DID 分析包 (did) 简介

概述

did 是一个专为 R 语言设计的统计包，主要用于在多期双重差分模型 (Multi-period Difference-in-Differences) 框架下评估政策或干预措施的因果效应。该包实现了 Callaway 和 Sant'Anna (2021) 提出的最新估计方法，解决了传统 TWFE (Two-Way Fixed Effects) 模型在处理效应异质性时可能产生的偏差问题。

核心功能

1. 组别 - 时间 ATT 估计：允许处理效应在不同处理组（不同时间开始接受的个体）和不同时间点之间存在异质性。
2. 多种估计方法：支持回归调整 (RA)、逆概率加权 (IPW)、双重稳健估计 (DR) 等多种策略。
3. 动态效应分析：通过 aggte() 函数轻松实现事件研究法 (Event Study)，展示处理前趋势检验及处理后效应的动态演变。
4. 推断工具：提供基于乘数自举法 (Multiplier Bootstrap) 的联合置信带，用于更准确的统计推断。

适用场景

• 政策在不同时间点分批实施 (Staggered Adoption)。
• 需要检验平行趋势假设。
• 担心传统固定效应模型存在负权重偏差的研究。

结果展示说明

本部分描述运行 main.R 脚本后，控制台将输出的文字结果及其含义。

1. 输入命令

用户在 R 环境中运行完脚本中的 summary(event_study) 函数。

2. 输出内容描述

控制台将打印一个名为 "Dynamic Treatment Effects" 的表格，包含以下列：

• Event Time: 相对时间轴（例如 -2, -1, 0, 1, 2）。其中 0 代表处理发生的当期，负数代表处理前期，正数代表处理后期。
• Estimate: 对应相对时间的平均处理效应 (ATT) 估计值。在处理前期（如 -2, -1），该值应接近于 0，表明满足平行趋势假设；在处理后期（如 1, 2），该值应显著不为 0（在本模拟数据中应接近 5）。
• Std. Error: 估计值的标准误。

• Confidence Interval (95%): 95% 的置信区间上下限。

• 示例文本输出形态*：

Dynamic Treatment Effects:
           Estimate Std. Error [95% Simultaneous Confidence Band]
Event Time                                                        

        - 2     0.123      0.456                  [-0.89, 1.14]
        - 1    -0.054      0.412                  [-0.95, 0.84]

         0     4.876      0.523                  [3.75, 6.00] * 
         1     5.102      0.498                  [4.02, 6.18] * 
         2     4.955      0.510                  [3.85, 6.06] * 

Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

• (注：星号表示在考虑了多重假设检验后的联合显著性)*

3. 输入命令

用户运行脚本末尾的 plot(event_study) 函数（虽然不显示图片，但会返回绘图对象的文字摘要）。

4. 输出内容描述

控制台将确认已生成图形对象，并简要说明图形结构：

• 标题: "Event Study Plot: Dynamic Effects"。
• X 轴: 标记为 "Relative Time"，范围从处理前若干期到处理后若干期，0 点处通常有一条垂直虚线。
• Y 轴: 标记为 "ATT" 或 "Treatment Effect"。
• 图形元素描述:
  • 中心点线展示了各期的 ATT 估计值连线。
  • 阴影区域或上下虚线表示 95% 的联合置信带。
  • 文字提示：在处理前（Relative Time < 0），置信带应包含 0 值；在处理开始后（Relative Time >= 0），置信带应完全位于 0 值上方（针对正向效应）。
• 最终状态: 系统返回消息 Plot object created successfully. Use print() or display in RStudio Viewer to visualize.