New In
Гетерогенна різниця у різницях (DID)
Якщо середні ефекти лікування змінюються з часом і в різних когортах, тепер ви можете використовувати нові команди hdidregress і xthdidregress для оцінки неоднорідних середніх ефектів лікування на пролікованих осіб (ATET). Використовуйте hdidregress з повторними поперечними даними і xthdidregress з панельними даними. Виберіть одну з чотирьох оцінок, включаючи корекцію регресії та зважування за оберненою ймовірністю. Побудуйте часові профілі ATETs для кожної когорти за допомогою estat atetplot. Агрегуйте ATET в межах когорти, часу та експозиції до лікування за допомогою estat aggregation. Вивчіть більше можливостей пост-оцінки.
Ефекти лікування вимірюють причинно-наслідковий вплив лікування на результат. Лікування – це нова схема прийому ліків, хірургічна процедура, навчальна програма або навіть рекламна кампанія, що має на меті вплинути на такий результат, як артеріальний тиск, мобільність, працевлаштування або продажі. Цікаво оцінити ATET.
Стандартний оцінювач різниці в різницях (DID), реалізований в існуючих командах didregress і xtdidregress, оцінює ATET, який є спільним для всіх груп у часі. Коли групи проходять лікування в різні моменти часу, припущення про постійне значення ATET може порушуватися. Нові команди реалізують методи оцінювання, які враховують гетерогенність ATET і надають специфічні для когорти та часу оцінки ATET.
Основні моменти
-
Оцінка
-
Неоднорідність за когортою та часом
-
Дані панелі
-
Повторні дані перехресних зрізів
-
-
Чотири оцінювачі
-
Регресійне коригування (RA)
-
Обернено-імовірнісне зважування (IPW)
-
Розширене обернено-імовірнісне зважування (AIPW)
-
Двостороння регресія з фіксованими ефектами (TWFE)
-
-
Графіки неоднорідності ефектів лікування
-
Тест паралельних тенденцій попередньої обробки
-
Агрегація ATET завершена:
-
Когорта
-
Час
-
Вплив на лікування
-
-
Одночасні довірчі інтервали
Подивимося, як це працює
Ми хотіли б дізнатися, чи знижує індекс маси тіла (ІМТ) учнів шкільного округу програма “Здорові звички”, яка реалізується на рівні шкільного округу, індекс маси тіла (ІМТ). У нас є вигадані дані про програму “Здорові звички”. Ця програма передбачає більше часу на фізичні вправи та збільшує споживання фруктів і овочів. Наші дані знаходяться на рівні шкільного округу і включають інформацію про те, чи бере школа участь у програмі, hhabit, та ІМТ учнів в окрузі, bmi. Ми взяли повторні вибірки учнів віком від 11 до 14 років з 40 шкільних округів з 2013 по 2021 рік.
Для моделі результатів ми вважаємо, що освіта матері, medu, є добрим предиктором звичок дітей щодо здоров’я. Ми також вважаємо, що участь у спортивних заходах, medu, є хорошим предиктором. Ми також вважаємо, що участь у спорті, sports, впливає на bmi. Нарешті, ми контролюємо, чи є учень дівчинкою, щоб врахувати поведінкові відмінності та відмінності в типах статури хлопчиків і дівчаток у цьому віці.
Для моделі лікування ми використовуємо кількість парків у районі (parksd) для моделювання звички. Ми припускаємо, що шкільні округи з більшою кількістю парків вважають місця для занять фізичними вправами більш важливими у своєму міському плануванні, ніж ті, де парків менше. Отже, ці райони краще піддаються програмі “Здорові звички”.
Ми використовуємо оцінку aipw для моделювання як результату, так і лікування. Оцінка aipw має властивість подвійної робастності, що означає, що для отримання узгоджених оцінок потрібно правильно вказати лише одну з моделей – модель результату або модель лікування.
Ми підібрали таку модель:
. hdidregress aipw (bmi medu i.girl i.sports) (hhabit parksd), group(schools) time(year) note: variable _did_cohort, containing cohort indicators formed by treatment variable hhabit and group variable schools, was added to the dataset. Computing ATET for each cohort and time: Cohort 2015 (8): ........ done Cohort 2017 (8): ........ done Cohort 2019 (8): ........ done Treatment and time information Time variable: year Time interval: 2013 to 2021 Control: _did_cohort = 0 Treatment: _did_cohort > 0
_did_cohort | ||
Number of cohorts | 4 | |
Number of obs | ||
Never treated | 11355 | |
2015 | 1231 | |
2017 | 2097 | |
2019 | 2042 | |
Heterogeneous treatment-effects regression Number of obs = 16,725 Estimator: Augmented IPW Treatment level: schools Control group: Never treated (Std. err. adjusted for 40 clusters in schools)
Robust | ||
Cohort | ATET std. err. z P>|z| [95% conf. interval] | |
2015 | ||
year | ||
2014 | .6544681 .5946048 1.10 0.271 -.5109359 1.819872 | |
2015 | -1.226451 .379168 -3.23 0.001 -1.969607 -.4832957 | |
2016 | -2.491842 .4169657 -5.98 0.000 -3.30908 -1.674605 | |
2017 | -2.72486 .2363878 -11.53 0.000 -3.188171 -2.261548 | |
2018 | -2.786634 .6672867 -4.18 0.000 -4.094492 -1.478776 | |
2019 | -3.980456 .2993279 -13.30 0.000 -4.567127 -3.393784 | |
2020 | -.604415 .5929199 -1.02 0.308 -1.766517 .5576866 | |
2021 | -.6522272 .3640416 -1.79 0.073 -1.365736 .0612812 | |
2017 | ||
year | ||
2014 | .6635794 .3089663 2.15 0.032 .0580167 1.269142 | |
2015 | -1.3933 .3871204 -3.60 0.000 -2.152042 -.6345582 | |
2016 | .5947865 .4065947 1.46 0.144 -.2021245 1.391697 | |
2017 | -1.71427 .4565384 -3.75 0.000 -2.609069 -.8194714 | |
2018 | -3.170542 .5221368 -6.07 0.000 -4.193912 -2.147173 | |
2019 | -2.967701 .4247053 -6.99 0.000 -3.800108 -2.135294 | |
2020 | .0360098 .6868764 0.05 0.958 -1.310243 1.382263 | |
2021 | -.957117 .3510986 -2.73 0.006 -1.645258 -.2689763 | |
2019 | ||
year | ||
2014 | -1.434451 .5163232 -2.78 0.005 -2.446426 -.422476 | |
2015 | 1.010288 .4808165 2.10 0.036 .067905 1.952671 | |
2016 | -.3809733 .4336764 -0.88 0.380 -1.230963 .4690169 | |
2017 | .5199519 .4849723 1.07 0.284 -.4305763 1.47048 | |
2018 | -.0315794 .5863875 -0.05 0.957 -1.180878 1.117719 | |
2019 | -3.602114 .3498692 -10.30 0.000 -4.287845 -2.916383 | |
2020 | -1.388906 .6765493 -2.05 0.040 -2.714919 -.0628943 | |
2021 | -.6222491 .5510466 -1.13 0.259 -1.70228 .4577824 | |
Note: ATET computed using covariates.
