DRDID--双重稳健估计量
drdid进行DID偏误解决
DRDID是一种双重稳健的方法，用于处理如何从2x2设计中获得最佳估计。具体来说，就是如何让被治疗者获得最佳的平均治疗效果。所以你可以将它用于我上面展示的任何2x2平方组合(或其他你可以想到的)。
另一方面，CSDID使用DRDID来获得这个ATT，但只用于“好”设计。要么是那些正确识别ATT的，要么是那些可用于测试并行趋势的。更重要的是，它避免了估计糟糕的DiD设计。
除此之外，因为有很多数字要遵循，它通过对ATT的平均来总结结果，基于一些标准，比如用G、T或治疗时间来平均效果(事件研究等效)。
1、命令简介
drdid 下载方法
ssc install drdid, replace
软件包提供者
Fernando Rios-Avila Pedro H.C. Sant’Anna Asjad Naqvi
参考文献：
Pedro H.C. Sant’Anna , Jun Zhao (2020). Doubly robust difference-in-differences estimators, Journal of Econometrics.
语法
我试图保持drdid的语法相对标准。至少与我以前使用过的其他命令标准。因此，随着其他功能的集成，某些选项可能会略有变化。
该命令的一般语法如下
drdid depvar [indepvar] [if] [in] [iw], [ivar(varname)] time(varname) tr(varname) [estimator] [wboot rseed(#) ///
cluster(varname) gmm stub(str) replace]
drdid实现了Sant'Anna和Zhao（2020）提出的平均处理效果的局部有效双重稳健差分（DiD）估计。估计结合了逆概率加权和结果回归估计器（也在包中实现），以形成具有更具吸引力的统计属性的估计。
选项
depvar：是您感兴趣的因变量或结果变量**
Indepvar**：是你的自变量，你在这里可能有也可能没有变量。这些变量将包含在结果回归规范和倾向评分估计中。**
ivar**：是标识面板 ID 的变量。如果删除它，该命令将使用重复的 crossection 估计。如果包括，它将在检查您确实具有面板设置后估计面板估算。time：标识**
时间**变量（例如年份）。treatment 表示治疗的虚拟变量
**method(
estimator)**用于指示要使用的估计方法，可用列表下方：drimp估计 DR 改进的估计。dripw使用 DRIPW 方法reg估计reg回归估计。stdipw估计标准 IPW 估计。IPW估计方法类似于 Abadies （2005）ipwra表示Inverse-probability-weighted regression adjustment (via teffects) all 表示计算上述所有计算方法
该命令可能会在数据集中创建其他变量。
该命令还返回与所有中间关联的系数和方差协方差矩阵的一部分。运行命令后查看。e()``ereturn list
例子
use https://friosavila.github.io/playingwithstata/drdid/lalonde.dta, clear
然后，您可能需要确保将文件drdid.ado复制到您的个人ado文件夹中。对于我的电脑，它在.C:\ado\personal
具有默认drimp方法的面板估计
drdid re age educ black married nodegree hisp re74 if treated==0 | sample==2, ivar(id) time(year) tr(experimental)
那么，这是如何工作的呢?让我们从lanlonde数据集和面板估计开始。对于快速应用程序，我将使用选项:all
如果一切顺利，你会看到这个:
drdid re age educ black married nodegree hisp re74 if treated==0 | sample==2 , ivar(id) time(year) tr( experimental ) all
Doubly robust difference-in-differences estimator summary
------------------------------------------------------------------------------
| Coefficient Std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
ATET |
dripw | -871.3271 396.0211 -2.20 0.028 -1647.514 -95.14007
drimp | -901.2703 393.6127 -2.29 0.022 -1672.737 -129.8037
reg | -1300.645 349.8259 -3.72 0.000 -1986.291 -614.9985
ipw | -1107.872 408.6127 -2.71 0.007 -1908.738 -307.0058
stdipw | -1021.609 397.5201 -2.57 0.010 -1800.734 -242.4845
sipwra | -908.2912 393.8673 -2.31 0.021 -1680.257 -136.3255
------------------------------------------------------------------------------
Note: This table is provided for comparison across estimations only. You cannot use them to compare across estimates across different estimators
dripw :Doubly Robust IPW
drimp :Doubly Robust Improved estimator
reg :Outcome regression or Regression augmented estimator
ipw :Abadie(2005) IPW estimator
stdipw:Standardized IPW estimator
sipwra:IPW and Regression adjustment estimator.
我们还可以通过简单地排除选项来估计此数据的重复截面估计器。例如，如果您有权访问不平衡的面板数据，也可以应用此方法。
重复横截面估计
drdid re age educ black married nodegree hisp re74 if treated==0 | sample==2, time(year) tr(experimental)
也许此选项的主要问题是估计效率较低，标准误差较大。造成效率损失是因为我们现在忽略了一条重要信息：面板 ID。
但是，可以使用面板 ID 应用聚类标准误估计。如果您有不平衡的数据，并且希望将所有观测值保留在样本中，这将非常有用。
. drdid re age educ black married nodegree hisp re74 if treated==0 | sample==2 , time(year) tr( experimental ) all cluster(id)
Doubly robust difference-in-differences estimator summary
------------------------------------------------------------------------------
| Coefficient Std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
ATET |
dripw | -871.3271 396.1635 -2.20 0.028 -1647.793 -94.86092
dripw_rc1 | -871.3271 396.1635 -2.20 0.028 -1647.793 -94.86092
drimp | -901.2703 393.6127 -2.29 0.022 -1672.737 -129.8037
drimp_rc1 | -901.2703 393.6127 -2.29 0.022 -1672.737 -129.8037
reg | -1300.645 349.8259 -3.72 0.000 -1986.291 -614.9985
ipw | -1107.872 408.6127 -2.71 0.007 -1908.738 -307.0058
stdipw | -1021.609 397.5201 -2.57 0.010 -1800.734 -242.4845
------------------------------------------------------------------------------
Note: This table is provided for comparison across estimations only. You cannot use it to compare estimates across different estimators
dripw :Doubly Robust IPW
drimp :Doubly Robust Improved estimator
reg :Outcome regression or Regression augmented estimator
ipw :Abadie(2005) IPW estimator
stdipw:Standardized IPW estimator
sipwra:IPW and Regression adjustment estimator.
Authors
Fernando Rios-Avila (Levy Economics Institute of Bard College), maintainer Asjad Naqvi (International Institute for Applied Systems Analysis) Pedro H. C. Sant'Anna (Vanderbilt University)
License and Citation
您可以根据其许可条款自由使用此软件包。如果您使用它，请在您的作品中同时引用原始文章和软件包：
Sant’Anna, Pedro H. C., and Jun Zhao. 2020a. “Doubly Robust Difference-in-Differences Estimators.” Journal of Econometrics 219 (1): 101–22. Rios-Avila, Fernando, Asjad Naqvi and Pedro H. C. Sant'Anna. 2021. “DRDID: Doubly Robust Difference-in-Differences Estimators for Stata.” [Software] Available at https://github.com/friosavila/csdid_drdid/tree/v0.1
References
Abadie, Alberto. 2005. “Semiparametric Difference-in-Differences Estimators.” The Review of Economic Studies 72 (1): 1–19. Sant’Anna, Pedro H. C., and Jun Zhao. 2020a. “Doubly Robust Difference-in-Differences Estimators.” Journal of Econometrics 219 (1): 101–22. Sant’Anna, Pedro H. C., and Jun Zhao. 2020b. “DRDID: Doubly Robust Difference-in-Differences Estimators.” [Software] Available at https://cran.r-project.org/package=DRDID