Что такое разница в оценке
различий Разница в различиях (DiD) является инструментом для оценки эффектов лечения, сравнивая различия до и после лечения в результатах лечения и контрольной группе. В целом, мы заинтересованы в оценке влияния лечения (например, профсоюзного статуса, лекарств и т. Д.) На результат Y i (например, заработная плата, здоровье и т. Д.), Как в
Y i t = α i + λ t + ρ D i t + X ′ i t β + ϵ i t,
где αDяYя
Yя т= αя+ λT+ ρ Dя т+ X'я тβ+ ϵя т
- индивидуальные фиксированные эффекты (характеристики отдельных лиц, которые не изменяются во времени),
λ t - фиксированные во времени эффекты,
X i t - изменяющиеся во времени ковариаты, такие как возраст людей, и
ϵ i t - термин ошибки. Индивиды и время индексируются по
i и
t соответственно. Если существует корреляция между фиксированными эффектами и
D i t, то оценка этой регрессии с помощью OLS будет смещена, учитывая, что фиксированные эффекты не контролируются. Это типичное
опущенное переменное смещение.
αяλTИкся тεя тяTDя т
t = 1 , 2s = A , B
ρ = ( E[ YI сек т| s=A,t=2]- E[ YI сек т| s=A,t=1] )- ( E[ YI сек т| s=B,t=2] - E[ YI сек т| s=B,t=1])
Графически это будет выглядеть примерно так:
AВ
- контролировать ковариат
- получить стандартные ошибки для эффекта лечения, чтобы увидеть, является ли он значительным
лечитьяAвремяTт = 2
Yя т= β1+ β2( лечитья) + β3( времяT) + ρ ( лечитья⋅ времяT) + ϵя т
Tя т
Yя т= β1γs+ β2λT+ ρ Tя т+ ϵя т
γsλT
Е( Y0 я т| i,t)= αя+ λTЕ( Y0 я т| s,t)= γs+ λTs
Можем ли мы доверять разнице в различиях?
Наиболее важным допущением в DiD является предположение о параллельных тенденциях (см. Рисунок выше). Никогда не доверяйте исследованиям, которые не показывают графически эти тенденции! Документы 1990-х годов могли бы сойти с рук, но в настоящее время наше понимание DiD намного лучше. Если нет убедительного графика, показывающего параллельные тенденции в результатах до лечения для контрольной и контрольной групп, будьте осторожны. Если предположение о параллельных тенденциях верно, и мы можем достоверно исключить любые другие изменения во времени, которые могут помешать лечению, то DiD является заслуживающим доверия методом.
Еще одно предостережение следует применять, когда речь идет о лечении стандартных ошибок. С данными за многие годы вам необходимо настроить стандартные ошибки для автокорреляции. В прошлом этим пренебрегали, но с тех пор, как Bertrand et al. (2004) "Сколько мы должны доверять оценкам различия в различиях?" мы знаем, что это проблема. В статье они предоставляют несколько способов борьбы с автокорреляцией. Самым простым является кластеризация по индивидуальному идентификатору панели, что позволяет произвольно соотносить невязки между отдельными временными рядами. Это корректирует как автокорреляцию, так и гетероскедастичность.
Для дальнейших ссылок смотрите эти лекционные заметки Вальдингера и Пишке .