查看原文
其他

合成控制法 (Synthetic Control Method) 及 Stata实现

Stata连享会 Stata连享会 2020-02-10

作者:何庆红(北京大学中国卫生经济研究中心)    
Stata 连享会:知乎 | 简书 | 码云 | CSDN

2019金秋十月-空间计量专题班,杨海生主讲,成都

正在进行中!2019年中国综合社会调查(CGSS)北京地区调查员招聘。请注意,简历投递邮箱地址已更正为:20169362@ruc.edu.cn

特别说明

文中包含的链接在微信中无法生效。请点击本文底部左下角的【阅读原文】,转入本文【简书版】

本推文介绍合成控制方法及其 Stata 的实现命令。合成控制方法(Synthetic Control Method)由Abadie and Gardeazabal (2003)提出。目前,该方法已被广泛使用。

1. 背景介绍

经济学家常要评估某政策或事件的效应。此政策可能实施于某国家或地区(省、州或城市)。为此,常使用“鲁宾的反事实框架”(Rubin's counterfactual framework),即假想该地区如未受政策干预将会怎样,并与事实上受到干预的实际数据进行对比,二者之差即为“处理效应”(treatment effect,借用医学术语)。常用解决方法是,寻找适当的控制组(control group),即在各方面都与受干预地区相似却未受干预的其他地区,以作为处理组(treated group,即受到干预的地区)的反事实替身(counterfactuals)。     

比如,要考察仅在A市实施的某政策效果,自然会想到以之相近的B市作为控制地区;但B市毕竟与A市不完全相同。或可用其他城市(B市、C市、D市)构成A市的控制组,比较B市、C市、D市与A市在政策实施前后的差别,此方法也称“比较案例研究”(comparative case studies)。但如何选择控制组通常存在主观随意性(ambiguity),而B市、C市、D市与A市的相似度也不尽相同。 

为此,Abadie and Gardeazabal (2003)提出“合成控制法”(Synthetic Control Method)。其基本思想是,虽然无法找到A市的最佳控制地区,但通常可对若干大城市进行适当的线性组合,以构造一个更为优秀的“合成控制地区”(synthetic control region),并将“真实A市”与“合成A市”进行对比,故名“合成控制法”。合成控制法的一大优势是,可以根据数据(data-driven)来选择线性组合的最优权重,避免了研究者主观选择控制组的随意性。

  • 合成控制方法(Synthetic Control Method)的优点

    • 作为一种非参数的方法,是对传统的双重差分法DID的拓展

    • 通过数据驱动确定权重,减少了主观选择的误差,避免了政策内生性问题

    • 通过对多个控制对象加权来模拟目标对象政策实施前的情况,不仅可以清晰地反映每个控制对象对“反事实”事件的贡献,同时也避免了过分外推

    • 可以对每一个研究个体提供与之对应的合成控制对象,避免平均化的评价,不至于因各国政策实施时间不同而影响政策评估结果,避免了主观选择造成的偏差

    • 研究者们可在不知道实施效果的情况下设计实验

2. 合成控制法原理

原理介绍请看以下链接:
Stata: 合成控制法程序
合成控制法:一组文献
合成控制法简介及代码(需点击原文链接进行查看)

3. 合成控制法的 Stata 实现

3.1 命令安装

在 Stata 命令窗口中输入如下命令即可自动安装 synth 命令:

  1. ssc install synth, replace

3.2 语法格式

synth 的基本语法格式如下:

  1. synth depvar predictorvars(x1 x2 x3) , trunit(#) trperiod(#) ///

  2. [ counit(numlist) xperiod(numlist) mspeperiod() ///

  3. resultsperiod() nested allopt unitnames(varname) ///

  4. figure keep(file) customV(numlist) optsettings ]

具体解释如下:

  • y ”为结果变量(outcome variable)

  • x1 x2 x3 ”为预测变量(predictors)。

  • 必选项“ trunit(#) ”用于指定处理地区(trunit表示 treated unit)。

  • 必选项“ trperiod(#) ”用于指定政策干预开始的时期(trperiod表示 treated period)。

  • 选择项“ counit(numlist) ”用于指定潜在的控制地区(即donor pool,其中counit表示 control units),默认为数据集中的除处理地区以外的所有地区。

  • 选择项“ xperiod(numlist) ”用于指定将预测变量(predictors)进行平均的期间,默认为政策干预开始之前的所有时期(the entire pre-intervention period)。

