Újdonságok a 
-ben
Difference-in-differences (DID) és DDD modellek
A Stata új didregress és xtdidregress parancsok illeszkednek a DID és DDD modellekhez, amelyek vezérlik a nem megfigyelt csoport- és időhatásokat. A didregress ismételt keresztmetszeti adatokkal használható, ahol különböző megfigyelési egységeket mintázzuk különböző időpontokban. xtdidregress panel (longitudinális) adatokhoz használható. Ezek a parancsok egységes keretet biztosítanak a következtetések megszerzéséhez, amely megfelelő a különféle tanulmánytervekhez. Difference in differences (DID) nem kísérleti technikát kínál az átlagos kezelési hatás becslésére a kezeltekre (ATET), összehasonlítva az időbeli különbségeket a kontroll és a kezelési csoport eredményi között. Innen ered a neve: difference in differences. Ez a technika ellenőrzi a megfigyelhetetlen idő- és csoportjellemzőket, amelyek megzavarják a kezelés hatását az eredményre.Difference in difference in differences (DDD) hozzáad egy vezérlőcsoportot a DID keretrendszerhez, hogy figyelembe vegye a nem megfigyelhető csoport- és idő-jellegű interakciókat, amelyeket a DID esetleg nem fog fel. Újabb különbséggel növeli a DID-t az új kontrollcsoport esetében. Innen ered a neve: difference in difference in differences.
A kezelési hatások közé tartozik a gyógyszeres kezelés vérnyomásra gyakorolt hatásának vizsgálata, a sebészeti beavatkozás a mobilitásra, a foglalkoztatási képzési program vagy az értékesítéssel kapcsolatos hirdetési kampány.
Kiemelt
- DID és DDD ATET becslők ismételt keresztmetszetekhez és panel adatokhoz
- Wild-bootstrap p-értékek és konfidencia intervallumok
- Korrigálták az általános hibákat a Bell és McCaffrey szabadságfok-kiigazítással
- ATET becslések és általános hibák a Donald és Lang módszerrel
- Átlagos eredmény és párhuzamos trendek grafikus diagnosztikája
- Granger-típusú és párhuzamos trend-tesztek
Lássuk működni
Egy egészségügyi szolgáltató meg akarja vizsgálni egy új kórházi felvételi eljárás hatását a betegek elégedettségére a betegek havi adatainak felhasználásával az új eljárás bevezetése előtt és után néhány kórházukban. Az kersett eredmény a beteg elégedettsége, satis, a kezelési változó procedure. A didregress segítségével illeszthetjük ehhez a modellhez.
. didregress (satis) (procedure), group(hospital) time(month)
Az első zárójelkészletet használjuk az érdeklődés kimenetelének meghatározására, amelyet a kovariánsok követnek a modellben. Ebben az esetben nincsenek kovariánsok.
A zárójelek második készletével megadhatjuk a bináris változót, amely jelzi a kezelt megfigyeléseket, procedure.The group() és time() opciókat használjuk a modellben szereplő csoportos és időre rögzített effektusok felépítésére. A group() megadott változó meghatározza a csoportosulás szintjét az alapértelmezett csoport-robusztus általános hibáihoz. Ebben a példában kórházi szinten csoportosulunk. A parancs eredményei a következők
Number of groups and treatment time Time variable: month Control: procedure = 0 Treatment: procedure = 1
| Control Treatment | ||
| Group | ||
| hospital | 28 18 | |
| Time | ||
| Minimum | 1 4 | |
| Maximum | 1 4 | |
| Robust | ||
| stais | Coefficient std. err. t P>|t| [95% conf. interval] | |
| ATET | ||
| procedure | ||
| (New | ||
| vs | ||
| Old) | .8479879 .0321121 26.41 0.000 .7833108 .912665 | |
Az első táblázat információt nyújt a kontroll és kezelési csoportokról, valamint a kezelés időzítéséről. Az első szakasz elmondja, hogy 28 kórház folytatta a régi eljárás alkalmazását, és 18 kórház váltott az újra. A második szakasz elmondja, hogy minden olyan kórház, amely az új eljárást végrehajtotta, a 4. félévben tette. Ha néhány kórház később elfogadta az irányelvet, akkor az első kezelés minimális és maximális ideje eltér. A második táblázat a becsült ATET-értéket adja meg, 0,85 (95% -os CI [0,78,0,91]). A kezelőkórházakban a betegek elégedettsége 0,85 ponttal nőtt ahhoz képest, ha nem hajtották volna végre az új eljárást. Az egyik feltételezés, amelyet ez a modell megfogalmaz, hogy az satis pályái párhuzamosak a kontroll és kezelési csoportok előtt az új eljárás bevezetésével. Ezeknek a pályáknak a szemrevételezéses ellenőrzését meg lehet szerezni az eredmények időbeli átlagának ábrázolásával mindkét csoport számára, vagy a lineáris trendek modelljének eredményeinek megjeleleítése. Mindkét diagnosztikai ellenőrzést elvégezhetjük estat trendplots.
