New In
Heterogén különbség a különbségekben (DID)
Ha az átlagos kezelési hatások időben és kohorszonként változnak, mostantól az új hdidregress és xthdidregress parancsok segítségével becsülheti a kezeltekre gyakorolt heterogén átlagos kezelési hatásokat (ATET). Ismételt keresztmetszeti adatok esetén használja a hdidregress, paneladatok esetén pedig az xthdidregress parancsot. Válasszon a négy becslő közül, beleértve a regressziós kiigazítást és az inverz valószínűségi súlyozást. Ábrázolja az ATET-időprofilokat az egyes kohorszok esetében az estat atetplot segítségével. Aggregálja az ATET-eket a kohorszon, az időn és a kezelésnek való kitettségen belül az estat aggregation segítségével. Fedezzen fel több posztbecslési funkciót.
A kezelési hatások egy kezelésnek az eredményre gyakorolt oksági hatását mérik. A kezelés egy új gyógyszeres kezelés, egy sebészeti eljárás, egy képzési program vagy akár egy reklámkampány, amelynek célja, hogy befolyásolja az olyan kimeneteleket, mint a vérnyomás, a mobilitás, a foglalkoztatás vagy az értékesítés. Érdekes az ATET becslése.
A standard különbség a különbségekben (DID) becslő, amelyet a didregress és xtdidregress parancsok valósítanak meg, egy olyan ATET-et becsül, amely minden csoportra közös az időben. Ha a csoportokat különböző időpontokban kezelik, akkor az állandó ATET-re vonatkozó feltételezés sérülhet. Az új parancsok olyan becslési módszereket alkalmaznak, amelyek figyelembe veszik az ATET heterogenitását, és kohorszspecifikus és időspecifikus ATET-becsléseket adnak.
Kiemelt információk
-
Becslés
-
Kohorsz és időbeli heterogenitás
-
Paneladatok
-
smételt keresztmetszeti adatok
-
-
Négy becslő
-
Regressziós kiigazítás (RA)
-
Inverz valószínűségi súlyozás (IPW)
-
Fokozott inverz valószínűségi súlyozás (AIPW)
-
Kétirányú fix hatású regresszió (TWFE)
-
-
A kezelés-hatás heterogenitásának ábrái
-
Párhuzamos előkezelési tendenciák vizsgálata
-
ATET-ek összevonása:
-
Kohorsz
-
Idő
-
A kezelésnek való kitettség
-
-
Egyidejű bizalmi intervallumok
Lássuk, hogyan működik
Szeretnénk megtudni, hogy egy iskolakerületi szintű program, az Egészséges szokások csökkenti-e a diákok testtömegindexét (BMI) az iskolakerületben. Az Egészséges szokások programról fiktív adatokkal rendelkezünk. Ez a program több mozgásra szánt időt foglal magában, és növeli a gyümölcs- és zöldségfogyasztást. Adataink az iskolakörzet szintjén vannak, és tartalmazzák az arra vonatkozó információkat, hogy egy iskola részt vesz-e a programban, hhabit, és a körzetben lévő diákok BMI-jét, bmi. Ismételt mintáink vannak a 11-14 éves tanulókról 40 iskolakörzetből 2013 és 2021 között.
A kimeneti modell esetében úgy véljük, hogy az anya iskolai végzettsége, medu, jó előrejelzője a gyermekek egészségügyi szokásainak. Azt is hisszük, hogy a sportban való részvétel, sport, befolyásolja a bmi-t. Végül kontrolláljuk, hogy a tanuló lány-e, hogy figyelembe vegyük a viselkedésbeli különbségeket és a fiúk és lányok testalkatának különbségeit ebben a korban.
A kezelési modell esetében a kerületben található parkok számát (parksd) használjuk a hhabit modellezéséhez. Feltételezzük, hogy a több parkkal rendelkező iskolai körzetek fontosabbnak tartják a mozgási tereket a várostervezésben, mint a kevesebb parkkal rendelkező körzetek. Ezek a kerületek ezért jobban alkalmazkodnak az Egészséges szokások programhoz.
Az aipw becslőt használjuk mind az eredmény, mind a kezelés modellezésére. Az aipw becslőnek kettős robusztussági tulajdonsága van, ami azt jelenti, hogy csak az eredménymodell vagy a kezelési modell egyikét kell helyesen specifikálni ahhoz, hogy konzisztens becsléseket kapjunk.
We fit the following model:
. 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.
Az eredménymodellt az első zárójelben, a kezelési modellt pedig a második zárójelben határoztuk meg. Megadtuk a group(schools) opciót is, hogy meghatározzuk, hogy a kezelés iskolai szinten történik, és hogy az iskolákat klaszterező változóként azonosítsuk. Végezetül a time() opcióban megadtuk az év időváltozót.
A parancs alatti megjegyzés jelzi, hogy a _did_cohort kategorikus változót kohorszinformációval generáltuk. Az azonos kohorszba tartozó egységek ugyanabban az időpontban kezdik a kezelést. Látjuk, hogy adatainkban három kohorsz van: 2015, 2017 és 2019. Ezenkívül azt látjuk, hogy 11 355 megfigyelést soha nem kezeltek. Az időváltozó év 2013 és 2021 között változik.
A becslési táblázatban minden egyes kohorszra vonatkozóan minden évben közöljük az ATET-et. Például a 2015-ös kohorsz esetében a 2016-os évben az ATET-becslés -2,5, ami azt jelenti, hogy az Egészséges szokások program átlagosan 2,5-tel csökkenti a BMI-t a 2015-ös kohorszhoz tartozó körzetben élő diákok esetében 2016-ban ahhoz a forgatókönyvhöz képest, amelyben a körzet nem vesz részt. A többi becslés hasonlóan értelmezhető.
Nehéz meglátni az ATET-ek tendenciáit pusztán az összes ATET-becslést megvizsgálva. Az estat atetplot segítségével szemléltethetjük az ATET-ek időbeli profilját az egyes kohorszok esetében. Az sci opciót megadjuk, hogy az ATET-ek valódi értékeit garantáltan lefedő egyidejű konfidenciasávokat jelenítsük meg az összes kohorszra és időre vonatkozóan egy előre meghatározott valószínűségi szinttel.
. estat atetplot, sci
A modell illesztése után az estat aggregációval aggregálhatjuk az ATET-eket a kohorszon, az időn és a kezelésnek való kitettségen belül. Ez összefoglalja az ATET-ek különböző szempontjait. Például az estat aggregation, cohort segítségével összegezzük az egyes kohorszok ATET-értékeit az időn belül. A grafikon opciót is megadjuk, hogy a táblázatos kimenet mellett az aggregációk grafikonját is megkapjuk.
. 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 | |
Végül, ha össze akarjuk foglalni az ATET-eket a kezelésnek való kitettség különböző időtartama alatt, megadjuk a dinamikus opciót.
. 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.