诸君作念实证参议的小伙伴们开云kaiyun，环球好！笃信好多一又友在作念DID分析时皆遭受过这样的困扰：平行趋势假定老是很难达到预期的条款。明明表面上搞定组和对照组应该得志平行趋势，但事件参议法的图形老是傲气战略前就存在权臣的所有，让东说念主怀疑是不是识别策略出了问题。
别狂躁，今天给环球先容一个极端实用的循序——平行趋势去均值，这但是一个偶然灵验竣事'调平行趋势'的神器。通过这个循序，咱们不错剔除那些由搀杂成分形成的'假象'，让确凿的战略效应浮出水面。
为什么传统的平行趋势磨真金不怕火老是'不达标'笃信环球皆有过这样的履历：花了很永劫分构建DID模子，满怀期待地跑出事件参议法的成果，却发现战略前的所有权臣不为零。这技术心里就运转犯嘟囔：是不是数据有问题？已经模子设定不合？
其实啊，这种情况比咱们联想的要常见得多。在实践的参议环境中，即使搞定组和对照组在战略前确乎罢黜相似的发展轨迹，但由于存在各式难以不雅测的搀杂成分，咱们臆度出来的战略前所有不息不为零。这就好比拍照时的配景杂音，诚然不影响主体，但会侵扰咱们对图像的判断。
去均值循序的中枢念念路去均值循序的中枢念念想其实很朴素：既然战略前的那些非零所有主若是由搀杂成分形成的'系统性偏差'，那咱们就把这部分偏差融合'减掉'，让确凿的战略效应显泄露来。
具体来说，咱们先策动战略前扫数所有的平均值，然后用每个所有减去这个平均值。这样作念的妙处在于，调遣后的战略前所有平均值偶合为零，而战略后的效应也相应地去除了相同的偏差，从而得到更白净的战略影响。
用数学公式抒发即是：
手把手教你竣事去均值循序第一步：照常生成动态搞定变量这一步和传统循序全皆一样，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：跑事件参议法追想这里也和平方一样：
reghdfe 因变量 pre_* current post_* 终结变量, absorb(ind#year stkcd) vce(cluster city)第三步：这里运转'变魔术'
要道的去均值搞定来了！领先用parmest号令把追想所有索要出来：
parmest, format(estimate min95 max95 %8.3f p %8.3f) saving('temp1.dta', replace)use 'temp1.dta', clearkeep if ustrregexm(parm, 'pre|post') // 只保留咱们暖热的动态效应所有gen num = _n // 给所有编个号gen minus = num if ustrregexm(parm, 'current') // 找到战略当期的位置fillmissing minusgen id = num - minus // 策动相干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 // 策动战略前所有的平均值fillmissing average // 把这个平均值填充到扫数行replace estimate = estimate - average // 每个所有皆减去这个平均值第四步：重新策动置信区间并绘画gen ul = estimate stderr * 1.65 // 重新策动置信区间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('相对时分') ytitle('战略效应') legend(off) graphregion(color(white));#delimit cr为什么这个循序这样灵验
去均值循序的魔力在于它的直不雅性和灵验性。联想一下，如果咱们不雅察到的战略前所有皆在某个水平线凹凸波动，那么这个水平线很可能就代表了系统性偏差。通往日除这个偏差，咱们就能看到确凿的相对变化趋势。
更遑急的是，这种调遣是对称的。也即是说，战略前和战略后的所有皆被减去了相同的数值，是以战略效应的相对大小并莫得被东说念主为夸大或减轻，仅仅去除了'配景杂音'。
什么技术该用这个循序一又友们可能会问：什么情况下需要用去均值循序呢？我的提议是：
当你发现传统的平行趋势磨真金不怕火傲气战略前存在权臣所有，但从表面和实践情况看，搞定组和对照组确乎应该得志平行趋势时，就不错辩论使用这个循序。极端是在濒临复杂的战略环境，存在好多难以终结的搀杂成分时，去均值循序偶然帮你赢得更实在的成果。
天然，使用这个循序时也要憨厚。在论文中应该同期发挥传统循序和去均值循序的成果，让读者了解调遣前后的各异，这样才智增强参议的透明度和实在度。
小贴士和忽闪事项使用去均值循序时有几个小细节需要忽闪。领先，确保你有饱和的战略前不雅测期，这样策动出来的平均值才会比拟踏实。其次，这个循序的前提是合计战略前的非零所有主要来自搀杂成分，如果你的参议配景不相宜这个假定，就需要严慎使用了。
临了开云kaiyun，铭记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遣。毕竟，透明的参议历程是赢得同业招供的遑急基础。
本站仅提供存储事业，扫数实质均由用户发布，如发现存害或侵权实质，请点击举报。