Differences Differences--in in--Differences estimation in R and Differences estimation in R and S tata Stata Stata { a.k.a. Difference { a.k.a. Difference--in in--Difference, Difference Difference, Difference--in in--Differences,DD, DID, D Differences,DD, DID, D--I -D. }D. } DID estimation uses four data points to deduce the impact of a policy change or some other shock (a.k.a. treatment) on the t other shock (a.k.a. treatment) on the treated population: reated population: the effect of the treatment on the treated . T he structure of the experiment implies that the treatment group and control group The structure of the experiment implies that the treatment group and control group have similar characteristics and are trending in the same way over time. T his means that This means that the counterfactual the counterfactual (unobserved scenario) is that had the treated group (unobserved scenario) is that had the treated group not received treatment, its mean value would be the same distance from the control group in the second period. S ee the diagram below; the four data points are the observed mean (average) of See the diagram below; the four data points are the observed mean (average) of each group. T each group. These are the only data points necessary to calculate hese are the only data points necessary to calculate the effect of the treatment on the treated . T he dotted lines represent the trend that is not observed by the The dotted lines represent the trend that is not observed by the researcher. N otice that although the means are different, they both have the same time Notice that although the means are different, they both have the same time trend trend (i.e. slope). (i.e. slope). (i.e. slope). For a more thorough work through of the effect of the Earned Income Tax Credit on female employment, see an earlier post of mine: of mine:
DID双重差分法
