event_plot：一键绘制csdid、did_imputation等DID异质稳健估计量图

event_plot：一键绘制异质稳健估计量图

来源：event_plot帮助文件及https://github.com/borusyak/did_imputation

event_plot是一个外部命令，需要下载安装

帮助文件参考示例为：

这个命令帮助文件提供了部分估计得结果图，然后estimation + plotting with csdid, did_multiplegt, and eventstudyinteract, as well as did_imputation and traditional OLS, 可以参考如下作者提供的案例。

这个模拟例子说明了如何使用一系列方法来估计事件研究的因果影响 并使用event_plot命令绘制系数和置信区间。

• Date: 28/05/2021
• Author: Kirill Borusyak (UCL), [e-mail]

您将需要以下命令:

• did_imputation (Borusyak et al. 2021):在SSC上可用
• did_multiplegt (de chaismarten and D'Haultfoeuille 2020):在SSC上可用
• eventstudyinteract (San and Abraham 2020):在SSC上可用
• csdid (Callaway and Sant'Anna 2020):在SSC上可用

---

操作演示：

// Generate a complete panel of 300 units observed in 15 periods
clear all
timer clear
set seed 10
global T = 15
global I = 300

set obs `=$I*$T'
gen i = int((_n-1)/$T )+1      // unit id
gen t = mod((_n-1),$T )+1     // calendar period
tsset i t

// Randomly generate treatment rollout years uniformly across Ei=10..16 (note that periods t>=16 would not be useful since all units are treated by then)
gen Ei = ceil(runiform()*7)+$T -6 if t==1 // year when unit is first treated
bys i (t): replace Ei = Ei[1]
gen K = t-Ei         // "relative time", i.e. the number periods since treated (could be missing if never-treated)
gen D = K>=0 & Ei!=.       // treatment indicator

// Generate the outcome with parallel trends and heterogeneous treatment effects
gen tau = cond(D==1, (t-12.5), 0)    // heterogeneous treatment effects (in this case vary over calendar periods)
gen eps = rnormal()       // error term
gen Y = i + 3*t + tau*D + eps     // the outcome (FEs play no role since all methods control for them)
//save five_estimators_data, replace

1、Estimation with did_imputation of Borusyak et al. (2021)

// Estimation with did_imputation of Borusyak et al. (2021)
did_imputation Y i t Ei, allhorizons pretrend(5)
event_plot, default_look graph_opt(xtitle("Periods since the event") ytitle("Average causal effect") ///
 title("Borusyak et al. (2021) imputation estimator") xlabel(-5(1)5))

estimates store bjs // storing the estimates for later

结果为：

2、Estimation with did_multiplegt of de Chaisemartin and D'Haultfoeuille (2020)

// Estimation with did_multiplegt of de Chaisemartin and D'Haultfoeuille (2020)
did_multiplegt Y i t D, robust_dynamic dynamic(5) placebo(5) breps(100) cluster(i) 
event_plot e(estimates)#e(variances), default_look graph_opt(xtitle("Periods since the event") ytitle("Average causal effect") ///
 title("de Chaisemartin and D'Haultfoeuille (2020)") xlabel(-5(1)5)) stub_lag(Effect_#) stub_lead(Placebo_#) together

matrix dcdh_b = e(estimates) // storing the estimates for later
matrix dcdh_v = e(variances)


结果为：

3、Estimation with cldid of Callaway and Sant'Anna (2020)

// Estimation with cldid of Callaway and Sant'Anna (2020)
gen gvar = cond(Ei==., 0, Ei) // group variable as required for the csdid command
csdid Y, ivar(i) time(t) gvar(gvar) notyet
estat event, estore(cs) // this produces and stores the estimates at the same time
event_plot cs, default_look graph_opt(xtitle("Periods since the event") ytitle("Average causal effect") xlabel(-14(1)5) ///
 title("Callaway and Sant'Anna (2020)")) stub_lag(Tp#) stub_lead(Tm#) together


4、Estimation with eventstudyinteract of Sun and Abraham (2020)

// Estimation with eventstudyinteract of Sun and Abraham (2020)
sum Ei
gen lastcohort = Ei==r(max) // dummy for the latest- or never-treated cohort
forvalues l = 0/5 {
 gen L`l'event = K==`l'
}
forvalues l = 1/14 {
 gen F`l'event = K==-`l'
}
drop F1event // normalize K=-1 (and also K=-15) to zero
eventstudyinteract Y L*event F*event, vce(cluster i) absorb(i t) cohort(Ei) control_cohort(lastcohort)

event_plot e(b_iw)#e(V_iw), default_look graph_opt(xtitle("Periods since the event") ytitle("Average causal effect") xlabel(-14(1)5) ///
 title("Sun and Abraham (2020)")) stub_lag(L#event) stub_lead(F#event) together

matrix sa_b = e(b_iw) // storing the estimates for later
matrix sa_v = e(V_iw)

5、TWFE OLS estimation (which is correct here because of treatment effect homogeneity). Some groups could be binned.

// TWFE OLS estimation (which is correct here because of treatment effect homogeneity). Some groups could be binned.
reghdfe Y F*event L*event, a(i t) cluster(i)
event_plot, default_look stub_lag(L#event) stub_lead(F#event) together graph_opt(xtitle("Days since the event") ytitle("OLS coefficients") xlabel(-14(1)5) ///
 title("OLS"))

6、estimates store ols // saving the estimates for later

estimates store ols // saving the estimates for later


// Construct the vector of true average treatment effects by the number of periods since treatment
matrix btrue = J(1,6,.)
matrix colnames btrue = tau0 tau1 tau2 tau3 tau4 tau5
qui forvalues h = 0/5 {
 sum tau if K==`h'
 matrix btrue[1,`h'+1]=r(mean)
}

7、合并

// Combine all plots using the stored estimates
event_plot btrue# bjs dcdh_b#dcdh_v cs sa_b#sa_v ols, ///
 stub_lag(tau# tau# Effect_# Tp# L#event L#event) stub_lead(pre# pre# Placebo_# Tm# F#event F#event) plottype(scatter) ciplottype(rcap) ///
 together perturb(-0.325(0.13)0.325) trimlead(5) noautolegend ///
 graph_opt(title("Event study estimators in a simulated panel (300 units, 15 periods)", size(medlarge)) ///
  xtitle("Periods since the event") ytitle("Average causal effect") xlabel(-5(1)5) ylabel(0(1)3) ///
  legend(order(1 "True value" 2 "Borusyak et al." 4 "de Chaisemartin-D'Haultfoeuille" ///
    6 "Callaway-Sant'Anna" 8 "Sun-Abraham" 10 "OLS") rows(3) region(style(none))) ///
 /// the following lines replace default_look with something more elaborate
  xline(-0.5, lcolor(gs8) lpattern(dash)) yline(0, lcolor(gs8)) graphregion(color(white)) bgcolor(white) ylabel(, angle(horizontal)) ///
 ) ///
 lag_opt1(msymbol(+) color(cranberry)) lag_ci_opt1(color(cranberry)) ///
 lag_opt2(msymbol(O) color(cranberry)) lag_ci_opt2(color(cranberry)) ///
 lag_opt3(msymbol(Dh) color(navy)) lag_ci_opt3(color(navy)) ///
 lag_opt4(msymbol(Th) color(forest_green)) lag_ci_opt4(color(forest_green)) ///
 lag_opt5(msymbol(Sh) color(dkorange)) lag_ci_opt5(color(dkorange)) ///
 lag_opt6(msymbol(Oh) color(purple)) lag_ci_opt6(color(purple)) 
graph export "five_estimators_example.png", replace