双重差分法DID专题--平行趋势检验与安慰剂检验方法汇总
以下内容前半部分来源：社会科学中的数据可视化（id：SKSJKSH）、普林斯顿大学教程https://dss.princeton.edu/training/DID101.pdf
后半部分论文来源于中国工业经济
双重差分法（DID）平行趋势及安慰剂检验方法合集
1、简介
现代计量经济学和统计学的发展为我们的研究提供了可行的工具。倍差法来源于计量经济学的综列数据模型，是政策分析和工程评估中广为使用的一种计量经济方法。主要是应用于在混合截面数据集中，评价某一事件或政策的影响程度。该方法的基本思路是将调查样本分为两组，一组是政策或工程作用对象即“作用组”，一组是非政策或工程作用对象即“对照组”。根据作用组和对照组在政策或工程实施前后的相关信息，可以计算作用组在政策或工程实施前后某个指标（如收入）的变化量（收入增长量），同时计算对照组在政策或工程实施前后同一指标的变化量。然后计算上述两个变化量的差值（即所谓的“倍差值”）。这就是所谓的双重差分估计量（Difference in Differences，简记DD或DID），因为它是处理组差分与控制组差分之差。该法最早由Ashenfelter（1978）引入经济学，而国内最早的应用或为周黎安、陈烨（2005）。
常用的倍差法主要包括双重倍差法和三重倍差法。双重差分法（Difference-in-difference,DID）有几种其他的称谓：倍差法、差分再差分等。该方法的原理非常简单，它要求数据期至少有两期，所有的样本被分为两类：实验组和控制组，其中实验组在第一期是没有受到政策影响，此后政策开始实施，第二期就是政策实施后的结果，控制组由于一直没有受政策干预，因此其第一期和第二期都是没有政策干预的结果。双重差分方法的测算也非常简单，两次差分的效应就是政策效应。
双重差分法的假定，为了使用OLS一致地估计方程，需要作以下两个假定。
假定1：此模型设定正确。特别地，无论处理组还是控制组，其时间趋势项都是。此假定即“平行趋势假定”（parallel trend assumption）。DID最为重要和关键的前提条件：共同趋势（Common Trends）
双重差分法并不要求实验组和控制组是完全一致的，两组之间可以存在一定的差异，但是双重差分方法要求这种差异不随着时间产生变化，也就是说，处理组和对照组在政策实施之前必须具有相同的发展趋势。
假定2：暂时性冲击与政策虚拟变量不相关。这是保证双向固定效应为一致估计量（consist estimator）的重要条件。在此，可以允许个体固定效应与政策虚拟变量相关（可通过双重差分或组内变换消去，或通过LSDV法控制）。
DID允许根据个体特征进行选择，只要此特征不随时间而变；这是DID的最大优点，即可以部分地缓解因 “选择偏差”（selection bias）而导致的内生性（endogeneity）。
2、DID操作案例
Difference in differences (DID) Estimation step‐by‐step双重差分操作步骤
首先我们读入所需数据，生成政策前后以及控制组虚拟变量，并将它们相乘产生交互项。
方法一：
Getting sample data调用数据
use "http://dss.princeton.edu/training/Panel101.dta", clear
Create a dummy variable to indicate the time when the treatment started. Lets assume that treatment started in 1994. In this case, years before 1994 will have a value of 0 and 1994+ a 1. If you already have this skip this step.设置虚拟变量，政策执行时间为1994年
gen time = (year>=1994) & !missing(year)
*Create a dummy variable to identify the group exposed to the treatment. In this example lets assumed that countries with code 5,6, and 7 were treated (=1). Countries 1-4 were not treated (=0). If you already have this skip this step生成地区的虚拟变量
gen treated = (country>4) & !missing(country)
* Create an interaction between time and treated. We will call this interaction ‘did’ 产生交互项
gen did = time*treated
Estimating the DID estimator随后将这三个变量作为解释变量，y作为被解释变量进行回归：
reg y time treated did, r
结果为：
. gen time = (year>=1994) & !missing(year)
.
.
. gen treated = (country>4) & !missing(country)
.
.
