多期数据DID操作

• 0、案例背景描述

  多期DID常用于政策评估效应研究，比如研究‘鼓励上市政策’，‘开通沪港通’，‘开通高铁’，‘引入新教育模式’等效应时，分析效应带来的影响情况。

  比如有50个地区分别11年（2010~2020）的数据（共计50*11=550行）。50个地区可分为两类地区A和B(分别均为25个)，在2016年A类地区没有开通高铁，B类地区开通高铁。那么开通高铁对于GDP的影响情况如何呢？涉及两个关键数据，分别是Treated和Time，此处Treated为地区（A和B两个地区），以及时间项Time(高铁开通前和开通后)。同时研究‘开通高铁’参于gdp的影响，那么被解释变量Y即为gdp，与此同时还涉及可选的控制变量（控制变量为可选项，多数情况下并不需要），比如教育投入，人口或对外投资情况等，如下表说明。

  项	说明
  Treated	地区（0代表A类地区即控制组，1代表B类地区即实验组）
  Time	开通高铁前后（0代表开通前, 1代表开通后）
  Y	gdp
  控制变量	教育投入，人口，对外投资等

  特别提示：

  • Treated只能为数字0或1，且一定包括此2个数字。其用于标识研究‘效应’对应的组别，数字0标识‘控制组’，数字1标识‘实验组’，一定需要这样处理。

  • Time只能为数字0或1，且一定包括此2个数字。其用于标识研究‘时间’对应的组别，数字0标识‘before’（实验前），数字1标识‘after(实验后)，一定需要这样处理。

• 1、数据格式

  多期面板数据进行DID分析时，数据格式类似如下图：共计50个地区分别11年的数据，那么就应该为50*11=550行数据，加上第1行为标题即最终为551行数据。多期DID分析时共需要多出3列数据，分别是time，treated，treated*time，说明如下：

  项	说明
  Treated	地区（0代表A类地区即控制组，1代表B类地区即实验组）
  Time	开通高铁前后（0代表开通前, 1代表开通后）
  treated*time	treated与time的交互项，即乘积项

  针对treated：A地区全部为数字0，B地区全部为数字1；

  针对time：2020~2015全部是数字0代表高铁开通前，2016~2020全部是数字1代表高铁开通后；

  针对tretaed*time，其为treated与time的乘积项，即交互项。

  

• 2、数据处理

  如果说数据已经是面板格式，但是没有treated，time，treated*time这三项数据，此时可使用SPSSAU->数据处理模块里面的‘数据编码’和‘生成变量’功能。使用数据编码功能时，将地区编码为01格式的treated，将年份编码为01格式的time，并且使用生成变量得到treated与time的交互项。操作分别如下各图：

  

  以年份为例进行数字编码如下图（当然也可使用范围编码），

  

  数据编码完成后，分别得到treated和time数据；

  • 当然数字0和1代表的意义需要自己进行标识（便于画图时使用），可使用数据处理里面的数据标签功能标识下即可。

  • 如果需要修改标题的名称，可使用数据处理里面的标题处理功能。

  • 接着使用生成变量功能的‘乘积(交互项)’得到treated和time的交互项，操作如下图：

  

• 3、SPSSAU分析多期DID

  由于是面板数据，因而使用SPSSAU计量研究模块里面的‘面板模型’进行具体分析，操作如下图：

  • 面板模型时打勾‘双向固定’模型（即输出结果中最终使用‘双向固定’模型对应的结果；

  • 分别放入被解释变量（或因变量，此处为gdp）,解释变量（或自变量，即交互项treated*time），以及将地区和年份放入对应的框中（以告诉系统此处为面板模型）；

  • 关于treated和time这两项，一般并不需要放入模型中，如果模型中有控制变量可直接放入对应解释变量(自变量X)框中就好。

  • 最终输出结果中，直接分析交互项（treated*time）的显著性即可，如此其显著，则说明具有‘某效应’（此处为高铁效应），显著后如果回归系数大于0则为正向效应，反之则为负向效应。如果不显著，则说明没有‘某效应’。

  

• 4、关于平行趋势检验

  多期数据进行DID模型研究时，针对共同趋势检验，通常有两种处理思路，分别是图示法和回归模型检验法。

  4.1 图示法

  对比不同组别因变量均值的时间趋势；使用SPSSAU可视化中的误差线图或簇状图均可；图示法只需要观察‘效应’时间点前即before时的各时间点时，treated和control组别因变量数据是否均有平行性（两条线基本平行）即可；

  具体做法如下：在簇状图绘制时，X放时间点和组别，Y放Y，绘制后横坐标是时间点，纵坐标为Y，并且按组别分拆出两条折线（分别是treated和control）。可通过该折线查看是否具有平行趋势，如果时间点前即Before时整体上treated和control组别数据平行即说明武汉的平行趋势。操作类似如下图所示。

  

  4.2回归模型检验法

  回归中加入各时点虚拟变量与treated的交互项（本例中年份虚拟变量乘以treated数据）；如果说before时，各交互项系数不显著，则表明的确有着平行趋势。操作上分为3步如下：

  • 第一步为使用SPSSAU数据处理里面的生成变量->‘虚拟变量’功能，得到‘时间项’的虚拟变量后（本例为年份）；

  • 第二步为将‘第一步’的虚拟变量项分别与treated进行相乘（目的是得到交互项）。

  • 第三步是进行回归，通常可使用面板模型的个体固定效应或普通的ols回归均可。

  最后进行平行趋势检验时，本案例中2010~2015共6年为‘效应前’，如果此6个年份对应的6个交互项基本上不显著（通常不太可能全部不显著），此时则说明具有平行趋势，即通过检验。

• 5、剖析

  涉及以下几个关键点，分别如下：

  • Treated只能为数字0或1，且一定包括此2个数字。其用于标识研究‘效应’对应的组别，数字0标识‘控制组’，数字1标识‘实验组’，一定需要这样处理。

  • Time只能为数字0或1，且一定包括此2个数字。其用于标识研究‘时间’对应的组别，数字0标识‘before’（实验前），数字1标识‘after(实验后)，一定需要这样处理。

  • 多期面板数据时，一般使用‘双向固定’模型进行分析，具体分析时，只需要分析交互项‘treated*time’的显著性即可，如果显著就说明具有‘效应’，显著后回归系数大于0则说明为正向效应反之为负向效应。

  • treated和time均不需要放入模型中。

  • 除使用‘双向固定’模型进行多期DID分析外，也可直接使用比如OLS模型，或个体固定效应模型进行分析，其结论基本上均会保持一致。