Kysymys:
Mikä on ero eroissa?
Graham Cookson
2010-07-23 21:57:50 UTC
view on stackexchange narkive permalink

Eroerot ovat olleet pitkään suosittuja ei-kokeellisena työkaluna, erityisesti taloustieteessä. Voisiko joku antaa selkeän ja ei-teknisen vastauksen seuraaviin kysymyksiin eroerot-eroista.

Mikä on eroerot-estimaattori?
Miksi ero-ero on eroestimaattorilla mitään käyttöä?
Voimmeko todella luottaa eroerojen arvioihin?

Tietääkö kukaan kuinka arvioida ero regressiossa gretlissä? Pitääkö minun työskennellä OLS- tai paneelitietojen kanssa?
@Pyca Kuulostaa komentojen sopimattomalta käytöltä siellä. Sinun tulisi lähettää uusi kysymys tähän viittaamalla.
Neljä vastused:
#1
+69
Andy
2014-11-24 19:27:26 UTC
view on stackexchange narkive permalink

Mitä eroa on estimaattorissa
Eroerot (DiD) on työkalu, jolla arvioidaan hoidon vaikutuksia vertaamalla ennen hoitoa ja sen jälkeen hoidon tuloksia hoidon tuloksissa ja kontrolliryhmä. Yleensä olemme kiinnostuneita arvioimaan hoidon $ D_i $ (esim. Ammattiaseman, lääkityksen jne.) Vaikutuksen lopputulokseen $ Y_i $ (esim. Palkat, terveys jne.) Kuten kohdassa $$ Y_ {it} = \ alpha_i + \ lambda_t + \ rho D_ {it} + X '_ {it} \ beta + \ epsilon_ {it} $$ jossa $ \ alpha_i $ ovat yksittäisiä kiinteitä vaikutuksia (yksilöiden ominaisuudet, jotka eivät muutu ajan myötä), $ \ lambda_t $ ovat aikakiintyneitä tehosteita, $ X_ {it} $ ovat ajallisesti vaihtelevia muuttujia, kuten yksilöiden ikä, ja $ \ epsilon_ {it} $ on virhetermi. Yksilöt ja aika indeksoidaan vastaavasti $ i $ ja $ t $. Jos kiinteiden vaikutusten ja $ D_ {it} $ välillä on korrelaatio, tämän regression estimointi OLS: n kautta on puolueellista, koska kiinteitä vaikutuksia ei hallita. Tämä on tyypillinen pois jätetty muuttujan puolueellisuus.

Nähdäksemme hoidon vaikutuksen haluaisimme tietää eron ihmisen välillä maailmassa, jossa hän sai hoitoa, ja toiseen jossa hän ei. Tietenkin vain yksi näistä on koskaan havaittavissa käytännössä. Siksi etsimme ihmisiä, joilla on samat esikäsittelytrendit lopputuloksessa. Oletetaan, että meillä on kaksi jaksoa $ t = 1, 2 $ ja kaksi ryhmää $ s = A, B $. Sitten olettaen, että kehitys- ja kontrolliryhmien trendit olisivat jatkuneet samalla tavalla kuin aiemmin ilman hoitoa, voimme arvioida hoidon vaikutuksen muodossa $$ \ rho = (E [Y_ {ist} | s = A, t = 2] - E [Y_ {ist} | s = A, t = 1]) - (E [Y_ {ist} | s = B, t = 2] - E [Y_ {ist} | s = B, t = 1]) $$

Graafisesti tämä näyttäisi tältä: enter image description here

Voit yksinkertaisesti laskea nämä välineet käsin, eli saada ryhmän $ A $ keskimääräinen tulos molemmilla jaksoilla ja ottaa niiden ero. Ota sitten ryhmän $ B $ keskimääräinen tulos molemmilta jaksoilta ja ota niiden ero. Ota sitten ero eroissa ja se on hoitovaikutus. Tämä on kuitenkin helpompaa tehdä regressiokehyksessä, koska sen avulla voit

