khác biệt với hiệu ứng cố định

Tôi có hai câu hỏi liên quan đến việc có các hiệu ứng cố định trong mô hình DD.

Tôi có một điều trị xảy ra vào những thời điểm khác nhau (ví dụ: 2001,2005, v.v.). Tôi muốn phù hợp với mô hình DD, vì vậy tôi chuẩn hóa các năm điều trị đến năm "0" là thời gian điều trị. Để kiểm soát sự không đồng nhất trong năm điều trị, tôi đã bao gồm các hiệu ứng cố định năm thực sự.

$y_{it} = \beta_0 + \beta_1 \text{Treat} + \beta_2 \text{After} + \beta_3 (\text{Treat $\cdot$ After}) + \eta (\text{Year Fixed Effects})+ \gamma C_{it} + \epsilon_{it}$

Câu hỏi 1: Có gì sai với mô hình này không?

Câu hỏi 2: Có vấn đề gì trong việc bao gồm các hiệu ứng cố định không đổi theo thời gian cho mô hình DD này không? Ví dụ: điều gì xảy ra nếu tôi bao gồm các hiệu ứng cố định cấp i ( ) và / hoặc người cáo buộc nhóm của các hiệu ứng cố định i (ví dụ: nam / nữ hoặc chủng tộc)? Tôi nhận ra rằng DD hủy bỏ i-lvl FE không đổi theo thời gian, nhưng nếu tôi đưa nó vào đây một lần nữa thì sao? $\alpha_i$

— doremonblue
nguồn

Mô hình vẫn ổn nhưng thay vì tiêu chuẩn hóa các năm điều trị, có một cách dễ dàng hơn để kết hợp các thời gian điều trị khác nhau trong các mô hình khác nhau (DiD) sẽ là hồi quy, trong đó là một hình nộm khi nằm trong nhóm điều trị, là một hình nộm cho mỗi cá nhân bằng 1 nếu cá nhân đó nằm trong nhóm điều trị sau khi can thiệp / điều trị chính sách, là đặc điểm cá nhân và

y_{i t} = β_{0} + β_{1} {treat}_{i} + \sum_{t = 2}^{T} β_{t} {year}_{t} + δ {policy}_{i t} + γ C_{i t} + ϵ_{i t}

$y_{it} = \beta_0 + \beta_1 \text{treat}_i + \sum^T_{t=2} \beta_t \text{year}_t + \delta \text{policy}_{it} + \gamma C_{it} + \epsilon_{it}$

treat

$\text{treat}$

policy

$\text{policy}$

C

$C$

year

$\text{year}$ là một bộ đầy đủ của năm giả. Đây là một phiên bản khác của mô hình DiD mà bạn đã nêu ở trên nhưng nó không yêu cầu tiêu chuẩn hóa năm điều trị vì nó cho phép nhiều giai đoạn điều trị (để giải thích, xem trang 8/9 trong các slide này ).

Liên quan đến câu hỏi thứ hai, bạn có thể bao gồm các biến bất biến theo thời gian ở cấp độ cá nhân. Bạn không thể thêm chúng ở cấp độ nhóm (điều trị so với kiểm soát) bởi vì chúng sẽ được hấp thụ bởi hình nộm . Bạn vẫn có thể bao gồm các biến kiểm soát riêng lẻ như giới tính nhưng lưu ý rằng chúng không đóng vai trò thị trưởng trong các phân tích DiD. Lợi ích duy nhất của họ là họ có thể giảm phương sai còn lại và do đó tăng sức mạnh cho các bài kiểm tra thống kê của bạn (xem slide 8 tại đây ). $\text{treat}$

— Andy
nguồn

điều này áp dụng cho tập dữ liệu cắt ngang. Và làm thế nào để chúng tôi xác định effec điều trị từ mô hình bạn đã nêu.

Bạn cần dữ liệu bảng điều khiển cho sự khác biệt về sự khác biệt bởi vì bạn cần một khoảng thời gian trước và sau điều trị. Hiệu quả điều trị là , giả định ngầm định là hiệu quả điều trị không đổi theo thời gian nhưng điều này có thể được nới lỏng nếu cần.

δ

$\delta$

— Andy

Andy, bạn có thể đưa ra một số ý tưởng về cách thư giãn giả định ngầm định rằng hiệu quả là nhất quán theo thời gian?

— dùng001

@ user001 bạn có thể tương tác biến điều trị với các hiệu ứng cố định thời gian (bỏ qua một tương tác làm đường cơ sở). Các tương tác thời gian trong các khoảng thời gian trước khi các phương pháp điều trị xảy ra là không đáng kể (việc điều trị không thể có hiệu lực trước khi nó xảy ra, nếu không thì sai) và các tương tác chỉ báo thời gian sau điều trị sẽ ước tính thời gian mờ dần của điều trị. Ở đâu đó tôi đã đưa ra một câu trả lời tương tự cho thấy đặc tả hồi quy cho điều này.

— Andy

Andy, tôi có một câu hỏi liên quan, nếu tôi không quan sát từng cá nhân trong từng khoảng thời gian. Giả sử, tôi bắt đầu với 10.000 cá nhân nhưng số lượng cá thể trong mẫu tăng theo thời gian?

— edyvedy13