双重差分法的平行趋势假定 双重差分法是估计处理效应的常见方法，但也有被滥用的倾向，因为有些应用者对于双重差分法的优点与局限缺乏了解，特别是其潜在的平行趋势（parallel trend）假定…… 差分法的局限 经济学家常关心某政策实施后的效应，比如对于收入（y ）的作用。最简单（天真）的做法是比较处理组（即受政策影响的地区或个体）的前后差异，比如 这称为“差分估计量”（difference estimator），即将处理组（treatment group）政策实施后的样本均值，减去政策实施前的样本均值。然而，由于宏观经济环境也随时间而变（时间效应），故政策实施地区的前后差异未必就是处理效应（treatment effects）。 双重差分法的反事实逻辑 为了解决差分法的局限性，常用方法是寻找适当的控制组（control group），即未实施政策的地区（或未参加项目的个体），作为处理组的反事实（counterfactual）参照系。具体来说，可将未受政策影响的控制组之前后变化视为纯粹的时间效应，即 综合以上两个差分，即将处理组的前后变化减去控制组的前后变化，可得到对于政策处理效应更为可靠的估计： (1) 这就是所谓的双重差分估计量（Difference in Differences，简记DD或DID），因为它是处理组差分与控制组差分之差。该法最早由Ashenfelter（1978）引入经济学，而国内最早的应用或为周黎安、陈烨（2005）。 从以上推理可知，DID的反事实逻辑能够成立，其基本前提是，处理组如果未受到政策干预，其时间效应或趋势应与控制组一样（故可以后者来控制时间效应），这就是所谓的“平行趋势”（parallel trend）或“共同趋势”（common trend）假定。下图直观地展示了DID的思想与平行趋势假定。
178 基于双重差分法的改革绩效评估 —— —以河南邓州强县扩权为例 ■邓悦周宇航文章使用双重差分模型分析方法，选取河南省首批扩权县邓州市与未扩权的唐河县作比较分析，分别从 县域宏观层面和微观企业层面实证考察了“省直管县”改革对县域经济的影响。由此得出“省直管县”改革无论对县域总体宏观经济增长，还是微观企业绩效提高均起到积极促进作用。针对邓州市扩权改革的现状，文章提出了相应的政策建议。 [关键词]强县扩权；省直管县；双重差分 [中图分类号]D63－3[文献标识码]A[文章编号]1004－518X（2013）02－0178－05 [基金项目]中国博士后科学基金“基于区域平衡发展的地方财政支出制度”(115－180927) 邓悦，武汉大学政治与公共管理学院博士后，管理学博士。（湖北武汉430072) 周宇航，中国银行间市场交易商协会。(北京100033) 一、研究背景 改革开放30多年以来，随着我国社会主义市场经济体制的逐步确立，我国经济发展取得了举世瞩目的成就。但是在经济快速发展的同时，传统体制下政府行政管理的计划主导模式遭遇了瓶颈，社会资源配置方式由过去的政府主导逐渐转向以市场配置为主，特别是在社会主义市场经济改革走向深水区的背景下，我国经济社会发展的各种矛盾凸现，迫切需要政府部门进行行政体制改革，以此来适应经济的可持续发展。胡锦涛在党的十八大报告中指出：“优化行政层级和行政区划设置，有条件的地方可探索省直接管理县（市）改革，深化乡镇行政体制改革。”从世界各国发展历程来看，20世界70年代在西方兴起的“新公共管理运动”在世界范围内影响深远，该运动兴起的时代背景是针对欧美等发达国家由于经济发展过程中出现的政府机构膨胀、官僚主义、腐败、行政体系繁杂等导致政府行政效率下降等现象，人们提出需要对政府部门进行“流程再造”，也即精简政府架构，以此来提高政府效率。事实证明，有关政府层级的创新与改革取得了较好的社会效益。 为适应形势发展需要，我国政府部门也在行政管理体制方面做出了有益的探索，以期提高行政管理效率，促进社会资源的有效配置，加快经济的快速发展，比如改革开放以来我国实施的“省管县”政府层级的改革。从现行的我国行政体制来看，我国历来实行“中央—— —省—— —地级市—— —县—— —乡”共五个层次的政府架构，学术界形成的一个基本共识是，现行的“地市级”管理“县级”的政府管理行政体制，导致政府行政层级过多，这不仅增加了行政管理的各种成本，大大降低了行政效率，而且不利于经济社会的稳健发展。从某种程度上来讲，在改革开放进入攻坚阶段，其已经成为经济发展的制度障碍，因此需要改革现有的行政管理模式。而“省管县”改革的核心之处在于越过“地市级”管理，由省级政府直接管理县一级政府，把地级市的部分经济社会管理权限