  • hallita kovariaatteja
  • saada vakiovirheet hoitovaikutukselle nähdäksesi onko se on merkittävä

Voit tehdä tämän valitsemalla jommankumman kahdesta vastaavasta strategiasta. Luo kontrolliryhmän nukke $ \ text {treat} _i $, joka on yhtä suuri kuin 1, jos henkilö on ryhmässä $ A $ ja muuten 0, luo aikamukenen $ \ text {time} _t $, joka on yhtä suuri kuin 1, jos $ t = 2 $ ja 0 muuten ja regressoi sitten $$ Y_ {it} = \ beta_1 + \ beta_2 (\ text {treat} _i) + \ beta_3 (\ text {time} _t) + \ rho (\ text {treat } _i \ cdot \ text {time} _t) + \ epsilon_ {it} $$

Tai luot yksinkertaisesti nuken $ T_ {it} $, joka on yhtä suuri, jos henkilö on hoitoryhmässä JA aikajakso on jälkikäsittelyjakso ja muuten nolla. Sitten regressoitiin $$ Y_ {it} = \ beta_1 \ gamma_s + \ beta_2 \ lambda_t + \ rho T_ {it} + \ epsilon_ {it} $$

jossa $ \ gamma_s $ on jälleen vertailuryhmän nukke ja $ \ lambda_t $ ovat aika-nukkeja. Nämä kaksi regressiota antavat samat tulokset kahdelle jaksolle ja kahdelle ryhmälle. Toinen yhtälö on kuitenkin yleisempi, koska se ulottuu helposti useisiin ryhmiin ja ajanjaksoihin. Kummassakin tapauksessa näin voit arvioida eroerot-parametrin siten, että voit sisällyttää kontrollimuuttujia (jätin ne pois yllä olevista yhtälöistä, jotta ne eivät sekoita niitä, mutta voit yksinkertaisesti sisällyttää ne) ja saada vakiovirheitä

Miksi eroerot-estimaattori on hyödyllinen?
Kuten aiemmin todettiin, DiD on menetelmä hoitovaikutusten arvioimiseksi ei-kokeellisilla tiedoilla. Se on hyödyllisin ominaisuus. DiD on myös versio kiinteiden vaikutusten arvioinnista. Vaikka kiinteiden vaikutusten malli olettaa $ E (Y_ {0it} | i, t) = \ alpha_i + \ lambda_t $, DiD tekee samanlaisen olettaman, mutta ryhmätasolla $ E (Y_ {0it} | s, t) = \ gamma_s + \ lambda_t $. Joten odotettu tulosarvo on tässä ryhmän ja ajan vaikutuksen summa. Joten mikä ero on? DiD: tä varten ei välttämättä tarvita paneelitietoja, kunhan toistuvat poikkileikkaukset piirretään samasta aggregaattiyksiköstä $ s $. Tämän ansiosta DiD soveltuu laajempaan tietojoukkoon kuin paneelidataa vaativat vakiomalliset kiinteät tehosteet.

Voimmeko luottaa erojen eroihin?
Tärkein oletus DiD: ssä on rinnakkaisten suuntausten oletus (katso yllä oleva kuva). Älä koskaan luota tutkimukseen, joka ei näytä graafisesti näitä suuntauksia! 1990-luvun paperit ovat saattaneet päästä eroon tästä, mutta nykyään ymmärryksemme DiD: stä on paljon parempi. Jos ei ole vakuuttavaa kaaviota, joka osoittaisi hoitoa edeltävien tulosten ja kontrolliryhmien tulosten rinnakkaiset suuntaukset, ole varovainen. Jos rinnakkaisten suuntausten oletus pitää paikkansa ja voimme uskottavasti sulkea pois kaikki muut aikamuutosmuutokset, jotka saattavat sekoittaa hoidon, DiD on luotettava menetelmä.

