Stata：推荐2篇《数量经济技术经济研究》上eventdd面板事件研究论文
论文1：一行代码绘制平行趋势图-eventdd--2024年第2期《数量经济技术经济研究》
来源：知网、数量经济技术经济研究
文章题目：产业承接与内陆地区空气质量一来自国家级承接产业转移示范的证据
空间溢出效应DID(spilover-robust DID)+交错DID进行Bacon分解的文章
该文主要方法代码汇总
平行趋势--事件研究
即该文使用eventdd进行事件研究所需要的平行趋势图的绘制
安慰剂检验
Bacon分解，针对TWFE可能存在的偏误，进行异质性处理效应分析
空间溢出效应
1、简介
许多研究使用面板事件研究设计来估计暴露于某些准实验性政策或事件的影响。这些模型，作为“差值(差值)”或双向固定效应模型的广义扩展，允许动态滞后，并导致估计感兴趣的事件，同时还控制固定因素(通常)按区域和时间。在本文中，我们讨论了在一系列情况下设置面板事件研究设计，并为其估计列出了一些实际考虑因素。我们描述了一个Stata命令eventdd，它允许在一系列情况下对事件研究模型进行简单的估计、推断和可视化。然后，我们提供了许多示例来说明eventdd的用法和灵活性。
面板事件研究可以在Stata中使用以下命令语法实现:
eventdd depvar [indepvars] [if] [in] [weight], timevar(varname) [options]
所需的变量表应首先指定感兴趣的因变量，然后是包括固定效应在内的所有控制变量，将其包括在面板事件研究模型中，但不包括滞后和领先，应在回归中输入。
方法选项指定底层模型的估计过程，可以是ols(普通最小二乘)、fe(固定效果)或reghdfe(使用用户编写的reghdfe命令吸收多个固定效果级别)。如果未指定估计方法，则默认使用ols。
在固定效果(fe)或高维固定效果(reghdfe)模型的情况下，固定效果可以被吸收(如下面的选项中讨论)，因此不需要在标准varlist语法中输入。在fe的情况下，数据必须首先是Stata中的xtset。基于这种语法，eventdd负责生成所有滞后项和先导项、估计和推断，以及生成事件研究图。
选项含义：
Timevar是必需选项。指定的时间变量应该包含一个标准化的值，其中0对应于给定单位中感兴趣的事件发生的时间段，−1表示事件发生前一年，1表示事件发生后一年，以此类推。对于事件未发生的任何单元(纯控件)，此变量应包含缺失值。 ci(string)是必需的选项，指示命令将生成的图形类型。可用于置信区间的图形类型是rarea(带区域阴影的区间)，rcap(带上限峰值的区间)和rline(带直线的区间)。只能指定一种类型，并且所有间隔都是相同的类型。外观可以使用ci_op()进行修改。 baseline(#)指定事件研究的参考周期，这是一个被忽略的基线类别，所有其他周期都应该在事件研究输出上与之进行比较。缺省情况下，该值设置为−1。 level(#)为置信区间指定置信级别，以百分比表示。默认值是level(95)或根据set level设置。这设置了回归输出中置信区间的水平，以及事件研究图和矩阵。 method(type, [absorb(absvars)] * ...)指定估计方法:ols(使用Stata的regress 命令)、fe(使用Stata的xtreg、fe命令)或hdfe(使用用户编写的reghdfe命令)，以及任何额外的估计选项和vce选项传递到事件研究模型(如robust 或 clustered估计)。absorb(absvars)子选项只在hdfe选项时需要。ols是默认的估计方法。
eventdd在e()中存储了以下内容:
Scalars
e(baseline) baseline period specified
e(level) confidence level
Macros
e(cmd) eventdd
e(cmdline) command as typed
e(depvar) name of dependent variable
e(wtype) weight type
e(clustvar) name of cluster variable
e(vce) vcetype specified in vce()
e(vcetype) title used to label Std. Err.
Matrices
e(b) coefficient vector
e(V) variance-covariance matrix of the estimators
e(leads) all event leads, their lower bound, the point estimate, and their upper bound
e(lags) all event lags, their lower bound, the point estimate, and their upper bound
e(V_leads_lags) variance-covariance matrix of leads and lags estimators
2、案例应用
***************平行趋势：事件分析法
gen DIDtime=DID
bys country:gen DIDtime1=sum( DIDtime )
bys country:replace DIDtime1=DIDtime1-DIDtime1[_n+1] if DIDtime1==0
replace DIDtime1=0 if DIDtime1==.