  • 选择项“ mspeperiod() ”用于指定最小化均方预测误差(MSPE)的时期,默认为政策干预开始之前的所有时期。

  • 选择项“ figure ”表示将处理地区与合成控制的结果变量画时间趋势图,而选择项“resultsperiod()”用于指定此图的时间范围(默认为整个样本期间)。

  • 选择项“ nested ”表示使用嵌套的数值方法寻找最优的合成控制(推荐使用此选项),这比默认方法更费时间,但可能更精确。在使用选择项“nested”时,如果再加上选择项“ allopt ”(即“ nested allopt ”),则比单独使用“nested”还要费时间,但精确度可能更高。

  • 选择项“ keep(filename) ”将估计结果(比如,合成控制的权重、结果变量)存为另一Stata数据集(filename.dta),以便进行后续计算。

3.3 加州控烟案例

背景:1988年11月美国加州通过了当代美国最大规模的控烟法(anti-tobacco legislation),并于1989年1月开始生效。该法将加州的香烟消费税(cigarette excise tax)提高了每包25美分,将所得收入专项用于控烟的教育与媒体宣传,并引发了一系列关于室内清洁空气的地方立法(local clean indoor-air ordinances),比如在餐馆、封闭工作场所等禁烟。Abadie et al. (2010)根据美国1970-2000年的州际面板数据,采用合成控制法研究美国加州1988年第99号控烟法(Proposition 99)的效果。


  1. . sysuse smoking (打开数据集)

  2. . xtset state year (设为面板数据)

  3. . synth cigsale retprice lnincome age15to24 beer ///

  4. cigsale(1975) cigsale(1980) cigsale(1988), ///

  5. trunit(3)trperiod(1989) xperiod(1980(1)1988) ///

  6. figure nested keep(smoking_synth)

具体解释如下:

  • cigsale(1975) cigsale(1980) cigsale(1988) 分别表示人均香烟消费在 1975、1980 与 1988 年的取值。

  • 必选项 “trunit(3)” 表示第 3 个州(即加州)为 处理组 (实验对象)。

  • 必选项 “trperiod(1989)” 表示控烟法在 1989 年开始实施 (政策实施时点)。

  • 选择项 “xperiod(1980(1)1988)” 表示将预测变量在 1980-1988 年期间进行平均,其中 “1980(1)1988” 表示始于1980年,以 1 年为间隔,而止于 1988 年;其效果等价于 “1980 1981 1982 1983 1984 1985 1986 1987 1988”,而前者的写法显然更为简洁。

  • 选择项 “keep(smoking_synth)”将估计结果存为 Stata 数据集 smoking_synth.dta (自动存放于当前工作路径下)。

由 Table2 可知,大多数州的权重为 0,而只有以下五个州的权重为正,即 Colorado (0.161),Connecticut (0.068),Montana (0.201),Nevada (0.235) 与 Utah (0.335)。我们随后会用这五个州的实际香烟消费量的加权平均值作为 合成加州 的替代指标。

合成控制法-权重设定

考察加州与合成加州的预测变量是否接近:

从上表 Table1 可知,加州与合成加州的预测变量均十分接近,故合成加州可以很好地复制加州的经济特征。然后比较二者的人均香烟消费量在 1989 年前后的表现:

从上图可知,在 1989 年控烟法之前,合成加州的人均香烟消费与真实加州几乎如影相随,表明合成加州可以很好地作为加州如未控烟的反事实替身。在控烟法实施之后,加州与合成加州的人均香烟消费量即开始分岔,而且此效应越来越大。

紧接着,调用前面已存的数据集 smoking_synth.dta,计算加州与合成加州人均香烟消费之差(即处理效应),然后画图:

  1. . use smoking_synth.dta, clear //如不打开另一Stata程序,则此数据集将覆盖原有的数据集smoking.dta

  2. . gen effect= _Y_treated - _Y_synthetic//定义处理效应为变量effect,其中“_Y_treated”与“_Y_synthetic”分别表示处理地区与合成控制的结果变量

  3. . label variable _time "year"

  4. . label variable effect "gap in per-capita cigarette sales (in packs)"

  5. . line effect _time, xline(1989,lp(dash)) yline(0,lp(dash))

上图显示,加州控烟法对于人均香烟消费量有很大的负效应,而且此效应随着时间推移而变大。具体来说,在 1989-2000 年期间,加州的人均年香烟消费减少了 20 多包,大约下降了 25% 之多,故其经济效应十分显著(economically significant)。

