计量前沿：合成双重差分法(AER, 2021)

引言

本文利用面板数据提出了一个新的因果效应估计，该估计建立在广泛使用的双重差分和合成控制方法的见解之上。相对于这些方法，研究发现，无论是从理论上还是从经验上来说，这种“系统双重差分方法”估计具有理想的稳健性，并且它在传统估计中通常在实践中使用的环境中表现良好。本文研究了当结果模型的系统部分包括潜在的单位因素与潜在的时间因素相互作用时估计量的渐近行为，并给出了一致性和渐近正态性的条件。

正如Arkhangelsky等人(2019)提出的，该软件包实现了面板数据中平均处理效果的合成双重差分法(SDID)。我们观察结果Y和二元治疗指标W的矩阵，我们认为满足Yij = Lij + τij Wij + εij。在这里，τij是在时间j时，处理对单位i的影响，我们估计处理在时间和地点发生的平均影响:Wij=1的观测值的平均τij。所有治疗单元必须同时开始治疗，因此W为块矩阵:i > N0, j > T0 Wij = 1，否则为0，其中N0为对照单元数，T0为治疗开始前的观察次数。这特别适用于单个处理单元或处理期间的情况。

软件安装

当前的开发版本可以使用devtools从源代码安装。

devtools: install_github(“synth-inference / synthdid”)

Example

library(synthdid)

# Estimate the effect of California Proposition 99 on cigarette consumption
data('california_prop99')
setup = panel.matrices(california_prop99)
tau.hat = synthdid_estimate(setup$Y, setup$N0, setup$T0)
se = sqrt(vcov(tau.hat, method='placebo'))
sprintf('point estimate: %1.2f', tau.hat)
sprintf('95%% CI (%1.2f, %1.2f)', tau.hat - 1.96 * se, tau.hat + 1.96 * se)
plot(tau.hat)

References

Dmitry Arkhangelsky, Susan Athey, David A. Hirshberg, Guido W. Imbens, and Stefan Wager. Synthetic Difference in Differences, 2019.‘’

阅读原文：

synthdid: Synthetic difference in differences (gitee.com)