bys country:replace DIDtime1=-2 if DIDtime1[_n+1]==-1
bys country:replace DIDtime1=-3 if DIDtime1[_n+1]==-2
bys country:replace DIDtime1=-4 if DIDtime1[_n+1]==-3
bys country:replace DIDtime1=-5 if DIDtime1[_n+1]==-4
bys country:replace DIDtime1=-6 if DIDtime1[_n+1]==-5
bys country:replace DIDtime1=-7 if DIDtime1[_n+1]==-6
bys country:replace DIDtime1=-8 if DIDtime1[_n+1]==-7
bys country:replace DIDtime1=-9 if DIDtime1[_n+1]==-8
bys country:replace DIDtime1=-10 if DIDtime1[_n+1]==-9
bys country:replace DIDtime1=-11 if DIDtime1[_n+1]==-10
bys country:replace DIDtime1=-12 if DIDtime1[_n+1]==-11
bys country:replace DIDtime1=-13 if DIDtime1[_n+1]==-12
bys country:replace DIDtime1=-14 if DIDtime1[_n+1]==-13
bys country:replace DIDtime1=-15 if DIDtime1[_n+1]==-14
eventdd lnpm25 lnpgdp lnpk structure lnexport lnfdi finance , timevar( DIDtime1 ) inrange leads(10) lags(10) baseline(1) level(95)
graph_op(ytitle("空气质量(PM2.5)") xline(0, lc(black*0.5) lp(dash) ) xlabel(-10(5)10))
1、简介
本文将国家级承接产业转移示范区政策视为一项准自然实验，研究2000至2020年设立国家级承接产业转移示范区对当地空气质量的影响。
设计如下计量方程检验国家级承接产业转移示范区对空质量的影响:
其中，下标i和t分别表示县级市和时间 PM2.5表示县级市的PM2.5均值 Policy是政策虚拟变量，如果城市i在t年设立国家级承接产业转移示范区，那么城市i在t年及以后的年份policy=1，否则为0。 如果plicy的系数β显著大于0，就意味着承接产业转移示范区会恶化空气质量(提高PM2. 5)，反之，则会改善空气质量(降低PM2.5) X是一系列随时间变化、影响空气质量的地区层面控制变量
另外，本文进一步采用考虑溢出效应的双重差分方法(spilover-robust DID)考察国家级产业承接示范区是否会对边地区的环境造成影响。采用具有空间溢出效应的双重差分模型设立如下：
其中：
Close表示县级市i和最近的处理组距离，政策发生之前该数值为0，处理组在政策前后都为0
DID资源推荐
一图读懂：7个常规DID命令+13个最新DID命令 (qq.com) 3种DID命令操作手册（附Stata17官方新命令） (qq.com) DID最新进展汇总：命令、书单、论文、文章资源汇总 (qq.com)
2、基准回归
下面根据模型（1)分析承接产业对空气质量的影响，基准回归结果如下：
表1第(1)列在控制城市固定效应和年份固定效应的基础上仅加入城市是否承接国家级承接产业转移示范区这一变量， 表1第(2)列--第(7)列依次逐步加入人均GDP、人均资本、产业结构、出口、外商直接投资和金融发展水平等控制变量，因此后续有第2-第7列结果。
3、空间溢出效应
汇报公式(2)下对应的不同地理阈值下，系数γ的估计结果及对应的95%置信区间。
可以发现，国家级承接产业转移示范区对环境的改善作用在160km范用内存在显著的空间溢出效应，并且，空间溢出效应随距离的增加而衰减。
4、稳健性检验
在稳健性检验部分，分别采用如下方法进行检验
平行趋势检验
安慰剂检验
排除其他政策干扰
排除风速的干扰
异质性处理效应
4.1、平行趋势检验
为保证双重差分估计结果的一致性，处理组与对照组需要满足平行趋势假设，即政策干预前结果变量在两组样本中的保持一致的发展趋势。因此需要对比实验组和对照组PM2.5的差异，以识别承接产业对空气质量的影响。
采用事件分析法进行平行趋势检验，构建如下方程:
其中，k是相对于城市成立国家级承接产业转移示范区的年份虚拟变量，本文将K设定为10年。
事件分析法的结果表明，满足平行趋势检验。事件发生前，估计系数基本在零值附近，事件发生后，估计系数都显著地低于降低，说明成立国家级承接产业转移示范区可以显著地改善空气质量。
平行趋势检验相关文章推荐：
4.2、安慰剂检验
为了进一步考察设立国家级承接产业转移示范区对于改善空气质量的稳健性，进行安慰剂检验。
进行1000次随机抽样，得到相应的估计系数及其P值。
随机抽样进行安慰剂检验得到的估计系数大部分集中在零点附近，且P值都大于0.1，而本文估计的真实系数为-0.025位于最左侧，认为该结果不是偶然获得，不受到其他政策或者随机因素的影响，说明设立国家级承接产业转移示范区可以显著地改善空气质量。
4.3、排除其他政策干扰
4.4、排除风速的干扰
4.5 、异质性处理效应分析
由于国家级产业承接示范区政策是一项典型的在不同城市，不同年份实施的“试点”政策，因此建立的模型为交叠DID。
上述结果采用的是双向固定效应估计量(Two-Way Fixed Effect Estimator，下称TWFE ) 进行评估。
为了检验上述估计结果是否存在偏误，进一步进行Bacon分解。
论文2、专利质押、融资约束与企业劳动雇佣
下面以《专利质押、融资约束与企业劳动雇佣》为例讲解一下如何使用该命令进行平行趋势检验。
政策背景：专利质押融资试点政策是研究专利质押影响企业劳动雇佣的一个良好的准自然实验。本文借助于专利质押融资试点政策的外生冲击，采用广义双重差分法，检验专利质押对企业劳动雇佣的影响。