. gen did = time*treated
. reg y time treated did, r
Linear regression Number of obs = 70
F(3, 66) = 2.17
Prob > F = 0.0998
R-squared = 0.0827
Root MSE = 3.0e+09
------------------------------------------------------------------------------
| Robust
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
time | 2.29e+09 9.00e+08 2.54 0.013 4.92e+08 4.09e+09
treated | 1.78e+09 1.05e+09 1.70 0.094 -3.11e+08 3.86e+09
did | -2.52e+09 1.45e+09 -1.73 0.088 -5.42e+09 3.81e+08
_cons | 3.58e+08 7.61e+08 0.47 0.640 -1.16e+09 1.88e+09
------------------------------------------------------------------------------
. reg y time treated did, r
Linear regression Number of obs = 70
F(3, 66) = 2.17
Prob > F = 0.0998
R-squared = 0.0827
Root MSE = 3.0e+09
------------------------------------------------------------------------------
| Robust
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
time | 2.29e+09 9.00e+08 2.54 0.013 4.92e+08 4.09e+09
treated | 1.78e+09 1.05e+09 1.70 0.094 -3.11e+08 3.86e+09
did | -2.52e+09 1.45e+09 -1.73 0.088 -5.42e+09 3.81e+08
_cons | 3.58e+08 7.61e+08 0.47 0.640 -1.16e+09 1.88e+09
------------------------------------------------------------------------------
.
did的系数显著为负，表明政策实施对Y有显著的（10%显著性水平下）负效应
方法二：diff
The command diff is user‐defined for Stata，To install type
ssc install diff下载外部命令方法
**diff y, t(treated) p(time)**
结果为：
. diff y, t(treated) p(time)
DIFFERENCE-IN-DIFFERENCES ESTIMATION RESULTS
Number of observations in the DIFF-IN-DIFF: 70
Before After
Control: 16 24 40
Treated: 12 18 30
28 42
--------------------------------------------------------
Outcome var. | y | S. Err. | |t| | P>|t|
----------------+---------+---------+---------+---------
Before | | | |
Control | 3.6e+08| | |
Treated | 2.1e+09| | |
Diff (T-C) | 1.8e+09| 1.1e+09| 1.58 | 0.120
After | | | |
Control | 2.6e+09| | |
Treated | 1.9e+09| | |
Diff (T-C) | -7.4e+08| 9.2e+08| 0.81 | 0.422
| | | |
Diff-in-Diff | -2.5e+09| 1.5e+09| 1.73 | 0.088*
--------------------------------------------------------
R-square: 0.08
* Means and Standard Errors are estimated by linear regression
**Inference: *** p<0.01; ** p<0.05; * p<0.1
.
3、双重差分平行趋势检验
在介绍完DID的基本思想和模型设定后，我们再来说说DID的稳健性检验，也就是要想办法证实所有效应确实是由政策实施所导致的。
关于DID的稳健性检验，主要表现在两个方面：
1、共同趋势检验
所谓共同趋势或者平行趋势，是指处理组和控制组在政策实施之前必须具有相同的发展趋势。
如果不满足这一条件，那么两次差分得出的政策效应β就不完全是真实的政策效应，其中有一部分是由处理组和控制组本身的差异所带来的。
平行趋势检验―般有画时间趋势图和事件研究法两种方法。
如果平行趋势假设成立，那么在政策时点之前，处理组和控制组应该不存在显著差异。