. estat trendplots
A rendszer bevezetése előtt az ellenőrző és kezelési kórházak párhuzamos utat jártak be.
Ezt a feltevést tovább értékelhetjük egy párhuzamos trend-teszt segítségével estat ptrends.
. estat ptrends Parallel-trends test (pretreatment time period) H0: Linear trends are parallel F(1, 45) = 0.55 Prob > F = 0.4615
Nincs elegendő bizonyítékunk a párhuzamos trendek nullhipotézisének elutasításához. Ez a teszt és a grafikus elemzés alátámasztja a párhuzamos trendek feltételezését.
Egy másik teszt, amelyet érdemes elvégeznünk, annak ellenörzése, hogy a kezelésre számítva a kontroll vagy a kezelési csoport megváltoztatja-e viselkedését. Ezt a Granger kauzalitási teszt segítségével értékelik estat granger.
. estat granger Granger causality test H0: No effect in anticipation of treatment F(2, 45) = 0.33 Prob > F = 0.7239
Nincs elegendő bizonyítékunk ahhoz, hogy elutasítsuk a kezelés előtti viselkedésváltozás nélküli hipotézist. Korábbi diagnosztikánkkal együtt ezek az eredmények azt sugallják, hogy bíznunk kell az ATET-becslésünk érvényességében.
Ebben a példában elegendő számú kórház állt rendelkezésünkre (46), hogy megbízható következtetéseket vonhassunk le a kezelési hatásunkról. Ha csak 15 kórház adatai lennének
Az elfogultsággal korrigált általános hibák használatához a Bell és McCaffrey (2002) szabadság fokának beállításához hozzáadhatjuk a vce(hc2) opciót.
. didregress (satis) (procedure), group(hospital) time(month) vce(hc2)
A Donald és Lang (2007) által javasolt összesítési módszer használatához hozzáadhatjuk az aggregate(dlang) opciót.
. didregress (satis) (procedure), group(hospital) time(month) aggregate(dlang)
Hozzáadhatjuk a varying lehetőséget, ha meg akarjuk engedni, hogy az együtthatók némelyike csoportonként változzon.
. didregress (satis) (procedure), group(hospital) time(month) aggregate(dlang, varying)
A wild-cluster bootstrap-ot használhatjuk p-értékek és megbízhatósági intervallumok megszerzésére is. Mint minden bootstrap típusú módszerhez, itt is be kell állítanunk egy magot, hogy az eredményeink replikálhatók legyenek
. didregress (satis) (procedure), group(hospital) time(month) wildbootstrap(rseed(111)) computing 1000 replications Finding p-value .................................................. 50% ................................................. 100% Confidence interval lower bound ... Confidence interval upper bound ... Number of groups and treatment time Time variable: month Control: procedure = 0 Treatment: procedure = 1
| Control Treatment | ||
| Group | ||
| hospital | 7 8 | |
| Time | ||
| Minimum | 1 4 | |
| Maximum | 1 4 | |
| stais | Coefficient t P>|t| [95% conf. interval] | |
| ATET | ||
| procedure | ||
| (New vs Old) | .860162 19.72 0.000 .7714875 .9587552 | |
A fenti konfidenciaintervallum és p-érték megbízható következtetést ad azokra az esetekre, amikor a csoportok száma kicsi. Ezek az eredmények ugyanúgy értelmezhetők, mint az eredeti modellünk.