变量介绍：
其中，被解释变量Y为企业劳动雇佣规模，用企业员工人数取自然对数进行度量。企业高技术水平员工规模，用企业技术人员取自然对数进行度量。
主要解释变量 Policy 为专利质押融资试点政策施行与否的虚拟变量。当上市公司所在地区为知识产权质押融资试点地区且时间为政策颁布的下一年及以后时，Policy 取1，否则取0。
控制变量向量X中包括企业层面和地区层面的控制变量。
企业层面控制变量主要包括企业规模(Size)、资产负债室(Ler)、资产收益率(Roa)以及股权性质(Soe)。
地区层面控制变量主要包括地级市人均GDP(P_CDP)、地级市第二产业比重(Second_ind)。λ和n分别表示企业和年度固定效应。我们对企业层面进行了聚类，以控制整个样本期内企业层面的任意结构依存性。
4 DID 双重差分模型
**# 3、基准回归分析--**********3.1基准回归-表3**********（P8页）
use 数据, clear
xtset code year
qui xtreg Labor Policy i.year,fe vce(cluster code) // 不带控制变量 //
est store m1
qui xtreg Labor Policy $c i.year ,fe vce(cluster code)
est store m2
qui xtreg Hlabor Policy i.year ,fe vce(cluster code)
est store m3
qui xtreg Hlabor Policy $c i.year ,fe vce(cluster code)
est store m4
lxhreg m1 m2 m3 m4 using 基准回归结果1.rtf, replace t(%13.3f) b(%13.3f) drop( *year* )
结果为：
5 平行趋势检验
采用双重差分法的前提是，实验组与控制组在专利质押融资试点政策施行前企业的劳动雇佣规模、高技术水平员工规模的趋势是保持平行的，若政策试点前的趋势不平行，则政策试点后的趋势也可能不平行，从而导致有偏的结果。由于政策试点在在多个时期，本文借鉴 Clarke 和Tapia-Schythe(2021)、Barrios(2021)的思路，利用当前处理交错型 DID 的较为新颖的事件研究法(Event Study Method)检验政策的动态处理效应。
绘制平行趋势检验图的命令为：
**# 4、**********3.2 DID有效性检验与其他稳健性测试**********
************平行趋势检验-图2******
use 数据,clear
xtset code year
replace Policy_year=. if Policy_year==0
gen yeardif=year-Policy_year
xtset code year
eventdd Labor $c i.year, timevar(yeardif) method(fe) cluster(code) level(95) baseline(0) ///
graph_op( yline(0,lcolor(edkblue*0.8) ) ///
xlabel(-6 "- 6" -5 "- 5" -4 "- 4" -3 "- 3" -2 "-2" -1 "-1" 0 "0" 1 "1" 2 "2" 3 "3" 4 "4" 5 "5" 6 "6") ///
ylabel(-0.1(0.1)0.4,format (%7.1f)) ///
xline(0 ,lwidth(vthin) lpattern(dash) lcolor(teal)) ///
xtitle(`"{fontface "宋体": 政策时点}"', size(medium small)) ///
ytitle(`"{fontface "宋体": 回归系数}{stSerif: (Labor)}"', size(medium small)) ///
legend(order(2 `"{fontface "宋体": 回归系数}"' 1 "95% confidence interval" )) scheme(s1mono))
graph export "平行趋势Labor.png", replace
eventdd Hlabor $c i.year, timevar(yeardif) method(fe) cluster(code) level(95) baseline(0) ///
graph_op( yline(0,lcolor(edkblue*0.8) ) ///
xlabel(-6 "- 6" -5 "- 5" -4 "- 4" -3 "- 3" -2 "-2" -1 "-1" 0 "0" 1 "1" 2 "2" 3 "3" 4 "4" 5 "5" 6 "6") ///
ylabel(-0.2(0.2)1,format (%7.1f)) ///
xline(0 ,lwidth(vthin) lpattern(dash) lcolor(teal)) ///
xtitle(`"{fontface "宋体": 政策时点}"', size(medium small)) ///
ytitle(`"{fontface "宋体": 回归系数}{stSerif: (HLabor)}"', size(medium small)) ///
legend(order(2 `"{fontface "宋体": 回归系数}"' 1 "95% confidence interval" )) scheme(s1mono))
graph export "平行趋势HLabor.png", replace
结果为：
图1：平行趋势Labor.png
图2：平行趋势HLabor.png
结果解释：图2绘制了在95%置信水平的专利质押融资政策试点的平行趋势图。图平行趋势Labor.png表明，在专利质押政策实施前，试点地区与非试点地区的劳动雇佣并不存在显著差异，而政策试点对劳动雇佣的影响出现在政策实施一年及以后。图平行趋势HLabor.png显示，专利质押政策出台前，试点地区与非试点地区的高技术水平员工规模并不存在显著差异，在政策实施后，企业高技术员工规模的增长存在一定持续性。以上结果支持了平行趋势假设。