画时间趋势图其实是一种比较粗糙的方法，具体做法就是绘制处理组和控制组的y的均值的时间趋势，这种方法简单直观，不能在统计意义上准确地判断处理组和控制组是否存在显著差异。
事件研究法相比画平行趋势图更为准确、更为科学，具体做法就是生成年份虚拟变量YEARj与处理组虚拟变量treati的交互项，加入模型中进行回归(M、N分别表示政策前和政策后的期数)，那么交互项treatixYEARj的系数δj衡量的就是第j期处理组和控制组之间的差异。
平行趋势检验
首先生成年份虚拟变量与实验组虚拟变量的交互项，此处选在政策前后各3年进行对比。
gen period = year - 1994
forvalues i = 3(-1)1{
gen pre_`i' = (period == -`i' & treated == 1) }
gen current = (period == 0 & treated == 1)
forvalues j = 1(1)3{
gen time_`j' = (period == `j' & treated == 1)
}
随后将这些交互项作为解释变量进行回归，并将结果储存在reg中以备后续检验。
xtreg y time treated pre_* current time_* i.year, fe
est sto reg
采用coefplot命令进行绘图，观察是否1994年前的回归系数均在0轴附近波动，在1994年后回归系数显著为负。
**coefplot reg, keep(pre_\* current post_\*) vertical recast(connect) yline(0) xline(3, lp(dash))**
结果发现系数在政策前的确在0附近波动，而政策后一年系数显著为负，但很快又回到0附近。这说明实验组和控制组的确是可以进行比较的，而政策效果可能出现在颁布后一年，随后又很快消失。
4、安慰剂检验
如果说你发现模型满足平行趋势检验，也不能高兴的太早，我们仍要担心政策干预时点之后处理组和对照组趋势的变化是否受到了其他政策或者随机性因素的影响，因为仅凭一个交互项并不足以说明就是我们关心的政策导致了y的变动。
这时，安慰剂检验可以帮助我们的DID估计结果更具稳健性。
除了共同趋势检验,在DID方法中还有一项重要的必不可少的检验--安慰剂检验。
为什么要叫做安慰剂检验呢？
安慰剂来自于医学上的随机实验，当我们要检验某种新药品的疗效，就可以将参加实验的人群随机分为两组，其中一组为实验组，服用真药，另一组为控制组，服用安慰剂（无效的糖丸），不让参与者知道自己服用的是真药还是安慰剂，以避免主观心理作用影响实验效果，这就是安慰剂检验。
安慰剂检验核心思想就是虚构处理组或者虚构政策时间进行估计，如果不同虚构方式下的估计量的回归结果依然显著，那么就说明说明原来的估计结果很有可能出现了偏误，我们的被解释变量y的变动很有可能是受到了其他政策变革或者随机性因素的影响。
笔者认为,共同趋势检验是一种安慰剂检验，但反过来不成立，因为安慰剂检验还包括除共同趋势检验以外的其他检验。在现有的政策性评估文章中，有很多种进行安慰剂检验的方法。具体如下所述。
第一种,可以采用政策发生之前的数据。将政策实施前的除第一年之外的所有年份“人为地”设定成为处理组的政策实施年份，然后根据DID模型逐年回归。当所有回归中的交互项系数都不显著时,说明通过了安慰剂检验,表明之前识别的政策平均效应是可靠的，否则就是不可靠的。如果政策实施前有n年数据，那么就要做n-1次上述回归。
第二种，可以“人为地”随机选择政策实施对象(处理组)，然后使用全样本做DID回归。如果交互项系数不显著，则判断政策对随机选择的处理组都不存在政策效应，可以进一步证明之前识别的政策平均效应结果是可靠稳健的
第三种,改变被解释变量,通常选择理论上不受政策影响的其他变量,保持真实的对照组和处理组、真实的政策实施时间，重新进行DID 回归，理想的结果是，该政策的实施对其他被解释变量都不存在政策效应。
可以说,DID方法最难的部分就是安慰剂检验，如果安慰剂检验不通过，那么双重差分模型得到的结果就不具有说服力，大家在科研实践中一定要多加注意。
4.1 安慰剂检验方法1：
[论文1、“一带一路”倡议促进了中国高质量出口吗——来自微观企业的证据](中国工业经济 (ajcass.org))
该文使用了平行趋势检验以及安慰剂检验，代码为：
******************************************************************************
*********************************六、稳健性检验*******************************
******************************************************************************
***********************
**附表3：平行趋势检验**
***********************
set more off
gen Dyear= _日期-2014
gen pre4= (Dyear==-4&ydyl==1)
gen pre3= (Dyear==-3&ydyl==1)
gen pre2= (Dyear==-2&ydyl==1)
gen pre1= (Dyear==-1&ydyl==1)
gen current=(Dyear==0&ydyl==1)
gen post1= (Dyear==1&ydyl==1)
reghdfe ln_quality pre4 pre3 pre2 current post1 $x3, absorb(i._日期 _企业编码) vce(cluster province)
