Stata倍分法：全国一刀切的DID
👇 连享会 · 推文导航 | www.lianxh.cn
🍎 Stata：Stata基础 | Stata绘图 | Stata程序 | Stata新命令 📘 论文：数据处理 | 结果输出 | 论文写作 | 数据分享 💹 计量：回归分析 | 交乘项-调节 | IV-GMM | 时间序列 | 面板数据 | 空间计量 | Probit-Logit | 分位数回归 ⛳ 专题：SFA-DEA | 生存分析 | 爬虫 | 机器学习 | 文本分析 🔃 因果：DID | RDD | 因果推断 | 合成控制法 | PSM-Matching 🔨 工具：工具软件 | Markdown | Python-R-Stata 🎧 课程：公开课-直播 | 计量专题 | 关于连享会
作者：张超 (中山大学)
邮箱：zhangchaooor@163.com
目录
1. 相关背景
2. 剂量效应
3. stata 实例
4. 参考文献
5. 相关推文
温馨提示： 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：
1. 相关背景
一般而言，DID 的研究设计需要有部分样本被政策干扰 (处理组)，而部分没有被干扰 (对照组)。但是有些政策，特别是法律的修改，如《物权法》和《劳动保护法》等，其出台对全国范围内所有个体都有影响。那么这种一刀切的政策是否可以使用 DID 方法进行因果识别？抑或全国范围内一刀切的政策如何选择处理组和对照组？
在实践中，法律变化的影响可能在某一维度存在系统性差异，这为我们选择处理组和对照组提供了可能。例如，
针对加强抵押贷款债权保护的法案，Vig (2013) 认为相较于无形资产，土地和厂房等有形资产更容易充当抵押品，因而该法案会对有形资产占比较高的企业产生较大影响。据此，我们可以根据企业的有形资产占比构造实验组和对照组； 针对将动产引入抵押资产清单的法律改革，Campello 和 Larrain (2016) 认为不同行业使用机器设备等动产的比例存在系统性差异，进而可以根据企业对动产的需求差异构造实验组和对照组； 基于中国《物权法》的出台，钱雪松和方胜 (2017) 认为该法增加了企业运用担保物权 (如增加了应收账款、存货等非固定资产的担保物品选择) 进行融资的操作空间，因此可以根据固定资产占比构造对照组和实验组； 基于《贷款风险分类指引》这一收紧续贷标准政策的出台，刘海明和曹廷求 (2018) 认为该政策对改革前依赖短期贷款融资程度不同的企业存在系统性差异的影响，因此可以根据短期贷款比重构造对照组和实验组。
2. 剂量效应
剂量效应 (dosage effects) 是根据系统性影响程度进行切分，如二分法、三分法、四分法等，并依此改变对照组和实验组的构造。然后，观测当剂量 (切分大小) 不同时，结果是否也存在差异。具体而言，如果识别策略是稳健的，那么当实验组和对照组在核心影响变量差距变小 (大) 时，两组 DID 检验的差异程度 (系数) 也变小 (大)。以下图为例，
其中 轴表示受政策影响的程度， 轴表示对应的变化。我们将影响程度变量分为最高 1/3、中间 1/3 和最低 1/3 三组，并将最高的 1/3 界定为处理组，而将最低的 1/3 界定为对照组，此时观察到的处理效应为图 (a) 中的 T3-2。
稳健性检验方法 1：切分方法不变，改变处理组对照组的选择。我们仍然选择最高的 1/3 作为处理组，而将对照组调整为中间 1/3，此时处理效应如图 (a) 中的 T3-1 所示。可以看出，处理效应 T3-2 大于 T3-1。
稳健性检验方法 2：改变切分方法。将影响程度变量根据中位数分组，并将最高的 1/2 作为处理组和最低的 1/2 作为对照组，此时处理效应如图 (b) 中的 T2 所示。可以看出，处理效应 T3-2 大于 T2。
如果选择四分位数进行分组，并将最高的 1/4 作为处理组和最低的 1/4 作为对照组，此时处理效应如图 (c) 中的 T4 所示。可以看出，处理效应 T3-2 小于 T4。
3. stata 实例
本部分将以钱雪松和方胜 (2017) 为例进行演示。具体地，在《物权法》出台之前，银行为了控制信贷风险，倾向于向那些能提供抵押品 (特别是土地、厂房、机器设备等固定资产) 的公司放贷。但是 2007 年出台的《物权法》明确增加了应收账款、基金份额、存货等新型担保物权，丰富了企业可以用于担保的物品。因此，相比于政策出台前，在政策出台后，固定资产占比低的企业更容易获得贷款。
在此背景下，钱雪松和方胜 (2017) 根据《物权法》出台前两年 (即 2005 和 2006 年) 固定资产占比均值，将样本分为最高 1/3、中间 1/3 和最低 1/3 三组，并将固定资产占比最高的 1/3 界定为对照组，而将固定资产占比最低的 1/3 界定为处理组。
use "https://gitee.com/arlionn/data/raw/master/data01/Qian2017.dta", clear
*生成控制组与处理组
gen PPE = a001212000_c/a001000000_c
bys stkcd: egen PPE_mean = mean(PPE) if year>=2005 & year<=2006
bys stkcd: egen PPE_Mean = min(PPE_mean)
drop PPE_mean
quantiles PPE_Mean, gen(group_3) n(3)
/*可以观察到标识为 1 的组中 PPE_Mean 均值最小 (处理组)，
而标识为 1 的组中 PPE_Mean 均值最大 (对照组)*/
tabstat PPE_Mean, by(group_3)
/*原文在主回归中并将固定资产占比最高的 1/3 界定为对照组，
而将固定资产占比最低的 1/3 界定为处理组*/
gen Treat1 = 1 if group_3 == 1
replace Treat1 = 0 if group_3 == 3
*生成被解释变量
winsor2 a002000000_c,s(_w)
gen lnLev = ln(a002000000_c+1)
winsor2 lnLev, s(_w)
*生成事件前后变量
gen Post = 1 if year >= 2007 & year <= 2009
replace Post = 0 if year >= 2003 & year < 2007
. reg lnLev_w Treat1_Post
Source | SS df MS Number of obs = 3,021