У перших дужках ми вказали модель результату, а в других – модель лікування. Ми також вказали опцію group(schools), щоб визначити, що лікування відбувається на рівні шкіл, і визначити школи як змінну кластеризації. Нарешті, ми вказали часову змінну year в опції time().
Примітка під командою вказує на те, що категоріальна змінна _did_cohort генерується на основі інформації про когорту. Одиниці в одній когорті починають лікування в один і той самий час. Ми бачимо, що в наших даних є три когорти: 2015, 2017 та 2019 роки. Крім того, ми бачимо, що 11 355 спостережень ніколи не отримували лікування. Змінна в часі рік варіюється від 2013 до 2021 року.
В оціночній таблиці наведено ВРПЗ для кожної когорти в кожному році. Наприклад, для когорти 2015 року в 2016 році оцінка ATET становить -2,5, що означає, що програма “Здорові звички” в середньому знижує ІМТ на 2,5 для учнів району когорти 2015 року в 2016 році порівняно зі сценарієм, коли район не бере участі в програмі. Інші оцінки можна інтерпретувати аналогічно.
Важко побачити тенденції в ATETs, просто подивившись на всі оцінки ATETs. Ми можемо використати estat atetplot для візуалізації часового профілю ATET для кожної когорти. Ми вказуємо опцію sci, щоб показати одночасні довірчі діапазони, які гарантовано покривають справжні значення ATET для всіх когорт і часу із заданим рівнем ймовірності.
. estat atetplot, sci
Після підгонки моделі ми можемо використовувати агрегацію estat для агрегування ATET в межах когорти, часу та експозиції до лікування. Це дає змогу узагальнити різні аспекти ATETs. Наприклад, ми використовуємо estat aggregation, cohort для узагальнення ATETs кожної когорти в межах часу. Ми також вказуємо опцію graph, щоб отримати графік агрегацій на додаток до табличних даних.
. estat aggregation, cohort graph ATET over cohort Number of obs = 16,725 (Std. err. adjusted for 40 clusters in schools)
Robust | ||
Cohort | ATET std. err. z P>|z| [95% conf. interval] | |
2015 | -2.065755 .1999412 -10.33 0.000 -2.457633 -1.673877 | |
2017 | -1.7781 .4013978 -4.43 0.000 -2.564825 -.9913744 | |
2019 | -1.869405 .4650349 -4.02 0.000 -2.780857 -.9579538 | |
Нарешті, якщо ми хочемо підсумувати ATET протягом різної тривалості лікування, ми вказуємо опцію динаміка.
. estat aggregation, dynamic graph Duration of exposure ATET Number of obs = 16,725 (Std. err. adjusted for 40 clusters in schools)
Robust | ||
Exposure | ATET std. err. z P>|z| [95% conf. interval] | |
-5 | -1.434451 .5163232 -2.78 0.005 -2.446426 -.422476 | |
-4 | 1.010288 .4808165 2.10 0.036 .067905 1.952671 | |
-3 | .1338267 .3091619 0.43 0.665 -.4721195 .739773 | |
-2 | -.4256324 .4292553 -0.99 0.321 -1.266957 .4156925 | |
-1 | .3727141 .3197563 1.17 0.244 -.2539967 .999425 | |
0 | -2.285098 .3827362 -5.97 0.000 -3.035248 -1.534949 | |
1 | -2.344265 .3829047 -6.12 0.000 -3.094744 -1.593785 | |
2 | -2.045521 .3911543 -5.23 0.000 -2.81217 -1.278873 | |
3 | -1.045601 .6840119 -1.53 0.126 -2.38624 .2950372 | |
4 | -2.145004 .5952525 -3.60 0.000 -3.311678 -.978331 | |
5 | -.604415 .5929199 -1.02 0.308 -1.766517 .5576866 | |
6 | -.6522272 .3640416 -1.79 0.073 -1.365736 .0612812 | |
Note: Exposure is the number of periods since the first treatment time.