Nou în 
Diferența în diferențe (DID) și modelele DDD
Noile comenzi Stata didregress și xtdidregress se potrivesc modelelor DID și DDD care controlează efectele de grup și de timp neobservate. didregress poate fi utilizat cu date transversale repetate, în care eșantionăm diferite unități de observații în diferite momente ale timpului. xtdidregress este pentru utilizare cu date de tip panou (longitudinal). Aceste comenzi oferă un cadru unificat pentru a obține inferență adecvată pentru o varietate de modele de studiu.
Diferența de diferențe (DID) oferă o tehnică neexperimentală pentru a estima efectul mediu al tratamentului asupra tratamentului (ATET) prin compararea diferenței de-a lungul timpului în diferențele dintre rezultatele medii în grupurile de control și tratament. Prin urmare, diferența de nume în diferențe. Această tehnică controlează timpul neobservabil și caracteristicile grupului care confundă efectul tratamentului asupra rezultatului.
Diferența în diferență de diferențe (DDD) adaugă un grup de control în cadrul DID pentru a ține cont de interacțiunile caracteristice grupului și timpului neobservabile care ar putea să nu fie capturate de DID. Se mărește DID cu o altă diferență pentru noul grup de control. Prin urmare, diferența de nume în diferența de diferențe.
Exemple de efecte de tratament includ examinarea efectelor unui regim de medicamente asupra tensiunii arteriale, a unei proceduri chirurgicale asupra mobilității, a unui program de instruire privind ocuparea forței de muncă sau a unei campanii publicitare privind vânzările.
Repere
- Estimatori DET și DDD ATET pentru secțiuni transversale repetate și date de panou
- Valori p wild-bootstrap și intervale de încredere
- Erori standard corectate cu părtinire utilizând ajustarea gradului de libertate Bell și McCaffrey
- Estimări ATET și erori standard folosind metoda Donald și Lang
- Diagnosticul grafic cu rezultate medii și tendințe paralele
- Teste de tip Granger și tendințe paralele
Să vedem cum funcționează
Un furnizor de servicii medicale dorește să studieze efectul unei noi proceduri de admitere în spital asupra satisfacției pacientului, utilizând date lunare despre pacienți înainte și după ce noua procedură a fost implementată în unele spitale. Furnizorul de sănătate va utiliza regresia DID pentru a analiza efectul noii proceduri de admitere asupra spitalelor care au participat la program. Rezultatul interesului este satisfacția pacientului, satis, iar variabila tratamentului este procedura. Ne putem potrivi acestui model folosind didregress.
. didregress (satis) (procedure), group(hospital) time(month)
Primul set de paranteze este utilizat pentru a specifica rezultatul interesului urmat de covariabile în model. În acest caz, nu există covariabile. Al doilea set de paranteze este utilizat pentru a specifica variabila binară care indică observațiile tratate, procedura. Opțiunile de grup() și timp() sunt utilizate pentru a construi efecte fixe de grup și de timp care sunt incluse în model. Variabila specificată în grupul() definește nivelul de clusterizare pentru erorile standard implicite ale clusterului. Pentru acest exemplu, ne grupăm la nivel de spital. Rezultatele acestei comenzi sunt
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 | |
Primul tabel oferă informații despre grupurile de control și tratament și despre momentul tratamentului. Prima secțiune ne spune că 28 de spitale au continuat să folosească vechea procedură și 18 spitale au trecut la cea nouă. A doua secțiune ne spune că toate spitalele care au implementat noua procedură au făcut acest lucru în a patra perioadă de timp. Dacă unele spitale ar fi adoptat politica ulterior, timpul minim și maxim pentru primul tratament ar diferi.
Al doilea tabel oferă ATET estimat, 0,85 (IC 95% [0,78,0,91]). Spitalele care au efectuat tratament au avut o creștere de 0,85 puncte în satisfacerea pacienților față de cele care nu au implementat noua procedură.
Una dintre ipotezele formulate de acest model este că traiectoriile satisfacerii sunt paralele pentru grupurile de control și tratament înainte de implementarea noii proceduri. O verificare vizuală a acestor traiectorii poate fi obținută prin reprezentarea grafică a rezultatului în timp pentru ambele grupuri sau prin vizualizarea rezultatelor modelului de tendințe liniare. Putem efectua ambele verificări de diagnostic folosind graficele de tendință estat.
. tendință estat.
Înainte de implementarea politicii, spitalele de control și tratament au urmat o cale paralelă. Putem evalua în continuare această ipoteză folosind un test de tendințe paralele cu tendințe statistice.
. estat ptrends Parallel-trends test (pretreatment time period) H0: Linear trends are parallel F(1, 45) = 0.55 Prob > F = 0.4615
Nu avem suficiente dovezi pentru a respinge ipoteza nulă a tendințelor paralele. Acest test și analiza grafică susțin ipoteza tendințelor paralele.
Un alt test pe care am putea dori să îl efectuăm este să vedem dacă, în așteptarea tratamentului, grupurile de control sau de tratament își schimbă comportamentul. Acest lucru este evaluat cu testul de cauzalitate Granger folosind estat granger.
. estat granger Granger causality test H0: No effect in anticipation of treatment F(2, 45) = 0.33 Prob > F = 0.7239
Nu avem suficiente dovezi pentru a respinge ipoteza nulă a niciunei modificări a comportamentului înainte de tratament. Împreună cu diagnosticele noastre anterioare, aceste rezultate sugerează că ar trebui să avem încredere în validitatea estimării noastre ATET.
În acest exemplu, am avut un număr suficient de spitale (46) pentru a face inferențe fiabile despre efectul tratamentului nostru. Cu toate acestea, dacă am avea doar date de la 15 spitale, este posibil să fi luat în considerare metode alternative.
Pentru a utiliza erorile standard corectate cu părtinire și cu ajustarea gradelor de libertate ale lui Bell și McCaffrey (2002), putem adăuga opțiunea vce (hc2).
. didregress (satis) (procedure), group(hospital) time(month) vce(hc2)
Pentru a utiliza metoda de agregare propusă de Donald și Lang (2007), putem adăuga opțiunea de agregare (dlang).
. didregress (satis) (procedure), group(hospital) time(month) aggregate(dlang)
Putem adăuga opțiunea variată dacă dorim să permitem ca unii dintre coeficienți să varieze între grupuri.
. didregress (satis) (procedure), group(hospital) time(month) aggregate(dlang, varying)
Putem folosi și bootstrap-ul wild-cluster pentru a obține valori p și intervale de încredere. La fel ca toate metodele de tip bootstrap, trebuie să setăm un grăunte pentru ca rezultatele noastre să fie reproductibile.
. 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 | |
Intervalul de încredere și valoarea p de mai sus oferă o inferență fiabilă pentru cazurile în care numărul grupurilor este mic. Aceste rezultate pot fi interpretate în același mod ca și modelul nostru original.