New In
Heterogenní rozdíl v rozdílech (DID)
Pokud se průměrné účinky léčby liší v čase a v kohortě, můžete nyní použít nové příkazy hdidregress a xthdidregress k odhadu heterogenních průměrných účinků léčby na léčené osoby (ATET). Použijte hdidregress pro opakovaná průřezová data a xthdidregress pro panelová data. Vyberte si jeden ze čtyř odhadů, včetně regresní úpravy a inverzního pravděpodobnostního vážení. Vykreslete časové profily ATETs pro každou kohortu pomocí estat atetplot. Agregujte ATET v rámci kohorty, času a expozice léčbě pomocí estat aggregation. Prozkoumejte další funkce po odhadu.
Účinky léčby měří příčinný účinek léčby na výsledek. Léčba je nový lékový režim, chirurgický zákrok, vzdělávací program nebo dokonce reklamní kampaň, která má ovlivnit výsledek, jako je krevní tlak, mobilita, zaměstnanost nebo prodej. Je zajímavé odhadnout ATET.
Standardní odhad rozdílu v rozdílech (DID), implementovaný v existujících příkazech didregress a xtdidregress, odhaduje ATET, který je společný pro všechny skupiny v čase. Pokud jsou skupiny ošetřeny v různých časových okamžicích, může být předpoklad o konstantním ATET porušen. Nové příkazy zavádějí metody odhadu, které zohledňují heterogenitu ATET a poskytují odhady ATET specifické pro jednotlivé kohorty a čas.
Nejdůležitější informace
-
Odhad
-
Heterogenita v kohortě a čase
-
Panelová data
-
Opakované průřezové údaje
-
-
Čtyři estimátory
-
Regresní úprava (RA)
-
Vážení inverzní pravděpodobností (IPW)
-
Rozšířené vážení inverzní pravděpodobnosti (AIPW)
-
Dvoucestná regrese s pevnými efekty (TWFE)
-
-
Grafy heterogenity účinků léčby
-
Test paralelních trendů předúpravy
-
Agregace ATET přes:
-
Kohorta
-
Čas
-
Vystavení léčbě
-
-
Současné intervaly spolehlivosti
Podívejme se, jak to funguje
Rádi bychom zjistili, zda program Zdravé návyky na úrovni školního obvodu snižuje index tělesné hmotnosti (BMI) žáků v daném školním obvodu. O programu Zdravé návyky máme fiktivní údaje. Tento program zahrnuje více času na cvičení a zvyšuje příjem ovoce a zeleniny. Naše data jsou na úrovni školního obvodu a obsahují informace o tom, zda se škola účastní programu, hhabit, a BMI žáků v obvodu, bmi. Máme k dispozici opakované vzorky žáků ve věku 11 až 14 let ze 40 školních obvodů z let 2013 až 2021.
U výsledného modelu se domníváme, že vzdělání matky, medu, je dobrým prediktorem zdravotních návyků dětí. Domníváme se také, že účast na sportovních aktivitách, sport, ovlivňuje bmi. Nakonec kontrolujeme, zda je žák dívka, abychom zohlednili rozdíly v chování a rozdíly v tělesných typech chlapců a dívek v tomto věku.
Pro model zacházení používáme k modelování hhabit počet parků v okrese (parksd). Předpokládáme, že školní obvody s větším počtem parků považují místa pro cvičení ve svém územním plánování za důležitější než obvody s menším počtem parků. Tyto obvody jsou proto příznivější pro program Zdravé návyky.
K modelování výsledku i léčby používáme odhad aipw. Odhad aipw má vlastnost dvojité spolehlivosti, což znamená, že k získání konzistentních odhadů musí být správně specifikován pouze jeden z modelů výsledku nebo léčby.
Použili jsme následující 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.
V první skupině závorek jsme uvedli výsledný model a ve druhé skupině závorek model léčby. Zadali jsme také možnost group(schools), abychom definovali, že léčba probíhá na úrovni školy, a abychom identifikovali školy jako shlukovou proměnnou. Nakonec jsme v možnosti time() specifikovali časovou proměnnou rok.
Poznámka pod příkazem uvádí, že kategoriální proměnná _did_cohort je generována s kohortními informacemi. Jednotky ve stejné kohortě zahajují léčbu ve stejnou dobu. Vidíme, že v našich datech jsou tři kohorty: 2015, 2017 a 2019. Dále vidíme, že 11 355 pozorování není nikdy léčeno. Časová proměnná rok se pohybuje od roku 2013 do roku 2021.
V tabulce odhadů je uveden ATET pro každou kohortu v každém roce. Například pro kohortu 2015 v roce 2016 je odhad ATET -2,5, což znamená, že program Zdravé návyky v průměru snižuje BMI o 2,5 u žáků v okrese kohorty 2015 v roce 2016 oproti scénáři, kdy se okres neúčastní. Ostatní odhady lze interpretovat podobně.
Pouhým pohledem na všechny odhady ATET je obtížné zjistit trendy v ATET. Pro vizualizaci časového profilu ATETs pro každou kohortu můžeme použít estat atetplot. Zadáním možnosti sci zobrazíme současně pásma spolehlivosti, která zaručeně pokrývají skutečné hodnoty ATETs ve všech kohortách a čase s předem definovanou úrovní pravděpodobnosti.
. estat atetplot, sci
Po přizpůsobení modelu můžeme použít agregaci estat k agregaci ATET v rámci kohorty, času a expozice léčbě. To poskytuje souhrn různých aspektů ATETs. Například pomocí estat aggregation, cohort shrneme ATET jednotlivých kohort v rámci času. Zadáme také možnost graf, abychom kromě tabulkového výstupu získali i graf agregací.
. 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 | |
A konečně, pokud chceme shrnout ATET za různé délky expozice léčbě, zadáme možnost dynamic.
. 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.