“傻瓜”学计量——双重差分DID 4（结束）

提纲：

1.传统双重差分法：普通最小二乘法 regress指令+ diff指令

2.多时点双重差分法（处理行为发生时间相同）指令

3.多期双重差分法（处理行为发生时间不同）指令 （CSDID）

1.OLS和DIFF的具体步骤

步骤	软件	操作	含义
1	excel	control+A	全选
2	excel	control+C	复制
3	stata	edit	将会打开一个类似于excel表格的可编辑的表格
4	stata	control+V	选中表格总第一个格子，粘贴数据
5	stata	同意则选择”variable names“,中文的话选择第一个“变量名”。	将会出现一个小窗口如下，问是否要将第一行作为变量名。
6	stata	5后，将会出现一个简短的变量描述
7	stata	generate interaction_term=time*treatmentgroup	生成一个名叫“interaction_term”的变量，在上述例子中我们需要的“交乘项”。 且该“交乘项”=time变量✖treatmentgroup变量
8	stata	（本个指令与下一个指令效果相同）：reg weight i.time##i.treatmentgroup	time##treatmentgroup:将这两个变量包含在回归中，且，将这两个变量的交乘项也包含在回归中。即，新增交乘项
8	stata	regress weight time treatmentgroup interaction_term	双重差分指令与最小二乘回归分析指令相同“reg"；后面依次是 ：因变量、（等式右侧的内容，分别是：）时间变量、分组变量、交乘项
9	stata	解释处理行为效应，关注交乘项系数，也就是红框中的内容，如下所示👇：	交乘项系数  =2.90 t  =2.21 >1.96 p  =0.028 <0.05 结论：观看这个视频，在5%水平下显著地提高了 观众体重

上图👆是最小二乘法回归

下图👇是Diff法

步骤	软件	操作	含义
9	stata	diff weight,treatment(treatmentgroup) p(time) cov(control_1 control_2 control_3)	diff指令 关注最后一行Diff-in-Diff的内容;cov后面可以加入控制变量

1.1. 为什么要用双重差分法？

有兴趣可以看看我的互联网老师欧~~讲的太好了，严谨的推理，强推~ 

双重差分法（八） 双重差分法的Stata操作（上集）/传统双重差分法、多时点双重差分法、多期双重差分法_哔哩哔哩_bilibili

2. 多时点双重差分法

注意：处理行为发生时间不同，关注的是处理行为发生时点前后若干时间点

reg weight i.month##i.treatmentgroup control_1 control_2 control_3

3. 多期双重差分法（处理行为发生时间不同）

3.1. 基本多期双重差分法stata指令

因为不同组处理时间不同，因此无法用同一个时间变量time代表处理前后，因此采用”处理时间变量“treatment time”代表处理行为发生的时间点。

1	ssc install csdid,all replace	更新替换已经存在的相关指令。若第一次安装，可以不加“all replace"。
（1）	ssc install drdid,all replace	安装drdid
2	csdid weight control_1 control_2 control_3,ivar(uid) time(month) gvar( treatment_time)	ivar()：面板数据中个体识别变量，如果是重复截面数据，可以不加此选项。 在本例子中，uid是每一个看过小周视频人的id，若是企业的，则可能是企业的股票代码。

面板数据：针对同一个对象在不同时间点上的数。 vs 重复截面数据：在不同时间点上选择相同数量的对象数据，但是每个时间点上所收集的具体个体是不相同的。

3.2. 计算处理行为效果

3.2.1. 整体处理行为效果

计算所有小模块的加权平均数	先算出日历时期的处理行为效果，然后再计算整体处理行为效果	Caverage	estat simple
	按照事件时期计算处理行为效果，然后再通过事件时期来计算整体处理行为效果	post_average、pre_average
	先算出每个组的平均处理行为效果，然后再通过组平均处理行为效果计算整体处理行为效果	Gaverage
不同时期的处理行为效果	日历时期	estat calendar
	事件时期(按照每个模块所对应的处理行为发生后的期数)	estat event
不同组别的处理行为效果		estat group

3.2.2. csdid指令有三种估计小模块处理行为效果的方法

方法	指令
Double Robust	csdid默认
Outcome Regression	在最后加上method(reg)
Inverse Probability Weighting	在最后加上method(ipw)

3.2.3. csdid对照组选择

从未处理过的个体	csdid默认
尚未处理过的个体	在最后加上notyet
	默认 （if数据中没有从未处理个体，或者我们的数据中所有个体或早或晚都最终接受了处理行为）

---

资料来源：up主“小周同学慢慢学”。讲的超好！！！强推！！