did模型用什么软件

stata。因为学到的方法是用reg或xtreg命令与treated*t的交互项来丢可以用实现DID，因此did模型用stata软件。DID是一款为创造时尚和追求个性的消费者提供表达自身情感诉求的原创设计平台软件。

您好：

use "macro_workfile.dta", clear

xtset statefip wrkyr

generate D = (wrkyr - branch_reform == 0)

generate y = ln(gini)

global X "gsp_pc_growth prop_blacks prop_dropouts"

tvdiff y D $X, model(fe) pre(5) post(10) vce(robust) test_tt graph save_graph(mygraph) //对应模型 (4)

扩展资料：

DID是估计加工效果最广泛使用的测量方法。该方法的概念最早由医学科学家约翰·斯诺(John Snow, 1855年)在研究伦敦霍乱疫情时提出，并由奥伯纳尔和冯·德·尼恩伯格(Obenauer, 1915年)在研究最低工资法的影响时引入经济学。为评价治疗效果，比较治疗组与对照组的差异。治疗效果是用对照组的变化减去治疗组的变化得到的，因此称为“双差”。DID需要满足的前提假设是处理组和对照组在被处理前必须有相同的变化趋势，即“平行趋势”或“共同趋势”假设。如果满足共同趋势假设，可以直接使用DID方法。如果不满足共同趋势假设，则采用基于倾向分数匹配的差分对偶方法(differential dual method, PSM-DID)。PSM -的基本思想是在对照组的PSM方法用于构造一个对照组和治疗组共同趋势,即选择和处理在整个对照组相同或相似的倾向得分值的示例中,治疗组和对照组的实际使用,治疗组与对照组符合共同趋势。

https://zhuanlan.zhihu.com/p/103412389

【计量地图】DID（双重差分）学习框架和实践 - 知乎 (zhihu.com) 

https://zhuanlan.zhihu.com/p/102428197

Stata: 多期倍分法 (DID) 详解及其图示 - 知乎 (zhihu.com)

【1】郑新业, 王晗, 赵益卓. "省直管县"能促进经济增长吗?——双重差分方法[J]. 管理世界, 2011, 000(008):34-44.

【2】陈思霞, 卢盛峰. 分权增加了民生性财政支出吗?——来自中国"省直管县"的自然实验[J]. 经济学(季刊), 2014, 13(4).

【3】汪伟,艾春荣,曹晖.税费改革对农村居民消费的影响研究[J].管理世界,2013(01):89-100.

【4】叶青,李增泉,李光青.富豪榜会影响企业会计信息质量吗?——基于政治成本视角的考察[J].管理世界,2012(01):104-120.

【5】余明桂,李文贵,潘红波.民营化、产权保护与企业风险承担[J].经济研究, 2013, 48(09): 112-124.

【6】肖浩,孔爱国.融资融券对股价特质性波动的影响机理研究:基于双重差分模型的检验[J].管理世界,2014(08):30-43+187-188.

【7】洪俊杰,刘志强,黄薇.区域振兴战略与中国工业空间结构变动——对中国工业企业调查数据的实证分析[J].经济研究,2014,49(08):28-40.

【8】李志生,陈晨,林秉旋.卖空机制提高了中国股票市场的定价效率吗?——基于自然实验的证据[J].经济研究,2015,50(04):165-177.