3.4 房产税对产业转移的影响:来自重庆和上海的经验证据

(研究背景请看原文链接)

  1. . synth 工业相对产值 工业相对产值(2006(1)2010) 相对工资 ln人均GDP 财政支出占GDP比重 ln人口密度人平方公里 ///

  2. ln年末金融机构存款余额万元 ln医院卫生院床位数张 ln国际互联网用户数户 工业相对产值(2006) 工业相对产值(2008) ///

  3. 工业相对产值(2010), trunit(26) trperiod(2011) nested fig

  4. ------------------------------------------------------------------------------------------------------------------------------------------

  5. Synthetic Control Method for Comparative Case Studies

  6. ------------------------------------------------------------------------------------------------------------------------------------------


  7. First Step: Data Setup

  8. ------------------------------------------------------------------------------------------------------------------------------------------

  9. ------------------------------------------------------------------------------------------------------------------------------------------

  10. Data Setup successful

  11. ------------------------------------------------------------------------------------------------------------------------------------------

  12. Treated Unit: 26

  13. Control Units: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 27 28 29 30 31 32 33 34

  14. ------------------------------------------------------------------------------------------------------------------------------------------

  15. Dependent Variable: 工业相对产值

  16. MSPE minimized for periods: 2006 2007 2008 2009 2010

  17. Results obtained for periods: 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

  18. ------------------------------------------------------------------------------------------------------------------------------------------

  19. Predictors: 工业相对产值(2006(1)2010) 相对工资 ln人均GDP 财政支出占GDP比重 ln人口密度人平方公里

  20. ln年末金融机构存款余额万元 ln医院卫生院床位数张 ln国际互联网用户数户 工业相对产值(2006) 工业相对产值(20008) 工业相对产值(2010)

  21. ------------------------------------------------------------------------------------------------------------------------------------------

  22. Unless period is specified

  23. predictors are averaged over: 2006 2007 2008 2009 2010

  24. ------------------------------------------------------------------------------------------------------------------------------------------


  25. Second Step: Run Optimization

  26. ------------------------------------------------------------------------------------------------------------------------------------------

  27. Nested optimization requested

  28. Starting nested optimization module

  29. Optimization done

  30. ------------------------------------------------------------------------------------------------------------------------------------------

  31. Optimization done

  32. ------------------------------------------------------------------------------------------------------------------------------------------


  33. Third Step: Obtain Results

  34. ------------------------------------------------------------------------------------------------------------------------------------------

  35. Loss: Root Mean Squared Prediction Error


  36. ---------------------

  37. RMSPE | .028082

  38. ---------------------

  39. ------------------------------------------------------------------------------------------------------------------------------------------

  40. Unit Weights:


  41. -----------------------

  42. Co_No | Unit_Weight

  43. ----------+------------

  44. 1 | 0

  45. 2 | .084

  46. 3 | 0

  47. 4 | 0

  48. 5 | 0

  49. 6 | .672

  50. 7 | 0

  51. 8 | 0

  52. 9 | 0

  53. 10 | 0

  54. 11 | 0

  55. 12 | 0

  56. 13 | .244

  57. 14 | 0

  58. 15 | 0

  59. 16 | 0

  60. 17 | 0

  61. 18 | 0

  62. 19 | 0

  63. 20 | 0

  64. 21 | 0

  65. 22 | 0

  66. 23 | 0

  67. 24 | 0

  68. 25 | 0

  69. 27 | 0

  70. 28 | 0

  71. 29 | 0

  72. 30 | 0

  73. 31 | 0

  74. 32 | 0

  75. 33 | 0

  76. 34 | 0

  77. -----------------------

  78. ------------------------------------------------------------------------------------------------------------------------------------------

  79. Predictor Balance:


  80. ------------------------------------------------------

  81. | Treated Synthetic

  82. -------------------------------+----------------------

  83. 工业相对产值(2006(1)2010) | 1.150089 1.150037

  84. 相对工资 | 1.619055 1.013639

  85. ln人均GDP | 9.817525 10.73459

  86. 财政支出占GDP比重 | .18338 .1116527

  87. ln人口密度人平方公里 | 5.977395 6.399682

  88. ln年末金融机构存款余额万元 | 18.25113 17.72419

  89. ln医院卫生院床位数张 | 11.27253 10.37265

  90. ln国际互联网用户数户 | 14.7616 13.70787

  91. 工业相对产值(2006) | .9416254 .9369883

  92. 工业相对产值(2008) | 1.132921 1.150078

  93. 工业相对产值(2010) | 1.377864 1.325148

  94. ------------------------------------------------------

4. 安慰剂检验

4.1 安慰剂检验一

Abadie et al. (2010)认为,在比较案例研究中,由于潜在的控制地区数目通常并不多,故不适合使用大样本理论进行统计推断。为此,Abadie et al. (2010)提出使用“安慰剂检验”(placebo test)来进行统计检验,这种方法类似于统计学中的“排列检验”(permutation test),适用于任何样本容量。