outreg2 using wjx1.doc,keep( pre4 pre3 pre2 current post1) replace addtext(Firm FE, Yes, Year FE, Yes, Controls*t, Yes, Controls*t*t, Yes, Controls*t*t*t, Yes) dec(4)
est store Dynamic1
***********************************
**图1：双重差分模型的平行趋势检验**
***********************************
coefplot Dynamic1, ///
keep(pre4 pre3 pre2 current post1) ///
coeflabels(pre4 = 2010 ///
pre3 = 2011 ///
pre2 = 2012 ///
current = 2014 ///
post1 = 2015 ) ///
vertical ///
yline(0,lp(dash)) ///
ytitle("ln(Quality)回归系数") ///
xtitle("年份") ///
addplot(line @b @at) ///
ciopts(recast(rcap)) ///
rescale(100) ///
ylabel(, nogrid) ///
scheme(tufte)
graph export "figurename.png", replace
*******************
**图2：安慰剂检验**
*******************
cd C:\Users\user\Desktop\数据\placebo
set more off
forvalues i=1(1)500 {
use dodata,clear
save ydyl_data,replace
use ydyl_data,clear
keep citycode _日期
bysort citycode _日期: gen temp_code=_n
keep if temp_code==1
drop temp_code
drop if _日期==2010
save dummy_data,replace
use dummy_data,clear
** create the false dataset
bysort _日期: keep if _n==1
sample 1, count
keep _日期
save temp,replace
use dummy_data,clear
merge m:1 _日期 using temp
keep if _merge==3
drop _merge
sample 36, count
keep _日期 citycode
rename _日期 ydyl_日期
save ydyl_time,replace
* Generate the false_ydyl_after variable
use ydyl_time
merge 1:m citycode using ydyl_data
gen false_citycode=(_merge==3)
drop _merge
egen tt=mean(ydyl_日期)
replace ydyl_日期=tt
drop tt
gen false_after=(_日期-ydyl_日期>=0)
gen false_ydyl_after=false_citycode*false_after
save ydyl_data,replace
* Regression
reghdfe ln_quality false_ydyl_after Capital_City_t Yangtz_City_t ratio_fiscal_t ratio_gdp_t lnstudent_t ratio_city_t Capital_City_t2 Yangtz_City_t2 ratio_fiscal_t2 ratio_gdp_t2 lnstudent_t2 ratio_city_t2 Capital_City_t3 Yangtz_City_t3 ratio_fiscal_t3 ratio_gdp_t3 lnstudent_t3 ratio_city_t3 , absorb(i._日期 _企业编码) vce(cluster province)
parmest,format (estimate min95 max95 %8.2f p %8.3f) saving("temp.dta", replace)
use "temp.dta", clear
keep if parm=="false_ydyl_after"
append using "ydyl_simulations.dta"
save "ydyl_simulations.dta", replace
}
erase "temp.dta"
use "ydyl_simulations.dta", clear
drop if estimate==.
save "ydyl_simulations.dta", replace
**Graphs
*Density Plot
dpplot estimate,xline(0.129) xtitle("虚假估计系数") ytitle("估计系数密度分布") saving("PDF_ydyl_dpplot.gph", replace)
论文2、石大千等：智慧城市建设能否降低环境污染
更多关于DID的稳健性检验，阅读石大千等：智慧城市建设能否降低环境污染，中国工业经济2018 年第 6 期