假设现要修一条铁路，其必然会有穿过的和没有穿过的城市。现在我们想知道铁路修好以后，被铁路穿过的城市经济增长是不是更快了？为了加深大家理解，画了一个拙劣的图，橘色代表铁路穿过的一个或者一类城市（统称A城市），蓝色代表的是铁路没有穿过的的城市（统称B城市）。效果图如下：

关于这个问题，有 两个解决思路：

（1）简单粗暴的。直接用A城市的GDP平均值与B城市的GDP平均值相减，

但是，这个减法 忽略了城市的自有禀赋问题 ，万一A城市的资源禀赋比较好,GDP本来就高，凭什么一定要说成是政策造成的呢？

（2）复杂一点的方法。我们重新考虑时间的动态变化（政策带来的效应），考虑个体差异。于是便有了双重差分。

所谓差分，简单理解，就是做减法。而双重差分，就是做两次减法。为什么要做两次减法，就是为了解决如何把两个城市放在同一起跑线上，再去检验政策对其是否有效果。具体思路是：

通过观察至少两期的数据：

①第一期：修铁路前

②第二期：写铁路后

这是第一次差分，聚焦于t=0到t=1两个时刻间，个体i，即每个城市GDP的增长，也可以看成GDP的趋势

第二步：时间差异（政策差异）

这是第二次差分，这一步就把两类城市在修建铁路之前和之后的GDP增长率的差异给算出来了，这就是我们要的处理效应，即修建铁路之后对城市经济的促进作用。记T=1 如果时间为建铁路之后，T=0如果时间为建铁路之前，那么我们可以得到一个表：

这个式子的回归，得到的交叉项的系数就是所要估计的处理效应，用一个图表示就是：

DID最关键的假设是common trend，也就是两个组别在不处理的情况下，y的趋势是一样的 。那么你会说了，铁路穿过的城市可能本身GDP也高，而GDP高的城市按照理论GDP增长率可能更高可能更低，所以common trend的假设可能是不对的，那怎么办？如果这个问题存在，我们可以进一步假设在控制了某些外生变量之后，common trend是对的，比如上个问题，我们可以控制城市在t=0期的GDP level。当我们控制其他变量之后，自然不能直接减两次了，我们需要用上面说的回归式子，即run the following OLS:

并不是所有政策评估都适合DID

（1）政策不能是“一刀切”类型，即存在受政策影响的实验组和不受政策影响的对照组

（2）至少两年的面板数据，如果是截面数据一般也别考虑了

（1）平行趋势（CT）假设。简单来说，政策实施前，处理组和控制组其他禀赋条件都差不多。（PS：一般，常用倾向得分匹配法PSM可以得到实现）。处理组和对照组有共同趋势，在政策干预之前，处理组和控制组的结果效应的趋势应该是一样的。

（2）SUTVA条件。政策干预只影响处理组，不会对控制组产生交互影响。政策干预只影响处理组，不会对控制组产生交互影响，或者政策干预不会产生外溢效应；

（3）线性形式条件。潜在结果变量同处理变量和时间变量满足线性条件。

由此可见DID的使用条件较为严苛，并不能随意使用。

（1）画图。

画出实验组时期和对照组时期的时间趋势图；弱两条线走势完全一样或者基本一致，则满足共同趋势（CT）假设。

（2）回归。

1） *** 作：dt项目→改为“年份虚拟变量”,a年即有a个虚拟变量。交互项代表政策实施前，实验组和对照组的差异

2）解读：若a个交互项不显著，则说明政策实施前实验组和对照组不存在明显差别；放松的CT检验认为，只要a个交互项联合不显著，也可以满足假设。

2.1 看不一致

1）选择政策实施前年份进行处理。

eg.假设2013-2015年是研究区间，2014年是政策发生实践。

则可以移动区间把2011-2013年设置为样本区间，并假设政策发生在2012年，进行回归。

在这样的虚构模型假设下，如果回归结果仍然显著，则可能原来的结果存在偏误。

2）选择已知的不受政策影响的群体作为处理组进行回归。

3）选择一个完全不受政策敢于影响的因素作为解释变量进行回归。

1）、2）、3)这三种情况下，如果原来的结果稳健的话，虚构模型下的结果都不应该显著。如果显著，就回过头去检查之前的模型和结果是否有问题。

所以，这里，跟我们常见稳健性检验有点差异。

2.2 看一致

利用不同的对照组进行回归，看结论是否一致。

---