多期双重差分法,政策实施时间不同的处理方法 今天，计量经济圈主要给圈友引荐一些平时在咱们社群问得比较多的问题——多期双重差分法和一些要点。我们想检验修建地铁对城市环境污染的影响，那么我们想到的是使用DID方法来得到因果关系。但是，我们有疑惑的地方是，各个城市修地铁的时间有先有后，而标准的双重差分方法一般要求t为同一时间点，比如20xx年。 对于这个问题，我们可以采用多期DID方法，将所有还没有修建地铁的城市作为控制组，把已经修建地铁的城市作为处理组，即使最终所有城市都修建了地铁，我们也可以把还没有修建地铁之时的城市作为控制组。 简单点讲，就是每个修建地铁的城市的DID交互项在数据中显示的不一样，因为DID交互项是两个虚拟变量的乘积：treated（是不是修建了地铁）和time（修建地铁的时间）。 这个DID的交互项等于1的情况是，这个城市在具体某年修建了地铁，而对于在修建地铁之前的年份，这个城市的DID 交互项等于０。这就表明，我们在多期DID使用中不再有统一的政策实施年份，而是允许每个城市都有自己的政策实施年份。 这样是不是有助于解决我们遇到的大部分问题。对于那些压根到目前为止都没有地铁的城市，那他的DID（自然不用说）
就是等于0，因为他的treated始终是为0，属于我们的控制组样本。注意，现在就是一个普通的xtreg回归，但是这里有些地方需要注意。第一，我们平时经常看到的 treated+time+treated*time+协变量的标准DID组合已经不见了，现在只剩下了treated*time这个DID交互项和协变量了。第二，我们尽量控制一下城市的个体效应和时间效应，来消除那些会影响DID交互项估计的不可观测因素和时间效应。下面这个多期DID模型就是如此的，αt是时间效应，βi 是城市效应，Xit是随着时间变动的协变量，BC*After就属于咱们感兴趣的DID估计量。 第三，这里面的treated(就是BC)虚拟变量当然可以灵活地替换为其他连续变量，比如，我们不仅对是否修建地铁对环境影响感兴趣，更是对修建地铁的里程对环境影响感兴趣。我们可以把BC替换成地铁的里程(length)，然后我们的准DID 交互项就是length*After。这种DID设置的灵活性让这种方法有很大的适用性。 如果有时候我们不知道处理组具体怎么选择，那该如何设计方法呢？比如我们想要研究一下，美国政府对那些破产的按揭房（金融危机之后的事情）兴起了一个维护修理的政策举动，那这些房子就不至于破败不堪而影响了周围房子的价格。此时，我们就想看看这个政策举动对周围房子的价格的影响，但我们并不知道到底多远的距离才叫“周围”。
双重差分法的平行趋势假定 双重差分法是估计处理效应的常见方法，但也有被滥用的倾向，因为有些应用者对于双重差分法的优 点与局限缺乏了解，特别是其潜在的平行趋势（ parallel trend ）假定 .... 差分法的局限 经济学家常关心某政策实施后的效应，比如对于收入（ y ）的作用。最简单（天真）的做法是比较处 理组（即受政策影响的地区或个体）的前后差异，比如 这称为 差分估计量"（difference estimator ），即将处理组（treatment group ）政策实施后的样本均值， 减去政策实施前的样本均值。然而，由于宏观经济环境也随时间而变（时间效应），故政策实施地区的前 后差异未必就是处理效应（treatment effects ）。 双重差分法的反事实逻辑 为了解决差分法的局限性， 常用方法是寻找适当的控制组 （cont ⑹group ），即未实施政策的地区（或 未参加项目的个体），作为处理组的反事实（ counterfactual ）参照系。具体来说，可将未受政策影响的控 制组之前后变化视为纯粹的时间效应，即 V control — ^ctwiirof, before 综合以上两个差分，即将处理组的前后变化减去控制组的前后变化，可得到对于政策处理效应更为可 靠的估计： 这就是所谓的双重差分估计量（ Difference in Differences ，简记DD 或DID ），因为它是处理组差分 与控制组差分之差。该法最早由 Ashenfelter （1978 ）引入经济学，而国内最早的应用或为周黎安、陈烨 (2005 ) 从以上推理可知，DID 的反事实逻辑能够成立，其基本前提是，处理组如果未受到政策干预，其时间 效应或趋势应与控制组一样（故可以后者来控制时间效应），这就是所谓的 或 共同趋势”（common trend ）假定。下图直观地展示了 DID 的思想与平行趋势假定。 平行趋势"(parallel trend )
上图为数据结构，其中year 为年份；region代表地区；t（若实施此政策为1）和treated（若处在该区域为1）为虚拟变量；jyl为被解释变量；lnrgdp、edu、gz、ins 为控制变量；gd 为t*treated 的交互项。 （1）双重差分模型： Stata命令：reg jyl gd treated t edu ins lnrgdp gz,r （2）加入个体和时间固定效应的模型 Stata命令：reg jyl gd edu ins lnrgdp gz i.year i.region,r 问题一：请问老师，加入个体和时间固定效应后的模型命令正确吗？如果再在此基础上加入个体与时间交乘项该如何操作命令？ （3）双重差分倾向得分匹配 Stata命令： diff jyl, t(treated) p(t) cov(edu ins lnrgdp gz) kernel id(region) support logit report robust
