义。 基本假设：随机分组、随机事件、对照组不受影响、样本同质性和实验处理的唯一性。 倾向得分匹配法 倾向得分匹配法（propensity score matching， PSM）是一种研究方法，比如需要研究某个劳动者接受某种高等教育对其收入的影响，或者研究某个企业运用了某项管理层激励措施以后对企业业绩的影响。 如果我们简单地将是否执行了某项事件作为虚拟变量，而对总体进行回归的话，参数估计就会产生偏误，因为在这样的情况下，我们只观察到了某一个对象他因为发生了某一事件后产生的表现，并且拿这种表现去和另一些没有发生这件事情的其他对象去做比较。这样的比较显然是不科学的，因为比较的基础并不同。 修建铁路对沿线城市经济的影响 现在要修一条铁路，铁路是条线，所以必然会有穿过的城市和没有被穿过的城市； 如果城市i被穿过，记Di=1 否则，Di=0 ； 现在我们比较好奇铁路修好以后，对铁路穿过的城市的经济增长有什么影响？我们该怎么做呢？ 把Di=1的城市的GDP加总，减去Di=0的城市的GDP加总，然后两者一减，即E(Yi|Di=1)-E(Yi|Di=0)，这样我们就算出了两类城市的GDP的平均之差。 万一铁路穿过的城市在建铁路之前GDP就高呢？ 把铁路穿过的城市分为两个时期，修建铁路前和修建铁路后，记为Ti=0和Ti=1，分别求出两个时期的GDP，然后两者一减，即E(Yi|Ti=1)-E(Yi|Ti=0)，这样我们就算出了铁路沿线城市的GDP增长。 问题是就算不修铁路，穿过的这些城市，经济该增长还是会增长的！！！ 修建铁路对沿线城市经济的影响 为了解决以上问题，我们需要观察到至少两期，第一期是建铁路之前， T=0；第二期是建铁路之后， T=1 。 设穿过Di=1，否则Di=0。 两次差分，（1）先求出在修建铁路前后每一个城市的GDP增长率， （2）求处理效应： 修建铁路对城市经济的促进作用 修建铁路对沿线城市经济的影响 可以换一个写法 T=1，建铁路之后 T=0，建铁路之前 Treated代表在某一期，某一类城市是不是建了铁路。第零期肯定没有建铁路，第一期只有Di=1的城市建了铁路。 基本模型为： 对时间差分： 再次差分： 所以实际做的时候，可以直接跑这个式子的回归，得到的交乘项的系数就是所要估计的处理效应。 修建铁路对沿线城市经济的影响 用一个图表示 这里DID最关键的假设是trend，也就是两个组别在不处理的情况下，y的趋势是一样的。 一个学生读研对自己工资水平的影响 如果拿小明来说，小明读了研究生和小明没有读研究生，他的收入会差多少？可是小明已经读了研究生，我怎么才能估计出他要是不读研究生，他的收入会是多少呢？ 于是，我们引入“倾向得分匹配”这样一种研究方法。这种方法能让我们从一大堆没有读研究生的人群中（总体样本的一个子集），对每个人读研究生的概率进行估计，然后选出和小明具有非常相似的去读研究生的概率，可是没有去读的同学小刚——作为小明的对照，然后再来看他们的区别。当样本中的每个研究生“小明”（赵小明、司马小明、石小明…）都找到了匹配的非研究生“小刚”（李小刚、王小刚… ），我们便能对这两组样本进行比较研究了。 一个学生读研对自己工资水平的影响 第一步，我们要对总体样本执行probit或者logit回归，然后估计出每一个观测对象读研究生的概率是多少。以probit检验为例，在stata中，执行以下命令： probit [dependent var] [independent var] 其中，[dependent var]是一个0或1的二进制变量，1代表该对象读了研究生，否则是0。 对每一个观测值，我们根据估计出来的probit模型，算出他读研究生的概率是多少。Stata中，执行如下命令： predict pscore, p 其中，pscore是定义的记录每个观测对象概率的变量名称。 一个学生读研对自己工资水平的影响 使用psmatch2命令，让Stata帮你对于每个读了研究生的观测对象，找出一个与之具有最接近的概率值的，可是没有读研究生的观测对象： psmatch2 [dependent var], pscore(psco