  • “安慰剂”(placebo)一词来自医学上的随机实验,比如要检验某种新药的疗效。此时,可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;而另一组为控制组,服用安慰剂(比如,无用的糖丸),并且不让参与者知道自己服用的究竟是真药还是安慰剂,以避免由于主观心理作用而影响实验效果,称为“安慰剂效应”(placebo effect)。

  • 安慰剂检验借用了安慰剂的思想。具体到加州控烟法的案例,我们想知道,使用上述合成控制法所估计的控烟效应,是否完全由偶然因素所驱动?换言之,如果从donor pool随机抽取一个州(而不是加州)进行合成控制估计,能否得到类似的效应?

  • 为此,Abadie et al. (2010)进行了一系列的安慰剂检验,依次将donor pool中的每个州作为假想的处理地区(假设也在1988年通过控烟法),而将加州作为控制地区对待,然后使用合成控制法估计其“控烟效应”,也称为“安慰剂效应”。通过这一系列的安慰剂检验,即可得到安慰剂效应的分布,并将加州的处理效应与之对比。

在上图中,黑线表示加州的处理效应(即加州与合成加州的人均香烟消费之差),而灰线表示其他38、34、29、19个控制州的安慰剂效应(即这些州与其相应合成州的人均香烟消费之差)。显然,与其他州的安慰剂效应相比,加州的(负)处理效应显得特别大。假如加州的控烟法并无任何效应,则在这39、35、30、20个州中,碰巧看到加州的处理效应最大的概率仅为 1/39 = 0.0256,1/35 = 0.0286,1/30 = 0.0333,1/20 = 0.05,而这都小于常用的显著性水平0.05,故初步可知黑线处理效应的确是加州控烟的效果。

  1. ****稳健性检验*****************************

  2. //有效性检验(仅展示重庆房产税对工业相对产值影响的稳健性检验程序)

  3. ************************************稳健性检验一(工业相对产值为目标变量)************************************

  4. //政策实施前均方预测误差的平方根

  5. tempname resmat //设定一个临时矩阵叫做resmat

  6. forvalues i = 1/35 { //这里的循环是指将1到4个州分别做一次合成控制,也就是把2-4州,分别当做处理组进行合成控制

  7. synth 工业相对产值 相对工资 ln人均GDP 财政支出占GDP比重 ln人口密度人平方公里 ln年末金融机构存款余额万元 ///

  8. ln医院卫生院床位数张 ln国际互联网用户数户 工业相对产值(2006) 工业相对产值(2008) 工业相对产值(2010), trunit(`i') ///

  9. trperiod(2011) xperiod(2006(1)2010) mspeperiod

  10. matrix `resmat' = nullmat(`resmat') \ e(RMSPE) //临时矩阵等于每个城市做处理进行合成控制时候的rmspe值

  11. local names `"`names' `"`i'"'"' //设定暂元names 为 1 2 3 4 ''' 35

  12. }

  13. mat colnames `resmat' = "RMSPE" //临时矩阵的列名定义为RMSPE

  14. mat rownames `resmat' = `names' // 临时矩阵的行名为names

  15. matlist `resmat' , row("Treated Unit") //展示临时矩阵,并在行的打头表示为“treated unit”

  16. ** loop through units

  17. ** loop throu

  18. //各城市预测误差分布图

  19. forval i=1/35{

  20. qui synth 工业相对产值 相对工资 ln人均GDP 财政支出占GDP比重 ln人口密度人平方公里 ln年末金融机构存款余额万元 ln医院卫生院床位数张 ln国际互联网用户数户 工业相对产值(2006) 工业相对产值(2008) 工业相对产值(2010), xperiod(2006(1)2010) trunit(`i') trperiod(2011) keep(synth_`i', replace)

