当前课程知识点:教育定量研究方法(高级) > Weeks 13&14: HLM > HLM > 4.14 Q&A 5
第7题的话它说多阶段多群体的DID
如果在政策之后的某一个节点
部分群体又接受了新的其它政策
这种情况该如何处理
这个题我没有想的特别明白
我是这样理解的
我们小组讨论的时候主要是
咱们首先DID它的有一个
非常强的前提假设
就是咱们让它们有common time trend
它们的时间变化趋势是相同的
但如果部分群体的话又接受
了其它政策之后的话
这种
政策的话就会导致可能导致它们
time trend的就不相同了
然后这种情况下的话
可能我们DID处理起来就
比较麻烦
所以我把这个题的理解我又重新理解一下
我认为
咱们政策干预及干预时之后
处理组和对照组的趋势变化的话
可能并不是由于
某一个政策导致的
而是由于其它同时期的其它政策导致的
所以我们在做的过程中
或者说我们在做这样一个DID的时候
我们可能要尽量的避免这样一个
避免这样一个情况出现
因此的话我
因此的话咱们在处理这样
一个政策的时候的话
我们可以
检验,把这个
这种情况你剔除之后的话
我们来做一个DID我是这样来理解的
然后比如说我在查了一下
咱们相关资料之后的话
咱们有第一种
那就是通过虚构处理组的话进行回归
比如说选取政策实施之前
的年份来进行处理
原来的政策咱们发生在2018年
研究的区间是2007~2009
这时候的话我们可以将研究区间
移到2005~2007年
并假设政策实施年分为2016
年然后进行回归
这样的话咱们就把中间的
一个其它政策导致的影响可能
可以消除掉了
然后另外一种的话
我们也可以选择选择已知并不受政策
影响实施的群群主的话来进行
回归 比如说
如果咱们选择不同虚构方式下
DID估计量回顾结果非常显著的话
说明原来咱们的确部分
群体可能受到了一些
影响
然后所以的话就很可能出现偏误
下一页
然后除此之外的话
咱们还可以利用不同的对照组
的话来进行回归
来看一下结论的话是否一致
最后一个话是选取一个完全不
受政策干预影响因素的话
作为咱们被解释变量
进行回归
如果DID回归的结果仍然是显著的话
那就说明原来的估计结果
很可能出现了偏误
然后所以的话咱们可能就得
选取其它的来进行比较
就是这个问题问得也非常好
**的这些检验方法都可以来用
这里面很重要一点
咱们在判断common time trend的时候
我们一定要记得最
最原始的方法是什么
最原始的方法是要穷尽
在我们的政策研究视野范围之内
时空范围之内
包括这个时间
也包括不同的州
在这个范围之内
这些政策到底是影响全部人
还是只影响一部分人
如果影响全部人其实没有关系
对不对
因为它们出来就可以把这个东西给
给去掉
但是如果只影响一部分人
而这一部分人
不论它是跟我们的treatment一致
还是跟control一致
还是混在一起
它都会直接导致我们
DID是不能用的
对不对
你如果明确知道某一个政策或者某一个
突发性的事件
导致了部分人受到了一个额外的影响
影响会混淆在我们想研究的
y的这个里面
对外的影响里面
这个时候DID就做不了了
所以说
咱们之前说的三个假设
所以第一个不要有其它的这种影响
是
这个是很重要的
如果你在
通过 review这些
document
就能够说明这一点的话
后面就不用做了同学们
所以DID做之前还是要谨慎的去
review所有的
policy或者是这种历史的重要
的事件
好 我的这一部分就到这
然后下一部分是**的
好 谢谢**
各位同学老师好
然后我为大家带来的是第8道题
和之后的那些题的一个解释
第8道题的同学它问DDD模型
它的稳健性检验如何做
但是我们首先
想对于这个问题
我们讨论的时候是不太明白
问的稳健性检验怎么做
到底是想问什么
因为
首先我们这里涉及到一个稳健性的话
其实就涉及到一个模型
对吧
像我们都知道 DDD模型
它是一个十分复杂的模型
其实它
在我们讨论的时候
包括后面老师给我们的一个提示
也是说DDD模型它的稳健性足够高的
一般是不会做检验
为什么我们想为什么我们
的同学会问这个问题
它可能是想问我们DDD模型是不是
要考虑 DID的
几个假设,成立的假设
我们来看DDD的几个前提
假设肯定是要考虑的
第一个是common time trend
然后这个的话它其实就是
DID没办法解决这个问题的时候
然后DDD模型想去把这个common time
trend 给它
差异给它不一样的
time trend给它差分出来
然后第二个就是外生性
让它这个是自然实验得到
数据的一个自然的优势
这样也不用去管
最后一个就是唯一政策的干预
就是说在我们受到的政策干预的同时
是否是有其它的政策导致的冲击
然后导致了我们的效应的变化
这个的解释的话可以参照
刚才**所讲的第7题
然后**翻到下一道题事件
下一道题的话其实就是今天的考试那道题
主要讲的就是一个DDD
这个模型它要怎么去计算
以及DDD这个模型它是怎么去理解的
