当前课程知识点:教育定量研究方法(高级) > Weeks 13&14: HLM > HLM > 5.14 RD workshop 3
刚才同学们基本上
把这几行命令算是搞明白了
但是有几个细节我们一起来看一下
23行大家看到它是不是
generate一个新的二元
变量
对不对
叫random win
那么这个
它是用了一个逻辑命令
也就是说它是基于问来建立的
问题是我们的
原来sharp RD的分组变量对吧
treatment的 asignment
那么它就加入了一个干扰项
也就是说它先用了一个随机
生成一个数
随机生成这个数
如果小于0.1
那么
就返回哪个逻辑值
返回1-win对不对
因为win也是个01变量
那1-win将来这个结果就反过来了
对不对 相当于
获胜的结果就会反过来
那么如果随机生成的值
它是大于
等于0.1的话
我们就是返回什么
返回win
也就是说变量大家想一想它是不是
就是fuzzy RD里面的实际的
分组变量的这样一个特点
它是基于我们的游戏规则win来去
来去生产的
但是有一些人
有一定比例的人
它没有按照这个游戏规则
就大概这个意思
没有问题
对于23号命令
有
它就是生成的这样的一个带干扰
的这么一个让我们可以用来
做fuzzy RD的这么一个变量
好
大家看25行同学们也都注意到了
ok
那么
25和26行其实分别是对sharp
RD的 win和fuzzy RD
的 random win
分别画图
其实就是画的咱们之前说的它们概率的图
对不对
这个就是它的
同学把静音关了
我们把25行
我不知道你们刚才有没有跑过
20
20 23行命令生生成之后
我们把25行
和26号
都跑一下
我们可以看到
就是说
你考虑的意思是什么
这个是
我们用 random win
来生成的这样的一个
一个变量
大家可以看一下
我们来看一下这张
你们是不是也跑出了这张图
这里大家可以看到灰色的散点图
灰色的散点图
是不是本来在
D小于0的情况下
应该
获胜的概率应该都是
D小于0的情况下应该都是0
但是在这种情况下
我们是不是发现有一些
我来搞一下注释
我会发现你看有一些点它就跑到
这边来了
就是说
这个是 D小于0
D小于0是左侧
左侧它应该都等于0
但是有一些人跑到等于1这来了
那么同样D大于0的这种情况说
它都应该是
1,就是win等于1的
但是random win里面它就有一部分
它就等于0了
这个就是fuzzy的情况
那么这时候再看拟合的曲线
显然就不是之前
非常sharp的这样的一个
楼梯式的这么一个跳跃了
那么它就变成了一个不等于
就是0和1之间那条曲线
当然这个曲线我们并不能
说它就是一个概率
函数
这个形态也没有这么好
因为这个是我们随机拟合出来的
所以这个就是一个用来做fuzzy
RD的这么一个变量
好
我们来看在fuzzy RD的情况下
我们怎么来分析
那么同学们注意到了
在29行命令里面
我们这次是加入了 treatment
treatment variable
就是random win
之前sharp RD我们是不用加这个变量的
刚才解释过了 因为
win跟 D是完全对应的
只要我们知道D的取值
我们就知道win的取值 因为
命令默认断点是在0
D大于0
那么这个win就等于1,D小于0
win就等于
0 所以说就没有必要再去
specify
a treatment
variable
但是在fuzzy RD的情况下
显然这两个对应关系就变了
不然怎么win跟D的关系就
不是一一对应了
刚才我们画图也看到了
所以在这种情况下我们就要加入
random one
所以它自己就会用什么
就会用这个工具变量法来去处理
所以第29行命令大家跑一下
好 那么这个时候大家可以看到
这个时候
我们跟之前的区别就在于说
我们specify了
谁是treatment
variable
X t在这里是谁?是random
win
其它都跟sharp RD里是一样的
那么我们最后跑的是个什么
瓦尔德估计
对不对 因为我们的
工具变量是一个二元变量
那么我们做的其实是个瓦尔德估计
那么这个是在限制一个带宽
我们没有报告这么多结果
限制一个带宽的情况下对它给出的结果
那么对于这个结果
大家能不能看明白
它报了三行
刚才你们有没有跑到这个位置
好
因为时间关系我们就不再做详细讨论
这三行分别是什么
分别是瓦尔德估计的
分子分母和比值
第一个是什么 是分子是吧
Numeric是分子 第二个
denominator是分母
就瓦尔德估计分母
这两个就分别对应的是什么
是不是分别对应的是我们
reduced form和第一阶段
的估计的值
对不对
差值条件期望的差值
它俩做比就是瓦尔德估计
对不对
一二行**我刚才刚说了这个明白了吗
明白了
对这个
就明白了 很简单
分子分母都给你报告出来了
因为它本身是有含义的
对不对
咱们都现在对瓦尔德估计很熟了
分子分母都是具有
它都是有很具体的含义的 我们也
愿意去知道它的结果
Ok那么这个就是对于fuzzy
RD的处理非常简单
在命令下 当然
它简单的代价就是说我们
只能用这种一种方式
其它的如果你想加别的东西就加不了了
那么可能单独再去找别的命令
或者要自己写命令了
好 这个是这
那么我们最后再留一个小的思考题
因为现在到点了
大家回去自己讨论一下
那么上面我们把 RD的主要的分析
都做完了
唯一没有做的
对y
做placebo RD怎么来做
因为我们刚才对协变量做placebo
RD我们已经做过了
对不对
唯一我们没有检验的就是对y怎么
做placebo RD
-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