论文3--金融开放与资源配置效率
大家都在读：2023年Stata寒假班_初高级班6天_从基础到高级进阶
众所周知，计量经济学研究已经从相关关系转而强调因果关系，即从研究“结果的原因”转向研究“原因的结果”，而如何进行分析，就需要掌握因果推断方法。针对因果推断方法，通过构建反事实来进行政策效应评估，通过构建可以比较以及比较贴近的组别，一方面可以解决内存性问题，另一方面还能提供政策实施前后的差异。
面对现在主流的因果推断方法，工具变量法，断点回归、匹配法、双重差分法、合成控制法等，无疑Stata是不二之选。
为了更好的帮助大家系统学习Stata，掌握主流政策评估分析方法，我们带来了2023年Stata寒假班，一起学习因果推断理论及方法，掌握因果识别策略及Stata实现，更好的发表核心期刊论文。
课程部分拓展新增内容为：ado文件编写及profile设置、Stata中各种函数、正则表达式、面板交互固定效应模型、面板高维/多维固定效应模型、合成控制双重差分模型（SDID）估计及检验、PSM-DID、空间面板双重差分模型、空间面板双权重模型更多课程详情请继续查看！
Now or Never
零基础入门
循序渐进学会高级计量及Stata应用
系统学习，助你成长
聚焦Stata在高级计量的应用
2023年Stata寒假班--Stata初高级班
时间：2023 年 1 月10 - 16日(初级+高级，6天) 初级班：1 月 10 - 12 日 (3天)， 网络直播 高级班：1 月 14 - 16 日 (3天)，网络直播 方式：线上--网络远程直播 授课形式：老师讲授指导、学员操作练习、线上全程答疑解惑。全程幻灯片/网页/pdf文档课件+Stata操作演示，电子板书+课程截图，课后知识点+板书等资料全部分享给学员 课程资料：提供PPT、课程讲义以及完整的do文档等。全程电子板书+每日log等知识点总结均课后分享给学员
1、课程特色及亮点
注重计量理论模型的连续性、系统全面性以及前沿性
零基础起步，初级+高级，课程涵截面计量经济学、时间序列计量经济学、面板数据计量经济学以及因果推断/政策评估计量经济学、空间计量经济学，帮助你建立系统的计量体系 面板数据专题既包括了静动态面板数据模型，也包括门限回归等经典模型，同时在面板数据计量经济学基础上，引入前沿的政策评价模型，全面系统讲解倾向匹配得分、双重差分、合成控制法、断点回归等内容，同时新增回归控制法等前沿分析方法。 另外还专题讲解空间计量 同时免费赠送3个配套视频辅助学习 理论方法与软件操作并重
课程涵盖理论介绍、软件操作、案例应用、解释结果、论文讲解、论文复刻、全程答疑7位一体，手把手教你学Stata软件操作与分析 零基础学Stata，注重Stata软件基础操作以及论文分析模型操作技能 6天进阶Stata高级应用，系统掌握面板数据分析方法 完整的论文精讲以及论文复刻和写作
通过系统学习，讲授计量Stata操作全流程以及论文精讲与复刻,使学员掌握重要期刊中的主流分析方法， 提供完整的do文档以及代码资料,能够完成论文复刻和写作 小班教学，全程学习互动，立体化服务体系
远程直播，保证人数限制，更加注重课程互动，调动学员学习积极性 全程幻灯片/网页/pdf文档课件+Stata操作演示，电子板书+课程截图，课后知识点+板书等资料全部分享给学员
往期Stata寒暑假班好评不断
向下滑动查看所有内容
向下滑动查看所有内容
往期Stata研讨班---每日板书
手把手教你Stata软件操作与论文写作
向下滑动查看所有内容
往期线上线下Stata研讨班---论文复制之学员完成合成控制法安慰剂检验出来的头发图+++论文写作文字模板
向下滑动查看所有内容
往期Stata研讨班---远程直播互动++++手把手教学
2、本次课程相对于往期课程的变化/重点
自2017年暑假Stata课程开设以来，本课程已经线上线下举办了20余场，2023年寒假班在以往4/5天课程基础上，新增一天，变成6天课程，即Stata初级班3天+Stata高级班3天=6天。 本次初级班的课程专题基本不变，但课件以及课程体系均做了更新。将《Stata数据管理》订阅课中数据管理以及编程知识等更加系统的融合到本课程中，这部分专题内容在前期寒暑假班以及面板数据及因果推断课程中均有讲授。 Stata高级班包括PSM、DID、RD、SCM、HCW回归控制法等，通过论文讲解与复刻，帮助大家掌握前沿分析方法。这部分内容均增加了论文案例以及论文复刻及写作部分。
往期Stata课程试看视频，请联系工作人员
3、课程导引
2023年Stata寒假班由Stata初级班和高级班组成，并在以往4/5天课程基础上，新增1天，变成6天课程，即Stata初级班3天+Stata高级班3天=6天。
超大容量学习，更适合零基础小白以及系统进阶学习！（前期报名享受早鸟价，加量不加价）
初级班以传统初中级计量理论为主，坚持零基础入门，通过系统学习，帮助大家打好基础。在实证研究中，最花时间的是数据管理以及模型分析，往期很多学员刚开始学习的困惑在于不知如何以论文写作角度处理数据，很多半路自学的老师或者同学零散的学习，基础知识不扎实，后期遇见很多问题。
2023Stata初级班聚焦Stata在初中级计量的应用，坚持理论与软件并重，循序渐进，由浅入深，手把手教大家掌握Stata软件操作与实证分析。主要包括Stata软件简介、数据管理、相关分析、回归分析和时间序列、静态面板数据专题等。这部分内容里面既包括Stata基础操作入门，还包括数据管理及回归分析，是Stata学习的系统知识框架。
Stata高级班主要包括目前常用的政策评估计量分析方法，断点回归(RDD)、匹配法（Matching）、双重差分法（DID）、合成控制法（SCM）以及Hsiao面板数据政策效应评估分析方法（回归合成控制法），除此之外还会介绍面板数据、门限回归、空间计量等内容。这部分内容是目前发文所使用的主流分析方法。
