5.12 RD workshop 1在线视频

那么我再重复一下

那么

大家看这个数据变量

第一个是state code区分州

因为每一个州的选举结果是不一样的

选举的情况不一样

第三个变量d是很重要的

d就是我们的forcing

variable

因为它是

看label

它是民主党

获得的选票比例减去0.5

0.5是我们的 cut

up point

对不对

所以它减0.5是做了一个什么

它做了一个中心化处理

也就是说这个时候

它的断点就到了零这个位置

是不是

那么下一个变量是问就是民主党获胜

win等于1就是民主党获胜

win等于0

共和党获胜

那么它就是我们的什么

就相当于 assignment就是

treatment

assignment

variable

那么

下一个变量是我们的y, lne

联邦

政府的支出

在选区的政府的支出的对数

那么

这个就是我们的y

也就是说这里的假设就想看说

民主党来去执政的州

它的财政支出

会不会跟共和党执政

财政支出有一个显著的差异

那么对于州来讲

它的treatment就是民主党执政

所以这个就是这样的一个故事

那么后面还有一些变量

那么都是关于每一个州的具体的情况

它的人口

它的黑人占的比例

它的一些产业结构

比如说蓝领工人 农民等等

它占的结构

这些可能都会影响到

选民的投选举的意愿

那么这个就是我们所说的 covariates

协变量

当然协变量我们并不见得都会用

那么这个是大概这样一个故事

那么我们来看一下大家

是不是RD都装好了

那么我来看一下第4行

第4行是最简单的一个命令

那么就是RD

然后y

然后是我们的forcing

variable

那么大家把第4行跑一下

我们一起来看一下这个结果

好

我来解释一下

同学们应该可以看到我的屏幕应该在

同学们应该可以

在雨课堂和

ZOOM里都会看到这个屏幕

我们来看一下 RD它跑出来这个结果

那么这个地方会很清楚的来说

assumed jump

它这个都是

我们这个断点是定义为

0的

所以说大家用命令之前都要把你的

forcing variable

把它中心化一下

因为命令它是默认的

断点是在0的

这样我们就不用再专门有一个

option来设断点的值了

这是一个

第二个就是我们的设定是不是正确

对于这个命令来讲

它认为asignment variable是d

这个地方我们并没有specify

它所谓 treatment

variable

分组变量我们什么时候

specify呢

我们是在

fuzzy RD的时候才需要去

告诉stata

谁是这个分组变量

因为在sharp RD里面

我们只要知道d的取值

我们就已经知道了分组变量取值了

是吧 它们是完全对应的

所以说在sharp RD里面不需要来去设 xt

y是

是

log expenditure

然后看这个结果

这个结果只报告了一个参数

我们关心的分组结果

的系数

哈哈

好 我们把这个结果讲完了

我们休息几分钟

大家可以看到这个地方

很重要一点是什么呢

默认来讲

stata会报告三个带宽所对应的结果

第一个是

默认的带宽

默认带宽是它以

某种计算方式计算的一个带宽

我们上节课讲过

其实我们并不知道哪个带宽是最优的

因此

它还会自动的来去报告

带宽的一半

以及带宽的两倍

所对应的结果

体现在哪里

就体现在尾数上

尾数没有数字的就是一个带宽

尾数后面有个50的就是50%的带宽

尾数后面有200的就是200%

的带宽就是两个带宽

那么它就自动把它标为 local

瓦尔德估计

那么这个是

相当于把这个工具变量的这种

情况也一块考虑进去了

那么当然在sharp RD里面

其实我们就没有无所谓工具变量了

它只是在这个写法上就这么写了

所以这个就是报告了

三种带宽下

我们做RD的估算

我们最感兴趣的

就是treatment变量的系数

我们可以看到

它的取值

分别是0.07

负的0.07

负的0.09和负的0.05

值是非常小的

而且我们可以看它的

检验也是p值也是不显著的

所以这个就是一个最简单的

一个RD的这么一个

一个估算

咱们接着看

大家看一下第5行命令

第5行命令加了一个option

这个option就是对带宽的一个选择

这个mbw就是对于多种

带宽的选择的一个界定

这个地方就是写了个100

也就说我其实不想看这么多种带宽

我只想看一个带宽的情况

加上100大家跑一下第5行

你可以看到这个结果

报告的就只有一个带宽的结果

当然如果你

把它设定为200

那么它当然就会报告出

两个带宽的情况

所以说这个时候

它就只报告了

一个带宽情况下的我们的RD的估计值

这个非常好理解

我们看下一个

下一个 option是x

x说明什么呢

大家知道我们

前面也都讨论过了

最重要的就是来看

我们的整个方程形态

以及这些协变量

包括forcing variable

那么它们在

断点的附近是不是连续的

所以第6个命第6行的命令它就是

option x它其实就是

