PSM-DID在Stata中的实现过程代码

webuse nlswork //使用系统自带数据库

xtset idcode year, delta(1) //设置面板

xtdescribe //描述一下这个面板数据情况

gen age2= age^2

gen ttl_exp2=ttl_exp^2

gen tenure2=tenure^2

global xlist "grade age age2 ttl_exp ttl_exp2 tenure tenure2 not_smsa south race"

sum ln_w $xlist //统计描述相关变量

——————————————————————

**DID方法

gen time = (year >= 77) & !missing(year) //政策执行时间为1977年

gen treated = (idcode >2000)&!missing(idcode) //政策执行地方为idcode大于2000的地方

gen did = time*treated //这就是需要估计的DID，也就所交叉项

reg ln_w did time treated $xlist //这就是一个OLS回归，也可以用diff命令

xtreg ln_w did time treated $xlist i.year, fe //也可以这去做，会省略掉一个虚拟变量

——————————————————————

**PSM-DID方法

** PSM的部分

set seed 0001 //定义种子

gen tmp = runiform() //生成随机数

sort tmp //把数据库随机整理

psmatch2 treated $xlist, out(ln_w) logit ate neighbor(1) common caliper(.05) ties //通过近邻匹配，这里可以要outcome，也可以不要它

pstest $xlist, both graph //检验协变量在处理组与控制组之间是否平衡

gen common=_support

drop if common == 0 //去掉不满足共同区域假定的观测值

*drop _weight ==0 //也有情况是把没有匹配的直接删除

**DID的部分，根据上面匹配好的数据

reg ln_w did time treated $xlist

xtreg ln_w did time treated $xlist i.year, fe

**PSM-DID部分结束--------------------------------------

————————————————————

**DID方法需要满足的五个条件检验

**1.共同趋势假设检验

tab year, gen(yrdum) //产生year dummy，即每一年一个dummy变量

forval v=1/7

//这个相当于产生了政策实行前的那些年份与处理虚拟变量的交互项

xtreg ln_w did treated* i.year ,fe //这个没有加控制变量

xtreg ln_w did treated* $xlist i.year ,fe //如果did依然显著，且treated*这些政策施行前年份交互项并不显著，那就好

xtreg ln_w did treated* $xlist i.year if union!=1 ,fe //我们认为工会会影响这个处理组和控制组的共同趋势，因此我们看看union=0的情形

**2.政策干预时间的随机性

gen time1 = (year >= 75) & !missing(year) //政策执行时间提前到1975年

gen treated1= (idcode >2000)&!missing(idcode) //政策执行地方为idcode大于2000的地方

gen did1 = time1*treated1 //这就是需要估计的DID，也就所交叉项

gen time2 = (year >= 76) & !missing(year) //政策执行时间提前到1976年

gen treated2= (idcode >2000)&!missing(idcode) //政策执行地方为idcode大于2000的地方

gen did2 = time2*treated2 //这就是需要估计的DID，也就所交叉项

xtreg ln_w did1 $xlist i.year,fe

xtreg ln_w did2 $xlist i.year,fe //看看这两式子里did1和did2显著不

**3.控制组将不受到政策的影响

gen time = (year >= 77) & !missing(year)

gen treated3= (idcode1000)&!missing(idcode) //我们考虑一个并没有受政策影响地方假设其受到政策影响

gen did3 = time*treated3

xtreg ln_w did3 $xlist i.year,fe //最好的情况是did3不显著，证明控制组不受政策影响

**4.政策实施的唯一性，至少证明这个政策才是主要影响因素

gen time = (year >= 77) & !missing(year)

gen treated4= (idcode2300)&!missing(idcode) //我们寻找某些受到其他政策影响的地方

gen did4 = time*treated4

xtreg ln_w did4 $xlist i.year,fe //did4可能依然显著，但是系数变小，证明还受到其他政策影响

**5.控制组和政策影响组的分组是随机的

xi:xtivreg2 ln_w (did=hours tenure) $xlist i.year,fe first

//用工具变量来替代政策变量，解决因为分组非随机导致的内生性问题

—————————————————————

**附加的，一般而言，我们需要看看这个政策的动态影响

forval v=8/15

//注意，这里yrdum8就相当于year=78

reg ln_w treated*

xtreg ln_w treated*, fe

xtreg ln_w treated* i.year,fe

xtreg ln_w treated* $xlist i.year,fe //一般而言上面这些式子里的treated*应该至少部分显著

来源：微信公众号计量经济圈，版权归作者所有