Farklılıklar tahmincisi arasındaki fark nedir Farklılıklar arasındaki fark (DiD), tedavi öncesi ve sonrası tedavi farklılıklarını ve kontrol grubunu karşılaştıran tedavi etkilerini tahmin etmede kullanılan bir araçtır. Genel olarak, bir tedavinin etkisini tahmin ilgilenen edilir (örneğin sendika durumu, ilaç vs.) bir sonuca (örn ücretler, sağlık, vs.) olduğu gibi
burada bireysel sabit etkiler (zaman içinde değişmeyen bireylerin özellikleri), zaman sabit efektlerdir, bireylerin yaşı gibi zamana göre değişen değişkenlerdir veY i Y i t = α i + λ t + ρ D ı t + X ' i t β + ε i t α i λ t X ı t ε i tDiYi
Yit=αi+λt+ρDit+X′itβ+ϵit
αiλtXitϵit bir hata terimidir. Bireyler ve zaman , sırasıyla ve ile indekslenir . Sabit etkiler ile arasında bir korelasyon varsa , sabit etkilerin kontrol edilmediği göz önüne alındığında, bu regresyonun OLS üzerinden tahmin edilmesi önyargılı olacaktır. Bu tipik
atlanmış değişken önyargıdır .
t D ı titDit
Bir tedavinin etkisini görmek için, tedavi gördüğü bir dünyada insanı tedavi etmediği bir kişi arasındaki farkı bilmek isteriz. Tabii ki, bunlardan sadece bir tanesi pratikte gözlemlenebilir. Bu nedenle sonuçta aynı tedavi öncesi eğilimleri olan insanları ararız. İki dönemleri olduğunu varsayalım iki grubun . Ardından, tedavi ve kontrol gruplarındaki eğilimlerin, tedavinin olmadığı durumlarda olduğu gibi devam ettiği varsayımı altında, tedavi etkisini
s = A , B ρ = ( E [ Y, i'nin s t | s = A , T = 2 ] - D [ Y, i'nin s t | s = A , T = 1 ] ) - ( E [ Y i'nin s t | s = B , t = 2t=1,2s=A,B
ρ=(E[Yist|s=A,t=2]−E[Yist|s=A,t=1])−(E[Yist|s=B,t=2]−E[Yist|s=B,t=1])
Grafiksel olarak bu şuna benzer:
Bu araçları elle kolayca hesaplayabilirsiniz, yani her iki dönemde de grubunun ortalama sonucunu elde edin ve farklılıklarını alın. Daha sonra her iki dönemde de grubunun ortalama sonucunu alın ve farklarını alın. O zaman farklardaki farkı alın ve tedavi etkisi budur. Ancak, bunu regresyon çerçevesinde yapmak daha uygundur, çünkü bu sizebAB
- değişkenleri kontrol etmek
- Tedavi etkisinin önemli olup olmadığını anlamak için standart hatalar elde etmek
Bunu yapmak için, iki eşdeğer stratejiden birini takip edebilirsiniz. Bir kişi grup ve 0 ise 1'e eşit olan bir kontrol grubu kukla oluşturun, aksi halde ve 0 ise 1'e eşit olan bir kukla oluşturun , ve sonra
bir zaman t t = 2 , Y i t = β 1 + β 2 ( tedavi i ) + β 3 ( zaman t ) + ρ ( muamele i ⋅ zaman t ) + ε i ttreatiAtimett=2
Yit=β1+β2(treati)+β3(timet)+ρ(treati⋅timet)+ϵit
Veya basit bir üretiyorsunuz ki bu, bir kişinin tedavi grubunda olması durumunda bir zamana denk geliyor VE zaman periyodu tedavi sonrası periyod ve sıfır. Sonra gerileme olur
Y i t = β 1 γ s + β 2 λ t + ρ , T i t + ε i tTit
Yit=β1γs+β2λt+ρTit+ϵit
burada tekrar kontrol grubu ve bir kukla zaman mankenleri bulunmaktadır. İki regresyon size iki periyot ve iki grup için aynı sonuçları verir. İkinci denklem, çok sayıda gruba ve zaman dilimine kolayca yayıldığı için daha geneldir. Her iki durumda da, farklılıklar parametresindeki farkı, kontrol değişkenleri içerebilecek şekilde tahmin edebilirsiniz (yukarıdaki denklemlerden bunları kümelememek, ancak basitçe dahil etmek için bunları bıraktım) ve standart hatalar elde etmek için. çıkarım için.λ tγsλt
Farklar tahmincisi arasındaki fark neden faydalıdır?
Daha önce belirtildiği gibi, DiD, deneysel olmayan verilerle tedavi etkilerini tahmin etmek için bir yöntemdir. Bu en kullanışlı özellik. DiD ayrıca sabit etkiler tahmininin bir versiyonudur. Sabit etkiler modelinin , benzer bir varsayımda bulunur, ancak grup düzeyinde, . Dolayısıyla, sonucun beklenen değeri bir grubun toplamı ve zaman etkisidir. Öyleyse fark nedir? Mutlaka sürece tekrarlanır kesitleri gibi panel verisi gerekmez MUYDUNUZ için aynı agrega birim çekilir . Bu, DiD'yi panel verileri gerektiren standart sabit efekt modellerinden daha geniş bir veri dizisine uygulanabilir hale getirir. E ( Y 0 i t | s , t ) = γ s + λ t sE(Y0it|i,t)=αi+λtE(Y0it|s,t)=γs+λts
Farklılıklarda farklılıklara güvenebilir miyiz?
DiD'deki en önemli varsayım paralel eğilimler varsayımıdır (yukarıdaki şekle bakınız). Bu eğilimleri grafiksel olarak göstermeyen bir çalışmaya asla güvenmeyin! 1990'lardaki yazılar bundan kurtulmuş olabilir, ancak bugünlerde DiD anlayışımız çok daha iyi. Tedavi ve kontrol grupları için tedavi öncesi sonuçlarda paralel eğilimleri gösteren ikna edici bir grafik yoksa dikkatli olun. Paralel eğilimler varsayımı geçerliyse ve tedaviyi etkileyebilecek diğer zamana bağlı değişiklikleri güvenilir bir şekilde ekarte edebilirsek, DiD güvenilir bir yöntemdir.
Standart hataların tedavisi söz konusu olduğunda bir başka uyarı daha uygulanmalıdır. Yıllarca süren verilerle, otomatik korelasyon için standart hataları ayarlamanız gerekir. Geçmişte bu ihmal edilmiş, ancak Bertrand ve ark. (2004) "Farklılıkların Farkındalık Tahminlerine Ne Kadar Güvenmeliyiz?" Bunun bir sorun olduğunu biliyoruz. Makalede, otokorelasyon ile başa çıkmak için birkaç çözüm sunar. En kolay olanı, artıkların bireysel zaman serileri arasında keyfi korelasyonuna izin veren panel tanımlayıcıda kümelemektir. Bu, hem otokorelasyon hem de heterosistemikliği düzeltiyor.
Daha fazla referans için Waldinger ve Pischke tarafından verilen ders notlarına bakınız .