PSM-DID, DID, RDD, Stata保姆级程序和数据百科全书式的宝典！
凡是搞计量经济的，都关注这个号了
邮箱：econometrics666@126.com
webuse nlswork //使用系统自带数据库
xtset idcode year, delta(1) //设置面板
xtdescribe //描述一下这个面板数据情况
gen age2= age^2
gen ttl_exp2=ttl_exp^2
gen tenure2=tenure^2
global xlist "grade age age2 ttl_exp ttl_exp2 tenure tenure2 not_smsa south race"
sum ln_w $xlist //统计描述相关变量
——————————————————————————————————
**DID方法-----------------------------------
gen time = (year >= 77) & !missing(year) //政策执行时间为1977年
gen treated = (idcode >2000)&!missing(idcode) //政策执行地方为idcode大于2000的地方
gen did = time*treated //这就是需要估计的DID，也就所交叉项
reg ln_w did time treated $xlist //这就是一个OLS回归，也可以用diff命令
xtreg ln_w did time treated $xlist i.year, fe //也可以这去做，会省略掉一个虚拟变量
——————————————————————————————————
**PSM-DID方法-------------------------------
** PSM的部分
set seed 0001 //定义种子
gen tmp = runiform() //生成随机数
sort tmp //把数据库随机整理
psmatch2 treated $xlist, out(ln_w) logit ate neighbor(1) common caliper(.05) ties //通过近邻匹配，这里可以要outcome，也可以不要它
pstest $xlist, both graph //检验协变量在处理组与控制组之间是否平衡
gen common=_support
drop if common == 0 //去掉不满足共同区域假定的观测值
** DID的部分，根据上面匹配好的数据
reg ln_w did time treated $xlist
xtreg ln_w did time treated $xlist i.year, fe
**PSM-DID部分结束--------------------------------------
——————————————————————————————————
**DID方法需要满足的五个条件检验------------------------
**1.共同趋势假设检验
tab year, gen(yrdum) //产生year dummy，即每一年一个dummy变量
forval v=1/7{
gen treated`v'=yrdum`v'*treated
} //这个相当于产生了政策实行前的那些年份与处理虚拟变量的交互项
xtreg ln_w did treated* i.year ,fe //这个没有加控制变量
xtreg ln_w did treated* $xlist i.year ,fe //如果did依然显著，且treated*这些政策施行前年份交互项并不显著，那就好
xtreg ln_w did treated* $xlist i.year if union!=1 ,fe //我们认为工会会影响这个处理组和控制组的共同趋势，因此我们看看union=0的情形
**2.政策干预时间的随机性
gen time1 = (year >= 75) & !missing(year) //政策执行时间提前到1975年
gen treated1= (idcode >2000)&!missing(idcode) //政策执行地方为idcode大于2000的地方
gen did1 = time1*treated1 //这就是需要估计的DID，也就所交叉项
gen time2 = (year >= 76) & !missing(year) //政策执行时间提前到1976年
gen treated2= (idcode >2000)&!missing(idcode) //政策执行地方为idcode大于2000的地方
gen did2 = time2*treated2 //这就是需要估计的DID，也就所交叉项
xtreg ln_w did1 $xlist i.year,fe
xtreg ln_w did2 $xlist i.year,fe //看看这两式子里did1和did2显著不
**3.控制组将不受到政策的影响
gen time = (year >= 77) & !missing(year)
gen treated3= (idcode<1600 & idcode>1000)&!missing(idcode) //我们考虑一个并没有受政策影响地方假设其受到政策影响
gen did3 = time*treated3
xtreg ln_w did3 $xlist i.year,fe //最好的情况是did3不显著，证明控制组不受政策影响
**4.政策实施的唯一性，至少证明这个政策才是主要影响因素
gen time = (year >= 77) & !missing(year)
gen treated4= (idcode<3000 & idcode>2300)&!missing(idcode) //我们寻找某些受到其他政策影响的地方
gen did4 = time*treated4
xtreg ln_w did4 $xlist i.year,fe //did4可能依然显著，但是系数变小，证明还受到其他政策影响
**5.控制组和政策影响组的分组是随机的
xi:xtivreg2 ln_w (did=hours tenure) $xlist i.year,fe first //用工具变量来替代政策变量，解决因为分组非随机导致的内生性问题
——————————————————————————————————
**附加的，一般而言，我们需要看看这个政策的动态影响-------------
forval v=8/15{
gen treated`v'=yrdum`v'*treat
} //注意，这里yrdum8就相当于year=78
reg ln_w treated*
xtreg ln_w treated*, fe
xtreg ln_w treated* i.year,fe
xtreg ln_w treated* $xlist i.year,fe //一般而言上面这些式子里的treated*应该至少部分显著
——————————————————————————————————
**RDD断点回归在这里的应用-------------------
**最优带宽
rdbwselect ln_w year if 60<=year&year<=85,c(77) kernel(uni) //这是第一个命令
rdob ln_w year, c(77) //这个命令是imbens新开发的
**RDD回归
reg ln_w time $xlist if 60<year&year<80 //直接对time这个虚拟变量做了ols
tab treated,missing
keep if treated==1
cmogram ln_w year,cut(77) scatter lineat(77) qfitci //这个可以画出RDD回归的图
*计量社群里讨论最多的也是这些东西，每天看上百条学术讨论让我们都受益颇多。
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。
2.5年，计量经济圈近1000篇不重类计量文章，
可直接在公众号菜单栏搜索任何计量相关问题,
Econometrics Circle
数据系列：空间矩阵 | 工企数据 | PM2.5 | 市场化指数 | CO2数据 | 夜间灯光 | 官员方言 | 微观数据 | 内部数据计量系列：匹配方法 | 内生性 | 工具变量 | DID | 面板数据 | 常用TOOL | 中介调节 | 时间序列 | RDD断点 | 合成控制 | 200篇合辑 | 因果识别 | 社会网络 | 空间DID数据处理：Stata | R | Python | 缺失值 | CHIP/ CHNS/CHARLS/CFPS/CGSS等 |干货系列：能源环境 | 效率研究 | 空间计量 | 国际经贸 | 计量软件 | 商科研究 | 机器学习 | SSCI | CSSCI | SSCI查询 | 名家经验计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。