Toista varovaisuutta tulisi soveltaa standardivirheiden käsittely. Monien vuosien tietojen avulla sinun on mukautettava vakiovirheet automaattiseen korrelaatioon. Aiemmin tämä on laiminlyöty, mutta Bertrand et ai. (2004) "Kuinka paljon meidän pitäisi luottaa eroerojen arvioihin?" tiedämme, että tämä on asia. Asiakirjassa ne tarjoavat useita korjaustoimenpiteitä autokorrelaation käsittelemiseksi. Helpoin on ryhmitellä yksittäinen paneelitunniste, joka mahdollistaa jäännösten mielivaltaisen korrelaation yksittäisten aikasarjojen välillä. Tämä korjaa sekä autokorrelaation että heteroskedastisuuden.

Katso lisää viitteitä näistä Waldinger ja Pischke luentomuistiinpanoista.

#2
+6
Stephen Turner
2010-07-24 01:42:43 UTC
view on stackexchange narkive permalink

Wikipediassa on kunnollinen merkintä tästä aiheesta, mutta miksi ei vain käyttää lineaarista regressiota, joka sallii vuorovaikutuksen kiinnostavien muuttujien välillä? Tämä vaikuttaa mielestäni paremmin tulkittavalta. Sitten voit lukea yksinkertaisten rinteiden analyysin (Cohen et al -kirjassa, joka on ilmainen Google-kirjoissa), jos kiinnostavat muuttujat ovat määrällisiä.

#3
  0
Carlos Dutra
2016-02-14 09:07:54 UTC
view on stackexchange narkive permalink

Se on tekniikka, jota yleisesti käytetään ekonometriassa, minkä tahansa eksogeenisen tapahtuman vaikutuksen tutkimiseen aikasarjassa. Voit valita kaksi erillistä tietoryhmää, jotka liittyvät ennen ja jälkeen tutkitun tapahtuman. Hyvä viittaus oppimiseen on Wooldridgen kirja Johdatus ekonometriaan .

Lyhyenä epäteknisenä vastauksena tämä täydentää Andyn vastausta, mutta en usko, että se kattaisi "Voimmeko todella luottaa eroerojen arvioihin?"
#4
  0
New in Here
2018-11-17 03:59:44 UTC
view on stackexchange narkive permalink

Varovainen:

Kaksi lisäpistettä on syytä huomata. Ensinnäkin 80: llä alkuperäisestä 92 DD-paperista on potentiaalinen ongelma ryhmiteltyjen virhetermien kanssa, koska havaintoyksikkö on yksityiskohtaisempi kuin vaihtelun taso (asia, josta keskustelivat Donald ja Lang [2001]). Vain 36 näistä artikkeleista käsittelee tätä ongelmaa joko ryhmittelemällä vakiovirheet tai yhdistämällä tiedot. Toiseksi käytetään useita tekniikoita (enemmän tai vähemmän epävirallisesti) interventiomuuttujan mahdollisen endogeenisuuden käsittelemiseksi. Esimerkiksi kolmessa artikkelissa on viivästynyt riippuva muuttuja yhtälössä (1), seitsemässä on käsiteltyihin tiloihin liittyvä aikatrendi, viisitoista kuvaa kuvaajia käsittelyvaikutuksen dynamiikan tutkimiseksi, kolme tutkii onko "vaikutusta" ennen Laki, kaksi testaa, onko vaikutus pysyvä, ja yksitoista yrittää muodollisesti tehdä kolminkertaisia ​​eroja (DDD) löytämällä toisen kontrolliryhmän. Bertrand, Duflo ja Mullainathan [2002] osoittavat, että suurin osa näistä tekniikoista ei lievennä sarjakorrelaatiokysymyksiä.

(Bertrand, Duflo ja Mullainathan 2004, 253)



Tämä Q & A käännettiin automaattisesti englanniksi.Alkuperäinen sisältö on saatavilla stackexchange-palvelussa, jota kiitämme cc by-sa 2.0-lisenssistä, jolla sitä jaetaan.
Loading...