3种双重差分法（DID）安慰剂检验方法

方法1：2023年《中国工业经济》最新应用：permute一行代码实现DID模型安慰剂检验

2023年第2期《中国工业经济》上有一篇论文应用到了permute命令，可以实现DID模型安慰剂检验

2023年第2期《中国工业经济》论文《东道国数据保护是否会抑制中国电商跨境并购》

原文图为：

代码如下

方法2：随机抽样500/1000次方法

结果为：

*-------------------------------------------------------------- ----------------  * 第一步 DID估计*-------------------------------------------------------------- cd C:\Users\Metrics\Desktop    use placebo2.dta,clear    reghdfe y did,absorb(id t) vce(cluster id)   *did系数为

*--------------------------------------------------------------*- 第二步 生成空矩阵以用于存储和作图调用 *--------------------------------------------------------------   mat b  = J(500,1,0)       mat se = J(500,1,0)       mat p  = J(500,1,0)    

*-------------------------------------------------------------- *- 第三步 具体的抽样过程，抽样次数可以根据需要调整 中 *--------------------------------------------------------------forvalues i=1/500{ *循环500次   use placebo2.dta, clear  xtset id t                  keep if t==2014                  sample 500, count                keep id                          save match_id.dta, replace          merge 1:m id using placebo2.dta     gene treat = (_merge == 3)          gene time =  (t >= 2016)          gen did2 = treat*time  quietly reghdfe y did2 ,absorb(id t) vce(cluster id)  mat  b[`i',1] = _b[did2] mat se[`i',1] = _se[did2] mat p[`i',1] = 2*ttail(e(df_r), abs(_b[did2]/_se[did2]))}

*-------------------------------------------------------------- *- 第四步 数据准备*-------------------------------------------------------------- * 矩阵转化为向量  svmat b, names(coef)  svmat se, names(se)  svmat p, names(pvalue)* 删除空值并添加标签  drop if pvalue1 == .  label var pvalue1 p值  label var coef1 估计系数  keep coef1 se1 pvalue1 

*-------------------------------------------------------------- *- 第五步 作图*--------------------------------------------------------------  *set scheme qlean  twoway  (kdensity coef1) (scatter pvalue1 coef1, msymbol(smcircle_hollow) mcolor(blue) ),  ///  title("Placebo Test")  ///  xlabel(-1(0.1)1) ylabel(,angle(0))  ///  xline(0.79, lwidth(vthin) lp(shortdash))  /// *真实的估计为0.79，即真实数据回归得到的估计系数  xtitle("Coefficients")      ///  yline(0.1,lwidth(vthin) lp(dash))  ///  ytitle(p value) ///  legend(label(1 "kdensity of estimates") label( 2 "p value")) /// *图例说明  plotregion(style(none))  ///无边框不需要边框  graphregion(color(white))    //白色底图