往期Stata寒暑假班精彩答疑+课程板书+互动学习
原文
HCW主要思想
模型设定部分
原文所介绍的模型部分简介，详细带你学习假设及注释
实证分析
论文复制及结果对比
向下滑动查看所有内容
2022年7月15-7月18日北京高校定制班--面板数据政策评估方法-HCW方法板书PPT
下面我们来看看2022年暑假专题研讨班课件！
第一部分：2022年暑假Stata初高级研讨班里面第13章：合成控制法
完整论文复刻：Abadie, Alberto, Alexis Diamond, and Jens Hainmueller. 2010. “Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California’s Tobacco Control Program.” Journal of the American Statistical Association 105 (490): 493–505.
第二部分：2022年暑假Stata初高级研讨班里面门限回归以及倾向匹配得分专题
原文
HCW主要思想
模型设定部分
原文所介绍的模型部分简介，详细带你学习假设及注释
实证分析
论文复制及结果对比
向下滑动查看所有内容
2022年7月15-7月18日北京高校定制班--门限-PSM-SCM-HCW精彩课件
4、课程体系
4.1 专题介绍（Stata 初级班）
1. Stata简介
stata简介Why Stata?/what is stata 软件界面The Stata Interface/What Stata looks like 参考书籍推荐Textbooks log工作日志和do文档What to do first?Set a working directory/Keeping track of things（Do-files and log-files ） 命令以及帮助the command & Getting Help（包括help的使用以及ssc install 、findit等外部命令获取和使用）
2.DATABASE MANIPULATION数据管理
导入导出 Import and Export 面板数据、时间数据、官方数据Time series data &Panel data & Example Datasets 变量以及数据Variable and data types/Indicator or data variables 数据管理Data management 排序Order, aorder, and move 变量标签Variable Labels and Notes 文字变量处理之数据类型转换Converting strings to numerics and vice versa（encode 、decode、 destring、 tostring 等） 数据横向合并和纵向合并Append and merge（merge，包括一对一、一对多、多对一等合并，append、cross、joinby等，） 数据生成Generating new variables 描述分析Describing the data （summarize） 基础命令（table、tabulate、tabstat命令)
3.Stata编程导论
全局暂元与局部暂元（global与local） 介绍Stata中的宏 使用Stata中的宏 返回Stata中运算结果 条件语句与循环语句 通过变量循环实现命令重复执行获得重复结果 循环语句：foreach和forvalues 拓展： ado文件编写及profile设置 Stata中各种函数 正则表达式
4.相关分析Correlation analysis
相关分析简介 相关命令corr、pwcorr、pwcorr_a等应用介绍 分析结果输出等
5.回归分析Estimation
线性回归模型估计方法OLS 回归估计标准流程应用 估计系数统计推断 假设检验（多重共线性、自相关、异方差等） Stata与Word、Excel结合的估计结果输出等
6.时间序列
平稳性检验 协整检验 格兰杰检验 课程总结以及论文讲解
7.面板数据分析方法
面板数据模型简介 面板数据模型分类与选择比较 面板数据计量分析方法 面板数据描述性分析 混合面板回归模型 随机效应模型操作及结果解释 固定效应模型操作及结果解释 Hausman检验 面板数据及Stata应用 拓展新增： 面板交互固定效应模型 面板高维/多维固定效应模型
4.2 专题介绍（Stata 高级班）
8.社会科学因果推断
前言 反事实因果框架 随机对照实验 自然实验
9.动态面板数据
一阶差分GMM估计 序列相关检验 过度识别检验等
10、门限回归
命令：xthreg、xtthres、threshold等 门限回归理论介绍 门限回归操作流程图 截面门槛模型 面板门槛模型 面板单门限及多门限模型的操作应用 门限回归操作以及结果解释等 论文讲解以及课程总结 参考文献 Hansen, B. E. 1999. Threshold effects in non-dynamic panels: Estimation, testing, and inference. Journal of Econometrics 93: 345-368. Wang, Qunyong, 2015. "Fixed-effect Panel Threshold Model Using Stata," The Stata Journal, 15(1), 121-134.
