Điều thường được thực hiện là bạn vẽ biểu đồ trung bình của các biến kết quả cho nhóm điều trị và kiểm soát của bạn theo thời gian. Vì vậy, nhóm đối chứng ở đây đương nhiên là tất cả những người không được điều trị trong khi nhóm điều trị là những người nhận được bất kỳ cường độ điều trị nào. Điều đó đã được thực hiện trong ví dụ trong bài trình bày này (slide 25 và 26, phương trình hồi quy nằm trên slide 27).
Nếu bạn muốn thể hiện xu hướng song song theo cường độ điều trị, có nhiều cách khác nhau để làm điều đó và cuối cùng, bạn chỉ cần hiểu rõ về cách bạn muốn phân chia chúng. Chẳng hạn, bạn có thể vẽ kết quả cho các đơn vị được điều trị trong 10% hàng đầu, giá trị trung bình và 90% phân bố cường độ điều trị. Tôi hiếm khi thấy điều này được thực hiện trong thực tế, nhưng tôi nghĩ rằng đó là một bài tập có ý nghĩa.
Để ước tính thời gian mờ dần của điều trị, bạn có thể theo dõi Autor (2003) . Anh ta bao gồm khách hàng tiềm năng và độ trễ của điều trị như trong
trong đó anh ta có dữ liệu về từng cá nhân , ở trạng thái tại time , là các hiệu ứng cố định trạng thái, là các hiệu ứng cố định thời gian và là các điều khiển riêng lẻ. Độ trễ của điều trị ước tính hiệu ứng mờ dần từ i s t gamma bước sóng X m m =
Yist=γs+λt+∑m=0Mβ−mDs,t−m+∑k=1Kβ+kDs,t+k+X′istπ+ϵist
istγλXmm=0, tức là thời gian điều trị. Bạn có thể hình dung điều này bằng cách vẽ các hệ số của độ trễ theo thời gian:
Biểu đồ là trên trang 26 của bài báo của mình. Điều thú vị ở đây là anh ta cũng vẽ các dải tin cậy (các đường thẳng đứng) cho từng hệ số để bạn có thể thấy khi hiệu ứng thực sự khác với 0. Trong ứng dụng này, dường như có hiệu quả điều trị lâu dài trong năm thứ hai mặc dù hiệu quả điều trị tổng thể trước tiên tăng lên và sau đó duy trì ổn định (mặc dù không đáng kể).
Bạn có thể làm tương tự với các khách hàng tiềm năng . Tuy nhiên, những điều đó không đáng kể vì nếu không, điều này gợi ý về hành vi dự đoán đối với việc điều trị và do đó tình trạng điều trị có thể không còn ngoại sinh nữa.k