让不懂建站的用户快速建站，让会建站的提高建站效率！
列位作念实证商榷的小伙伴们，各人好！笃信许多一又友在作念DID分析时齐遭遇过这样的困扰：平行趋势假定老是很难达到预期的条目。明明表面上科罚组和对照组应该知足平行趋势，但事件商榷法的图形老是自满战略前就存在显赫的悉数，让东说念主怀疑是不是识别策略出了问题。
别焦虑，今天给各人先容一个格外实用的枢纽——平行趋势去均值，这然而一个或者有用竣事'调平行趋势'的神器。通过这个枢纽，咱们不错剔除那些由羼杂身分形成的'假象'，让信得过的战略效应浮出水面。
为什么传统的平行趋势训练老是'不达标'笃信各人齐有过这样的资历：花了很万古辰构建DID模子，满怀期待地跑出事件商榷法的成果，却发现战略前的悉数显赫不为零。这时刻心里就运转犯咕哝：是不是数据有问题？一经模子设定不合？
其实啊，这种情况比咱们瞎想的要常见得多。在现实的商榷环境中，即使科罚组和对照组在战略前如实罢职相似的发展轨迹，但由于存在多样难以不雅测的羼杂身分，咱们算计出来的战略前悉数通常不为零。这就好比拍照时的配景杂音，天然不影响主体，但会滋扰咱们对图像的判断。
去均值枢纽的中枢想路去均值枢纽的中枢想想其实很朴素：既然战略前的那些非零悉数主若是由羼杂身分形成的'系统性偏差'，那咱们就把这部分偏差和谐'减掉'，让信得过的战略效应显显现来。
具体来说，咱们先筹谋战略前通盘悉数的平均值，然后用每个悉数减去这个平均值。这样作念的妙处在于，调度后的战略前悉数平均值正值为零，而战略后的效应也相应地去除了相似的偏差，从而得到更皑皑的战略影响。
用数学公式抒发即是：
手把手教你竣事去均值枢纽第一步：照常生成动态科罚变量这一步和传统枢纽实足一样，咱们以多期DID为例：
gen policy = (year >= action)bys id:egen gvar = min(action) gen nevertreat =(gvar==.)gen rel_time = year - gvarforvalues i = 5(-1)1{ gen pre_`i' = (rel_time == -`i' & nevertreat == 0)}gen current = (rel_time== 0 & nevertreat == 0)forvalues j = 1(1)6{ gen post_`j' = (rel_time == `j' & nevertreat == 0)}drop pre_1 // 删除基准期第二步：跑事件商榷法追忆这里也和闲居一样：
reghdfe 因变量 pre_* current post_* 打消变量, absorb(ind#year stkcd) vce(cluster city)第三步：这里运转'变魔术'
重要的去均值科罚来了！领先用parmest呐喊把追忆悉数索要出来：
parmest, format(estimate min95 max95 %8.3f p %8.3f) saving('temp1.dta', replace)use 'temp1.dta', clearkeep if ustrregexm(parm, 'pre|post') // 只保留咱们体恤的动态效应悉数gen num = _n // 给悉数编个号gen minus = num if ustrregexm(parm, 'current') // 找到战略当期的位置fillmissing minusgen id = num - minus // 筹谋联系于战略当期的位置接下来即是中枢的去均值操作：
egen average = mean(estimate) if id < -1 // 筹谋战略前悉数的平均值fillmissing average // 把这个平均值填充到通盘行replace estimate = estimate - average // 每个悉数齐减去这个平均值第四步：重新筹谋置信区间并绘制gen ul = estimate stderr * 1.65 // 重新筹谋置信区间gen ll = estimate - stderr * 1.65for var estimate ul ll: replace X = 0 if mi(t) // 基准期设为0#delimit ;two (scatter estimate id, c(l) color(black) msize(small)) (scatter ul id, c(l) m(none) color(gs5) lp(dash)) (scatter ll id, c(l) m(none) color(gs5) lp(dash)), yline(0, lp(dash) lc(gs10)) xline(-1, lp(dash) lc(gs10)) xlabel(-5(1)6, nogrid labsize(small)) ylabel(, nogrid format(%4.2f) labsize(small)) xtitle('相对时辰') ytitle('战略效应') legend(off) graphregion(color(white));#delimit cr为什么这个枢纽这样有用
去均值枢纽的魔力在于它的直不雅性和有用性。瞎想一下，如果咱们不雅察到的战略前悉数齐在某个水平线潦倒波动，那么这个水平线很可能就代表了系统性偏差。通畴昔除这个偏差，咱们就能看到信得过的相对变化趋势。
更进攻的是，这种调度是对称的。也即是说，战略前和战略后的悉数齐被减去了相似的数值，是以战略效应的相对大小并莫得被东说念主为夸大或减弱，仅仅去除了'配景杂音'。
什么时刻该用这个枢纽一又友们可能会问：什么情况下需要用去均值枢纽呢？我的提出是：
当你发现传统的平行趋势训练自满战略前存在显赫悉数，但从表面和现实情况看，科罚组和对照组如实应该知足平行趋势时，就不错讨论使用这个枢纽。格外是在濒临复杂的战略环境，存在许多难以打消的羼杂身分时，去均值枢纽或者帮你得回更实在的成果。
天然，使用这个枢纽时也要敦厚。在论文中应该同期讲演传统枢纽和去均值枢纽的成果，让读者了解调度前后的各异，这样才气增强商榷的透明度和实在度。
小贴士和珍爱事项使用去均值枢纽时有几个小细节需要珍爱。领先，确保你有填塞的战略前不雅测期，这样筹谋出来的平均值才会比拟清醒。其次，这个枢纽的前提是觉得战略前的非零悉数主要来自羼杂身分，如果你的商榷配景不合适这个假定，就需要严慎使用了。
临了配资平台，铭刻在展示成果时作念好标注，让读者知说念你使用了去均值调度。毕竟，透明的商榷经过是得回同业招供的进攻基础。
本站仅提供存储劳动，通盘本质均由用户发布，如发现存害或侵权本质，请点击举报。天元证券--正规配资官网资金安全有保障!提示：本文来自互联网，不代表本网站观点。