Cách tốt nhất để hình dung hồi quy khác biệt (nhiều giai đoạn) là gì?

Cách tốt nhất để hình dung sự khác biệt trong điều trị nhị phân và điều trị liên tục là gì?

Tôi có hồi quy biến kết quả trên tập hợp các điều khiển nhưng loại trừ biến điều trị và vẽ các phần dư trong mỗi nhóm (trường hợp nhị phân) không?

Có cách nào để xem "động lực" của tham số ATE theo thời gian không?

Tôi muốn chỉ ra rằng giả định xu hướng song song là hợp lý.

— sazuhabe
nguồn

Đối với việc điều trị liên tục, bạn cũng có một quan sát có cường độ điều trị bằng 0 hoặc mọi người đều bị ảnh hưởng ở một mức độ nào đó? Bằng "động lực" của ATE, bạn có nghĩa là bạn muốn xem liệu có tác dụng lâu dài của việc điều trị mờ dần theo thời gian không?

— Andy

Vâng, giả sử chúng ta có một số cường độ điều trị bằng không. Tôi đã đọc điều này trong một bài báo, nhưng tôi không chắc tác giả đang làm gì chính xác "Mỗi con số tương tác với hiệu ứng được kết hợp ở trạng thái được xử lý với các biến chỉ báo hàng tháng trong thời gian sự kiện. ngày, thay vì bất kỳ xu hướng khác biệt nào phân tách các nhóm được điều trị và không được điều trị ". Bất kỳ ý tưởng làm thế nào để thực hiện điều này?

— sazuhabe 17/05/2015

Ah tôi chỉ đăng câu trả lời trước khi xem cập nhật bình luận của bạn. Bạn có một liên kết đến giấy?

— Andy

Điều này tương tự với những gì bài báo của Autor thực hiện mà tôi đã tham chiếu trong câu trả lời. Anh chàng của bạn hồi quy kết quả (bằng sáng chế) về điều trị và tương tác điều trị với thời gian giả. Bảng trên cùng thực hiện điều này cho nhóm kiểm soát, bảng dưới cùng cho nhóm điều trị. Vì vậy, bạn thấy rằng kết quả chỉ nhảy cho điều trị sau ngày điều trị (không phải cho kiểm soát) và hiệu quả tăng theo thời gian.

— Andy

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

Y_{i s t} = γ_{s} + λ_{t} + \sum_{m = 0}^{M} β_{- m} D_{s, t - m} + \sum_{k = 1}^{K} β_{+ k} D_{s, t + k} + X_{i s t}^{'} π + ϵ_{i s t}

$Y_{ist} = \gamma_s + \lambda_t + \sum^{M}_{m=0}\beta_{-m} D_{s,t-m} + \sum^{K}_{k=1}\beta_{+k} D_{s,t+k} + X'_{ist}\pi + \epsilon_{ist}$

i

$i$

s

$s$

t

$t$

γ

$\gamma$

λ

$\lambda$

X

$X$

m

$m$

m = 0

$m=0$ , 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: nhập mô tả hình ảnh ở đây

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. $k$

— Andy
nguồn