  21. }


  22. forval i=1/35{

  23. use synth_`i', clear

  24. rename _time years

  25. gen tr_effect_`i' = _Y_treated - _Y_synthetic

  26. keep years tr_effect_`i'

  27. drop if missing(years)

  28. save synth_`i', replace

  29. }

  30. **


  31. use synth_1, clear

  32. forval i=2/35{

  33. qui merge 1:1 years using synth_`i', nogenerate

  34. }


  35. **

  36. **删除拟合不好的城市及上海市(干预组)

  37. drop tr_effect_2 //删除天津

  38. drop tr_effect_20 //删除武汉

  39. drop tr_effect_35 //删除上海



  40. local lp1

  41. forval i=1/1 {

  42. local lp1 `lp1' line tr_effect_`i' years, lpattern(dash) lcolor(gs8) ||

  43. }

  44. **

  45. local lp2

  46. forval i=3/19 {

  47. local lp2 `lp2' line tr_effect_`i' years, lpattern(dash) lcolor(gs8) ||

  48. }


  49. local lp3

  50. forval i=21/34 {

  51. local lp3 `lp3' line tr_effect_`i' years, lpattern(dash) lcolor(gs8) ||

  52. }


  53. **create plot

  54. twoway `lp1' `lp2' `lp3' || line tr_effect_26 years, ///

  55. lcolor(black) legend(off) xline(2011, lpattern(dash))

4.2 安慰剂检验二

安慰剂检验的另一方式是直接将每个州“干预后的MSPE”与“干预前的MSPE”相比,即计算二者的比值。其基本逻辑如下。对于处理地区加州而言,如果控烟法有效果,则合成控制将无法很好地预测真实加州干预后的结果变量,导致较大的干预后MSPE。然而,如果在干预之前,合成加州就无法很好地预测真实加州的结果变量(较大的干预前MSPE),这也会导致干预后MSPE增大,故取二者的比值以控制前者的影响。如果加州控烟法确实有较大的处理效应,而其他州的安慰剂效应都很小,则应该观测到加州的“干预后MSPE”与“干预前MSPE”之比值明显高于其他各州,而这为下图所证实。

从上图可知,加州的干预后MSPE是干预前MSPE的大约130倍,高于所有其他38个州。如果加州控烟法完全无效,而由于偶然因素使得此比值在所有39州中最大的概率仅为 1/39 = 0.026。

5. 参考资料

  • Abadie, A., Diamond, A., and J. Hainmueller. 2014. Comparative Politics and the Synthetic Control Method. American Journal of Political Science

  • Abadie, A., Diamond, A., and J. Hainmueller. 2010. Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California's Tobacco Control Program.  Journal of the American Statistical Association

  • Abadie, A. and Gardeazabal, J. 2003. Economic Costs of Conflict:  A Case Study of the Basque Country. American Economic Review

  • Vanderbei, R.J. 1999. LOQO: An interior point code for quadratic programming.  Optimization Methods and Software 11: 451-484.

  • 房产税对产业转移的影响:来自重庆和上海的经验证据

6.往期相关推文

关于我们

  • Stata 连享会(公众号:StataChina)】由中山大学连玉君老师团队创办,旨在定期与大家分享 Stata 应用的各种经验和技巧。

  • 公众号推文同步发布于 CSDN-Stata连享会 、简书-Stata连享会 和 知乎-连玉君Stata专栏。可以在上述网站中搜索关键词StataStata连享会后关注我们。

  • 点击推文底部【阅读原文】可以查看推文中的链接并下载相关资料。

  • Stata连享会 精彩推文1  || 精彩推文2

联系我们

  • 欢迎赐稿: 欢迎将您的文章或笔记投稿至Stata连享会(公众号: StataChina),我们会保留您的署名;录用稿件达五篇以上,即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。

  • 意见和资料: 欢迎您的宝贵意见,您也可以来信索取推文中提及的程序和数据。

  • 招募英才: 欢迎加入我们的团队,一起学习 Stata。合作编辑或撰写稿件五篇以上,即可免费获得 Stata 现场培训 (初级或高级选其一) 资格。

  • 联系邮件: StataChina@163.com

往期精彩推文

点击查看完整推文列表


欢迎加入Stata连享会(公众号: StataChina)
2019暑期“实证研究方法与经典论文”专题班

正在进行中!2019年中国综合社会调查(CGSS)北京地区调查员招聘。请注意,简历投递邮箱地址已更正为:20169362@ruc.edu.cn

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存