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