论文应用+事件研究的平行趋势可信性检验及stata操作:pretrends

学术   2024-12-12 22:40   陕西  

事件研究的平行趋势可信性检验及stata操作:pretrends

概述

PreTrends 是一个用于平行趋势检验(parallel trends test)功效计算和可视化潜在平行趋势违背的Stata包。

其计算方法基于 Roth (2022) 的理论,并且是R语言同名包的Stata版本。

主要功能

  1. 平行趋势检验的功效计算:用来检查预趋势检验的功效,评估多大程度的平行趋势违背才会被检测到。
  2. 可视化:提供事件研究图(event-study plot)来展示可能的平行趋势违背。
  3. 检测平行趋势的功效:计算一个给定大小的平行趋势违背,检验是否能以某个指定概率(例如80%)被检测到。

此外,PreTrends 包还提供了敏感性分析,作为替代方法,帮助处理并行趋势假设的违背。

安装

您可以使用以下命令安装 PreTrends 包:

local github https://raw.githubusercontent.com
net install pretrends, from(`github'/mcaceresb/stata-pretrends/main) replace

如果您想从本地安装,可以通过以下命令:

cap noi net uninstall pretrends
net install pretrends, from(`c(pwd)'/stata-pretrends-main)

应用实例:He 和 Wang (2017)

我们使用 PreTrends 包进行一个应用实例,该实例基于 He 和 Wang (2017) 中的事件研究图(Figure 2C)来进行分析。


加载示例数据

首先,加载 He 和 Wang (2017) 使用的数据集:

use "https://media.githubusercontent.com/media/mcaceresb/stata-pretrends/main/data/workfile_AEJ.dta", clear

然后,运行回归:

reghdfe l_poor_reg_rate Lead_D4_plus Lead_D3 Lead_D2 D0 Lag_D1 Lag_D2 Lag_D3_plus, absorb(v_id year) cluster(v_id) dof(none)

回归结果如下:

             |               Robust
l_poor_reg~e |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
Lead_D4_plus |   .0667032   .0943746     0.71   0.480    -.1191533    .2525596
     Lead_D3 |  -.0077018   .0770514    -0.10   0.920    -.1594428    .1440392
     Lead_D2 |  -.0307691   .0551237    -0.56   0.577    -.1393268    .0777887
          D0 |   .0840307   .0626478     1.34   0.181    -.0393445    .2074059
      Lag_D1 |   .2424418   .0898103     2.70   0.007     .0655741    .4193096
      Lag_D2 |    .219879   .0887783     2.48   0.014     .0450438    .3947142
 Lag_D3_plus |   .1910925   .0989365     1.93   0.055    -.0037478    .3859329
       _cons |   1.478639   .0811732    18.22   0.000      1.31878    1.638497

我们使用 PreTrends 包来计算和可视化预趋势检验的功效,并检验假设的平行趋势违背。

计算平行趋势的功效
pretrends power 0.5, pre(1/3) post(4/7)


pretrends power 0.5, pre(1/3) post(4/7)
* Slope for 50% power = .0520259



return list
* scalars:
* r(slope) = .0520258592463583
* r(Power) = .5

解释:

  • pre(1/3) 指定预处理事件研究系数的位置(1到3)。
  • post(4/7) 指定后处理事件研究系数的位置(4到7)。

输出显示,若存在一个斜率为 0.05 的线性预趋势,我们将只能在 50% 的情况下发现显著的预趋势(即80%的功效)。

可视化平行趋势违背

接下来,使用 PreTrends 包的可视化功能,绘制假设的平行趋势违背:

matrix sigma = e(V)
matrix beta = e(b)
matrix beta = beta[., 1..7]
matrix sigma = sigma[1..7, 1..7]
pretrends, numpre(3) b(beta) v(sigma) slope(`r(slope)')
Power50

这会生成一个图形,展示了假设的线性平行趋势违背。

解释返回结果

返回结果包括以下统计量:

  • **r(Power)**:在假设的平行趋势下,我们找到显著预趋势的概率。
  • **r(Bayes)**:贝叶斯因子,表示假设趋势与平行趋势相比的概率。
  • **r(LR)**:似然比,表示在假设趋势与平行趋势下观察到系数的相对可能性。
  • **r(results)**:用于事件图的结果数据。

总结

PreTrends 是一个强大的工具,可以帮助研究者评估 平行趋势假设的有效性,通过计算 功效 和可视化可能的趋势违背。它提供了:

  1. 功效计算,检验预趋势是否能够检测到显著的平行趋势违背。
  2. 可视化工具,帮助展示假设的平行趋势违背。
  3. 支持 线性非线性 的平行趋势违背模型。

最新论文应用

PreTrends 最新论文应用,详见【超全】2023-2024年第1期--第12期全年《数量经济技术经济研究》24期命令、方法汇总

论文题目:“亩均论英雄”改革与企业高质量发展——基于效率变革和动力变革的视角

渐进式双重差分模型

平行趋势检验

诚实双重差分方法(Honest DID)

双向固定效应偏误识别与异质性处理效应检验

安慰剂检验

稳健性检验

平行趋势检验部分除了用到诚实双重差分方法(Honest DID),还用Roth(2022)对平行趋势非线性违背情况的分析方法,对处理组和控制组存在非线性关系的情况进行分析。

论文复刻结果为:





数量经济学
见证计量经济学发展,更懂计量更懂你!
 最新文章