我们可以知道DDD模型就是
它的出现就是为了解释
DID没有办法解释的 time
trend的时候
不common的时候
我们用DDD模型它的
一个基本思路就是说
我们现在发现了我们的
实验组和对照组对吧
然后现在我们实验组和对照组
它的时间确实不一样
我们就可不可以在我们这个
实验组和对照组里面
分别去找到一个
没有受到
我们
政策影响的
这样
实验这样一个组群
我们通过对
它分别
分别 affected跟not
affected里面的这些组
两组进行一个差分
然后可以去估算出它的
从unaffected这里面可以估算
出它的一个时间的变化
趋势的差异
然后我们再从原来的
大的 DID
就affected里面的
双重差分
然后去减去这个时间的一个差异
就可以得到的我们最后想要的结果
这样的话基于这个理念的话
我们就
照上面那样计算
为什么刚刚老师说考试的
时候PPT上面算错了
其实
也不算错
就只是说我们对字母的一个
定义好像也是不一样的
反正我们不管是怎样
然后我们
最后
要解释都是
三个量
第一个
所以第一个变量的话是我们
政策发生的一个时间
这个政策实施的一个前后
第二个的话它是实验组和对照组
第三个变量的话就是说是否受到影响
我们在这里面的话一一和上面对应
刚刚的话老师那道题的话就是把
zj跟Tt
这两个变量互换了一下
我们这样一算就根据刚刚那个理念一算
我们首先第一个格子
第一个格子里面就是一个
它是一个treat组
treatment组的话就是T就等于1
按照这里的定义先看一下
然后第二个的话 affected
它是受到affected的影响
它就等于1, 然后
1的话就是一个事件
它是在事件发生了一个
前面的,我们就先给它取个1
然后给它算了一个这样
第二个我们事件没有发生
然后算就在后
对事件没有发生,在政策之前
再给它算一下 就等于这个
我们一减的话就减到了空格里面的数字
然后我们对control组也
是这样进行一个运算
4个格子都是这样1个运算
最后我们就可以DID的话
在我们的faculty
的以及刚刚第一个
差分的值
来给它减出来
等于β4加β7
第二个就是时间趋势的一个差异
然后给它剪出来β4相减的话就β7
对
然后这就是我们组
对大家的问题的一个解释
大家有什么问题吗
谢谢**
确实这个地方我看了一眼PPT
没有明确的说z跟t分别是什么
如果同学把t当作时间变量的话
这个表格它算的就是
不一样的
就是前面这4个格是不一样
但最后结果是一样的
如果是把z当做时间前后的话
那算就跟这个表格是一致的
**刚才说得很清楚
-1.2 Why do we use regression 1
-1.3 Why do we use regression 2
-1.4 Conditional expectation function 1
-1.5 Conditional expectation function 2
-1.6 Classical assumption of OLS
-1.8 How to use matrix calculation to solve OLS
-1.11 FAQs of regression:practice
-1.12 FAQs of regression:discussion
-1.13 Maximum Likelihood Estimatio
-Basic Econometrics
-2.1 Classical assumptions of OLS
-2.2 Omitted variable bias and endogeneity
-Weeks 3&4 readings and workshop
-Instrumental Variable
-3.6 Threats to the validity of RCT
-3.17 Random-effecrt and Fiexed-effect model
-3.18 Statistic power analysis
-Weeks 5&6 readings and workshop
-Randomized Experiments - Class Size, Career Academies
-4.6 DID with multiple periods 1
-4.7 DID with multiple periods 2
-4.9 Synthetic control methods
-Week7&8 readings and workshop
-Natural experiment and DID
-5.10 Validity and assumption test 1
-5.11 Validity and assumption test 2
-Regression discontinuity
-6.1 Review of causal inference model
-Propensity Score Matching
-HLM