11.倾向匹配得分（PSM）
倾向匹配得分（PSM）是实践中应用最为广泛的一种匹配分析方法，基于可观测变量，将多个维度的变量变成一个变量，实现降维思想，通过PS值来定义变量的相似性，进而对非随机研究中混杂因素进行类似随机化的均衡处理，目的是减少选择性偏误，将干预组与之比较的对照组的不同结果归因于项目效应。
倾向匹配得分简介、为何使用 PSM ? 传统的配对方法、配对过程中的两个核心问题/假设、匹配方法、优缺点 倾向匹配得分建模流程图 PSM操作命令及其具体应用 论文讲解 课程总结 应用实例（介绍2篇论文）
12.合成控制法（SCM）
合成控制法，又名综合控制方法（Synthetic Control Methods），是由Abdie(2003)提出来的一种政策效果评估方法。Abdie(2003)将该方法用于评估恐怖冲突对巴斯克地区经济的影响效应。Abdie(2010)利用合成控制法研究了加州香烟控制法案对人均香烟消费效应。该方法通过对控制组个体进行加权平均，进而构造出与干预组实施政策前相似的合成控制组，用该合成控制组个体政策干预后的结果来估计干预组的反事实结果。
合成控制法模型 合成控制法案例背景及简介 数据来源及样本介绍 结果分析 合成控制法及Stata操作应用 安慰剂检验 完整论文复刻：Abadie, Alberto, Alexis Diamond, and Jens Hainmueller. 2010. “Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California’s Tobacco Control Program.” Journal of the American Statistical Association 105 (490): 493–505. 应用实例（介绍2篇论文） 课后作业 拓展新增： 合成控制双重差分模型（SDID）估计
13.回归合成控制法
面板数据政策评估分析方法/回归合成控制法模型简介 回归合成控制法原文精讲 RCM及Stata操作应用 论文复刻
14.双重差分（DID）
双重差分法（DID）又名倍分法，是应用于社会经济领域的政策或项目评估，分别计算干预组与对照组在处理或干预实施前后的差异，再计算干预局与对照组之间变量量的差异，共进行两次差分，这就是双重差分。
双重差分模型DID简介 双重差分案例应用 双重差分模型的Stata操作与应用 双重差分法：平行趋势检验等 论文精讲及复刻 拓展： PSM-DID
15.断点回归
断点回归（RD）是一种类似于随机实验的准实验分析方法，能够有效的利用相关条件来分析变量之间的因果关系。其主要思想是，个体中的某一关键变量即处理变量完全由连续变量X超过断点来决定，超过该断点也就是大于某一临界值，就会受到政策干预，否则没有受到政策干预。在断点回归分析中，小于某一临界值可以作为一个很好的控制组来反映断点右侧的情况。通过计算临界值样本左右两侧的差异，进而估计处理效应统计量。
断点回归原理 精确断点回归 模糊断点回归 断点回归及Stata操作 断点回归相关检验 论文讲解与复刻应用 应用实例（介绍2篇论文） 重点：详细介绍rd以及rdrobust系列命令
16.空间计量经济学模型
空间计量发展概述 空间回归模型动因 空间效应 空间权重矩阵 空间相关性度量 空间计量模型简介、流程图、识别检验、判别准则等 横截面空间计量模型及stata应用 面板空间计量模型及stata应用（面板固定效应与随机效应等检验） 拓展新增： 空间面板双重差分模型 空间面板双权重模型
5、学习优势
1、重软件操作、重实战是课程一直以来的优势与好评。控制人数的小班教学以确保每一位学员真正学到操作技能。 2、理论与软件并重，手把手教学，零基础起步，小白也能学会的Stata研讨班！ 3、重要的事情说三遍，我们课程手把手带大家操作学习，并提供完整do文档以及数据、讲义、资料等，手把手教学和操作学习！过去6年时间，很多学员通过我们的学习都发表了很好的论文。