-------------+---------------------------------- F(1, 3019) = 27.04
Model | 33.0255253 1 33.0255253 Prob > F = 0.0000
Residual | 3686.75202 3,019 1.22118318 R-squared = 0.0089
-------------+---------------------------------- Adj R-squared = 0.0086
Total | 3719.77755 3,020 1.23171442 Root MSE = 1.1051
------------------------------------------------------------------------------
lnLev_w | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Treat1_Post | 0.253 0.049 5.20 0.000 0.158 0.349
_cons | 20.250 0.023 890.78 0.000 20.206 20.295
------------------------------------------------------------------------------
保持对照组不变，即仍选择固定资产占比最高的 1/3 作为对照组，而将处理组调整为固定资产占比位于中间 1/3，此时观测到的系数应该更小。
. gen Treat2 = 1 if group_3 == 2
. replace Treat2 = 0 if group_3 == 3
. gen Treat2_Post = Treat2*Post
. reg lnLev_w Treat2_Post
Source | SS df MS Number of obs = 3,023
-------------+---------------------------------- F(1, 3021) = 21.08
Model | 26.8312662 1 26.8312662 Prob > F = 0.0000
Residual | 3845.7369 3,021 1.27300129 R-squared = 0.0069
-------------+---------------------------------- Adj R-squared = 0.0066
Total | 3872.56817 3,022 1.28145869 Root MSE = 1.1283
------------------------------------------------------------------------------
lnLev_w | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Treat2_Post | 0.225 0.049 4.59 0.000 0.129 0.321
_cons | 20.210 0.023 866.48 0.000 20.164 20.256
------------------------------------------------------------------------------
4. 参考文献
Campello M, Larrain M. Enlarging the contracting space: Collateral menus, access to credit, and economic activity[J]. The Review of Financial Studies, 2016, 29(2): 349-383. -PDF- Vig V. Access to collateral and corporate debt structure: Evidence from a natural experiment[J]. The Journal of Finance, 2013, 68(3): 881-928. -PDF- 刘海明, 曹廷求. 续贷限制对微观企业的经济效应研究[J]. 经济研究, 2018, 4. -PDF- 钱雪松, 方胜. 担保物权制度改革影响了民营企业负债融资吗?——来自中国《物权法》自然实验的经验证据[J]. 经济研究, 2017, 5: 146-160. -PDF-
5. 相关推文
Note：产生如下推文列表的 Stata 命令为：
lianxh DID, m
安装最新版lianxh命令：
ssc install lianxh, replace
专题：Stata命令 DIDM：多期多个体倍分法-did_multiplegt 专题：倍分法DID 队列DID：以知识青年“上山下乡”为例-T401 DID功效计算中的序列相关问题-T407 多期DID文献解读：含铅汽油与死亡率和社会成本 DID陷阱解析-L111 面板PSM+DID如何做匹配？ 倍分法：DID是否需要随机分组？ Fuzzy DID：模糊倍分法 DID：仅有几个实验组样本的倍分法 (双重差分) 考虑溢出效应的倍分法：spillover-robust DID tfdiff：多期DID的估计及图示 倍分法DID：一组参考文献 Stata：双重差分的固定效应模型-(DID) 倍分法(DID)的标准误：不能忽略空间相关性 多期DID之安慰剂检验、平行趋势检验 DID边际分析：让政策评价结果更加丰满 Big Bad Banks：多期 DID 经典论文介绍 多期DID：平行趋势检验图示 Stata：多期倍分法 (DID) 详解及其图示 倍分法DID详解 (二)：多时点 DID (渐进DID) 倍分法DID详解 (一)：传统 DID 倍分法DID详解 (三)：多时点 DID (渐进DID) 的进一步分析 专题：内生性-因果推断 Abadie新作：简明IV,DID,RDD教程和综述
New！ Stata 搜索神器：
lianxh和songblGIF 动图介绍
搜： 推文、数据分享、期刊论文、重现代码 ……
👉 安装：
. ssc install lianxh
. ssc install songbl
👉 使用：
. lianxh DID 倍分法
. songbl all
🍏 关于我们
连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。 直通车： 👉【百度一下：连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。