diff jyl, t(treated) p(t) kernel id(region) logit cov(edu ins lnrgdp gz) support test 回复一 上述两个模型的命令都是正确的。在此基础上，无法加入个体（region）与时间（year）的彻底的交互项，因为这样的交互项们将与双重差分的关键变量gd
完全共线性。但如果你想反映个体的效应可能随时间变化，可以尝试加入个体的参数形态时间趋势，最简单的是加入个体的线性时间趋势。 命令如下： reg jyl gd edu ins lnrgdp gz i.year i.region i.region#c.year, r
医疗保险制度整合是否有利于弱势群体 x )))基于双重差分模型的实证分析 李亚青 [内容摘要]制度整合是我国社会医疗保险体系正在进行的一场意义深刻的变革。弱势 群体的境况能否在变革过程中得到改善,是衡量这场变革是否成功的重要尺度。但制 度整合固然可以有效解决城乡之间和制度之间的公平性问题,是否必然同时解决人群 之间的公平性问题呢?本文选取广东省已经完成制度整合的典型地区,运用双重差分 模型的实证分析发现,制度整合在总体上缩小了不同社会经济地位群体之间的保障水 平差距,有力地改善了工人和低收入者等弱势群体的保障状况。 [关键词]医疗保险;制度整合;公平性;弱势群体 作者简介:李亚青(1974)),女,广东商学院金融学院(广州,510320),副教授。研究方向:社会保障。一、引 言 目前,我国已初步建立起包括城镇职工医疗保险、城镇居民医疗保险和新型农村合作医疗三大制度在内的覆盖城乡的社会医疗保险体系。然而,在取得重大成就的同时,我国社会医疗保险改革也出现了一系列问题,突出地表现在:三大制度分别覆盖不同的人群,在统筹层次、筹资机制、保障水平及管理部门等方面各成体系,存在着诸多差异。这种体系多元分割及制度/碎片化0,固化了现有的城乡二元结构和现有的社会阶层结构,[1](134)损害了整个制度体系的公平性,突出地表现为城乡之间、制度之间和群体之间的保障水平差距过大。因此,为提升公平性,进行三大医疗保险制度整合以最终实现制度框架的基本统一,已经成为大多数学者的共识。[2-4]从理论上看,整合各项医疗保险制度并建立起城乡相对统一的制度框架,可以打破城乡分割、制度分割和管理分割等现状,有效缩小或消除城乡之间、制度之间的保障水平差距。因此,医疗保险制度整合的一个突 x 基金项目:国家社会科学基金重点项目5中国医疗保障体系的制度整合与可持续发展研究6(09A ZD039)。
双重差分法是估计处理效应的常见方法，但也有被滥用的倾向，因为有些应用者对于双重差分法的优点与局限缺乏了解，特别是其潜在的平行趋势（parallel trend）假定…… 差分法的局限 经济学家常关心某政策实施后的效应，比如对于收入（ y ）的作用。最简单（天真）的做法是比较处理组（即受政策影响的地区或个体）的前后差异，比如 这称为“差分估计量”（difference estimator），即将处理组（treatment group）政策实施后的样本均值，减去政策实施前的样本均值。然而，由于宏观经济环境也随时间而变（时间效应），故政策实施地区的前后差异未必就是处理效应（treatment effects）。 双重差分法的反事实逻辑 为了解决差分法的局限性，常用方法是寻找适当的控制组（control group），即未实施政策的地区（或未参加项目的个体），作为处理组的反事实（counterfactual）参照系。具体来说，可将未受政策影响的控制组之前后变化视为纯粹的时间效应，即 综合以上两个差分，即将处理组的前后变化减去控制组的前后变化，可得到对于政策处理效应更为可靠的估计： (1) 这就是所谓的双重差分估计量（Difference in Differences，简记DD或DID），因为它是处理组差分与控制组差分之差。该法最早由 Ashenfelter（1978）引入经济学，而国内最早的应用或为周黎安、陈烨（2005）。 从以上推理可知，DID的反事实逻辑能够成立，其基本前提是，处理组如果未受到政策干预，其时间效应或趋势应与控制组一样（故可以后者来控制时间效应），这就是所谓的“平行趋势”（parallel trend）或“共同趋势”（common trend）假定。下图直观地展示了DID的思想与平行趋势假定。