来去检验

这些协变量

刚才说的这些协变量

population什么

的

它们是不是在

断点附近连续

那么命令就是来检验大家可以跑一下

当然你这个地方如果不加

任何带宽的限制的话

它会跑出三组

结果你们可以跑一下看一下

跑出三组结果

也就是说先跑出一个带宽的

然后是0.5个带宽的

然后是两个带宽的

把这些协变量它们在断点附近

我们做了一个其实是一个什么

这个就是一个placebo

RD，我们把协变量当做

y然后来去做了一个RD的分析

当然就是我们

按照假设的话 我们肯定希望

在 treatment

variable的系数上

这些协变量它们都应该是不显著的

如果它们跳跃了

也就是显著的在断点附近有显著的

断裂 两侧有显著的差异的话

这是一个跳跃

可能会比较有问题

那么我们看在不同带宽下

如果这个结果是比较

consistent

系数趋向于0

而且 p值不显着这个就比较好

那么大家可以看一下这个结果整体

还可以有一个 farmer

农民的人口占比例

这个值是很小的

0.7%的差异并不是特别大

0.7%的差异

但是它在p值上是显著

所以说要综合来看

但整体上也没有太大问题

因为它这个系数本来 mean

difference是特别小的

所以怎么来看做 placebo

的 RD

就加

option就可以了

好 我们下面来看画图哈

RD显然画图是非常直观而且重要的

那么第8行开始我们用的是

graphic option

就是gr

那么我们来看一下

大家跑一下第8行命令

我们限定带宽是100

否则的话会跑出三组图来

我们限定带宽100

我们来看

对于 RD的画图

当然当我们用了命令之后

大家可以看到它用的是

local的 linear

polynomial的这样的一个

平滑分析

那么用的kernel，它报告

出来default

它用的是三角的kernel来画了这么一个

拟合的一个图

ok 那么

这张图

它就是我们在讲课的时候常用的这些例子

只不过这个图它是一个

用真实数据来画的图

横坐标就是我们的 forcing

variable d

的断点已经中心化到0了

那么

这些灰色的点是

实际的这些样本点

红线跟绿线分别是在断裂两侧拟合的曲线

当然y轴是我们的y outcome

variable

就是在一个带宽下画出来的图

我们可以看到确实在断点附近

它跳跃

不是特别的明显

gap也不是很大

离得也比较近

根据散点图的情况

标准误也不会太小

所以说确实它就不太可能显著

但是画图的方法

那就是这个样子的

同学们有问题

就可以随时提出来

就是画的这样的一个

你这是一个拟合图

用的拟合的方法就是我们刚才

说的它用的是三角的kernel

我们来做的这样的一个

平滑的这样的一个拟合

好

那么下一行就是加入了加入了一些图例了

x y轴等等这样的一些值都加上了

我们也可以看

我们现在直接看第10行

那么第10行

这个时候我们是对

这个概率来做这样的一个

分析 也是

win它是

我们刚才说了它是一个01变量

d大于0的时候

win等于1

d小于0的时候

win

它就等于0

那么我们来看第10行命令

其实就是在这个断点两侧

我们来画了一下

win的这个点

因为这是一个sharp RD

大家可以看到

在

0的右侧

x

也就是win

它的所有散点就是这些灰色的点

它其实都是等于1的

这是非常明显的

都等于1

那么因此拟合出来的这条线

绿色的

绿色的这条虚线

它也是

非常平直的

就是这样子

当然就是当 d小于0的时候

我们看到win它所有取值都是0

灰色的这些点被红色的线盖住了

那么红色的线是拟合出来的线

那么这个就是一个sharp RD的情况下

我们的 treatment

分组变量它的概率的情况

这就是非常典型的

我们sharo RD里就应该能够

画出这样的一张图来

但是它顺道把刚才那张外的图画了一遍

这个就是一样的了

有问题你们就随时开麦克说

咱们就work shop

就是边边练边讨论

那么它除了可以画win，像我们最关键

的这样的一些分组变量之外

它也可以画其它变量

我们来看一下第11行

它是对 federal

worker

这样的一个变量

来去做图

当然它会画两张图

它会把y每次都会画出来

我们要的是它x就这张图

大家可以看这个就是我们随便

挑了一个x就是一个协变量

那么协变量

我们在断点两侧分别拟

合它还是刚才的kernel

来去拟合它

散点图就是灰色的这些点

我们可以看到

按刚才我们做的是 placebo

RD

是通过

统计推断的方式来去看的

那么现在我们画图依然

可以看到同样的结果

非常形象

在断点两侧这条红色的拟合的曲线

跟绿色的这条虚线

它们在断点的位置并没有什么跳跃是吧

连的非常好

甚至整个曲线形态两侧

也算是接的比较光滑

那么这个其实会给我们增加这样的一个

判断依据和信心

也很形象的可视化的来去看了一下

我们的这些协变量

它的断点的两侧是不是连续的

那么这个就是对协变量的画图