Apa cara terbaik untuk memvisualisasikan regresi perbedaan-dalam-perbedaan (multi-periode)?

Apa cara terbaik untuk memvisualisasikan perbedaan-dalam-perbedaan untuk pengobatan biner dan berkelanjutan?

Apakah saya regresi variabel hasil pada set kontrol tetapi mengecualikan variabel pengobatan dan plot residu di setiap kelompok (kasus biner)?

Apakah ada cara untuk melihat "dinamika" dari parameter ATE dari waktu ke waktu?

Saya ingin menunjukkan bahwa asumsi tren paralel masuk akal.

data-visualization causality treatment-effect difference-in-difference sazuhabe
sumber

Untuk perawatan berkelanjutan, Anda juga memiliki pengamatan yang tidak memiliki intensitas perawatan nol atau apakah semua orang terpengaruh sampai tingkat tertentu? Dengan "dinamika" ATE yang Anda maksudkan adalah Anda ingin melihat apakah ada efek jangka panjang dari perawatan yang memudar seiring waktu?

Andy

Ya, katakanlah kita memiliki intensitas perawatan nol. Saya sudah membaca ini di sebuah makalah, tapi saya tidak yakin apa yang penulis lakukan persis "Setiap gambar berinteraksi efek yang dimasukkan dalam keadaan diperlakukan dengan variabel indikator bulanan dalam waktu acara. Angka-angka menunjukkan perubahan tingkat pada acara tersebut tanggal, daripada tren diferensial yang memisahkan kelompok yang dirawat dan yang tidak diobati ". Adakah cara menerapkan ini?

sazuhabe

Ah saya baru saja memposting jawabannya sebelum melihat pembaruan dari komentar Anda. Apakah Anda memiliki tautan ke koran?

Andy

Ini mirip dengan apa yang ditulis oleh Autor yang telah saya rujuk dalam jawabannya. Lelaki Anda mengembalikan hasil (paten) pada perawatan dan berinteraksi dengan perawatan waktu. Panel atas melakukan ini untuk kelompok kontrol, panel bawah untuk kelompok perlakuan. Jadi, Anda melihat bahwa hasilnya melonjak hanya untuk yang dirawat setelah tanggal perawatan (bukan untuk kontrol) dan bahwa efeknya meningkat seiring waktu.

Andy

Jawaban:

Apa yang biasanya dilakukan adalah Anda memplot rata-rata variabel hasil untuk kelompok kontrol dan perawatan Anda dari waktu ke waktu. Jadi kelompok kontrol di sini secara alami adalah semua yang tidak menerima perawatan sementara kelompok perlakuan adalah mereka yang menerima intensitas perawatan. Itu dilakukan misalnya dalam presentasi ini (slide 25 dan 26, persamaan regresi ada di slide 27).

Jika Anda ingin menunjukkan tren paralel dengan intensitas perawatan, ada berbagai cara untuk melakukannya dan pada akhirnya itu hanya menjelaskan bagaimana Anda ingin membaginya. Misalnya, Anda dapat memplot hasil untuk unit yang dirawat di atas 10%, rata-rata, dan 90% dari distribusi intensitas perawatan. Saya jarang melihat ini dilakukan dalam praktek, namun saya pikir ini adalah latihan yang bermakna.

Untuk memperkirakan waktu perawatan yang memudar, Anda dapat mengikuti Autor (2003) . Ia menyertakan sadapan dan perawatan seperti pada mana ia memiliki data pada setiap individu , dalam keadaan at waktu , adalah efek tetap keadaan, adalah efek tetap waktu, dan adalah kontrol individual. The tertinggal dari pengobatan memperkirakan memudar efek dari

Y_{i s t} = γ_{s} + λ_{t} + \sum_{m = 0}^{M} β_{- m} D_{s, t - m} + \sum_{k = 1}^{K} β_{+ k} D_{s, t + k} + X_{i s t}^{'} π + ϵ_{i s t}

$Y_{ist} = \gamma_s + \lambda_t + \sum^{M}_{m=0}\beta_{-m} D_{s,t-m} + \sum^{K}_{k=1}\beta_{+k} D_{s,t+k} + X'_{ist}\pi + \epsilon_{ist}$

i

$i$

s

$s$

t

$t$

γ

$\gamma$

λ

$\lambda$

X

$X$

m

$m$

m = 0

$m=0$ , yaitu masa pengobatan. Anda dapat memvisualisasikan ini dengan memplot koefisien lag dari waktu ke waktu: masukkan deskripsi gambar di sini

Grafik ada di halaman 26 makalahnya. Yang menyenangkan tentang ini adalah ia juga memplot band-band kepercayaan diri (garis-garis vertikal) untuk masing-masing koefisien sehingga Anda dapat melihat kapan efeknya sebenarnya berbeda dari nol. Dalam aplikasi ini tampaknya ada efek jangka panjang dari pengobatan dalam dua tahun meskipun efek pengobatan keseluruhan pertama meningkat dan kemudian tetap stabil (meskipun tidak signifikan).

Anda dapat melakukan hal yang sama dengan lead . Namun, itu harus tidak signifikan karena jika tidak, ini mengisyaratkan perilaku antisipatif sehubungan dengan pengobatan dan karena itu status pengobatan mungkin tidak eksogen lagi. $k$

Andy
sumber