6、学习礼包
1、课程互动以及微信群等答疑； 2、学术学习资料大礼包一份 3、课后赠送3个配套精品课程视频：《零基础学空间计量：空间计量及Geoda、stata应用》+初级班视频《Stata从入门到进阶；初级计量经济学》+高级班视频《高级计量经济学及Stata应用：Stata回归分析与应用》
7、立体化服务体系
立体化的服务体系，真正保障学有所成！
1、系统化的知识体系。知识点精细，学习成长路径更放心； 2、授课的方式，课程理论与软件并重，采用理论介绍+软件操作+论文应用+解释结果+讲解答疑五维一体，手把手教你学Stata软件操作与案例分析 3、全程答疑。有学习上的疑问，可与老师沟通解答。 4、零基础起步，理论与软件并重，手把手教学，小白也能学会的计量班。 5、免费领取课程讲义，数据，do文档和参考文献pdf； 6、免费领取课程赠送视频及全套资料（do文档以及数据、讲义、资料书等）
8、课程详情
开课时间： 远程班：2023年1月10日--1月16日(6天) 参会人数：限额80人，报名成功与否以实际付款为准，不接受口头报名。 价格： Stata初级班：3000元/2600元； Stata高级班：3600元/3000元； Stata初高级全程班：5000元/4000元（学生优惠价报名仅限全日制本科及硕士在读） 授课形式：老师讲授指导、学员操作练习、线上答疑解惑。 课程资料：提供PPT、课程讲义以及完整的do文档等。 往期Stata线上/线下班学员报名，优惠详情请咨询工作人员。
9、优惠信息
缴费成功后都享受如下优惠方案：
同一单位3人及以上报名，9折优惠；
同一单位5人及以上报名，8折优惠
温馨提示：以上优惠不叠加
课程提供发票，开课通知/会议通知邀请函及结业证书
10、学习目标
1、掌握计量经济学及Stata操作，能够运用Stata完成复杂的数据处理工作，并熟练运用Stata完成写作； 2、了解常用模型的思路、原理和建模方法，从源头数据库等数据下载、搜集、整理、管理，到Stata数据操作，提高实证分析水平； 3、学完本课程，你将可以更轻松的读懂期刊上论文，并帮助你根据相关计量模型和方法，独立完成计量经济学模型建模以及实证分析！ 掌握面板数据及因果推断方法与Stata实现，更好的发表核心期刊论文
11、学习对象
经济及社科类青年教师、博士生、硕士生、高年级本科生。（1 Stata爱好学习者。2 经济管理以及人文社科领域人员、各类市场调查公司、咨询公司、互联网公司和科研机构需要进行数据处理的人士。3 从事经济学或者社会科学研究。4 想用最新/主流面板数据及因果推断方法发表核心期刊论文的经济及社科类高校教师、博士生、硕士生、高年级本科生）
12、报名流程
报名流程
1、电话咨询，给予反馈，确认报名信息。 2、交费（微信、支付宝或者对公转账等），报名前请确认信息。 3、开课前发送培训通知以及软件准备，电子版预习资料等。 4、开课后领取发票及邀请函。
▲扫描下方二维码立即报名哦
13、注意事项
1、即日起接受报名，具体报名截止日期根据实际招生而定，人员招满将关闭报名通道。 2、本课程为虚拟产品，一经报名，不予退换。 3、本次会议可提供增值税普通发票，如需开具（请联系微信：Xindream1992），并根据自己单位财务部门要求填写抬头和类目信息（一旦开具不能重开），发票类目为：会议服务费、信息服务费、培训费、会议费、咨询费等，报名时可以直接任选其一，其他类目无法开具。 5、会议邀请函通知及课程试看和报名咨询等直接联系工作人员。本次会议最终解释权归计量经济学服务中心所有。
在线咨询：
王老师
电话：18710973211 电话：18729083980
微信：Xindream1992