Galvenais Cits Difference-in-Difference novērtēšana

Difference-in-Difference novērtēšana

Pārskats

Programmatūra

Apraksts

Vietnes

Lasījumi

Kursi

Pārskats

Atšķirības atšķirībā (DID) paņēmiens radās ekonometrijas jomā, taču loģiku, kuras pamatā ir tehnika, Džons Snovs izmantoja jau 1850. gados un dažās sociālajās jomās to sauc par “kontrolētu pirms un pēc”. zinātnes.

Apraksts

DID ir kvazieksperimentāls dizains, kas izmanto ārstēšanas un kontroles grupu gareniskos datus, lai iegūtu atbilstošu pretfaktoru, lai novērtētu cēloņsakarību. DID parasti izmanto, lai novērtētu konkrētas iejaukšanās vai ārstēšanas (piemēram, likuma pieņemšana, politikas pieņemšana vai liela mēroga programmas ieviešana) ietekmi, salīdzinot rezultātu izmaiņas laika gaitā starp programmā iekļautajiem iedzīvotājiem (intervences grupa) un populācija, kas nav (kontroles grupa).


1. attēls. Difference-in-Difference novērtējums, grafisks skaidrojums

DID tiek izmantots novērošanas apstākļos, kur nevar pieņemt, ka ārstēšanas un kontroles grupas var aizstāt. DID balstās uz mazāk stingru maināmības pieņēmumu, t.i., ja nav ārstēšanas, neievērotās atšķirības starp ārstēšanas un kontroles grupām ir vienas un tās pašas virsstundas. Tādējādi atšķirība atšķirībā ir noderīgs paņēmiens, ko izmantot gadījumos, kad randomizēšana individuālā līmenī nav iespējama. DID ir nepieciešami dati no pirms / pēc iejaukšanās, piemēram, kohorta vai paneļa dati (individuālā līmeņa dati laika gaitā) vai atkārtoti šķērsgriezuma dati (individuālais vai grupas līmenis). Pieeja novērš novirzes pēc intervences perioda salīdzinājumā starp ārstēšanas un kontroles grupu, kas varētu būt rezultāts pastāvīgām atšķirībām starp šīm grupām, kā arī novirzes no salīdzinājumiem laika gaitā ārstēšanas grupā, kas varētu būt tendenču rezultāts citu iemeslu dēļ. cēloņi.

Cēloņsakarības (Ya = 1 - Ya = 0)
DID parasti izmanto, lai novērtētu ārstēšanas efektu uz ārstēto (cēloņsakarība pakļautajā), lai gan ar stingrākiem pieņēmumiem šo metodi var izmantot, lai novērtētu vidējo ārstēšanas efektu (ATE) vai cēloņsakarību populācijā. Lūdzu, skatiet Lechner 2011 rakstu, lai iegūtu sīkāku informāciju.

Pieņēmumi

Lai novērtētu jebkādu cēloņsakarību, ir jāpieņem trīs pieņēmumi: maināmība, pozitivitāte un stabilas vienības ārstēšanas vērtības pieņēmums (SUTVA) 1
. DID novērtējums prasa arī, lai:

  • Iejaukšanās, kas nav saistīta ar sākotnējo iznākumu (intervences piešķiršanu nenoteica rezultāts)

  • Ārstēšanas / iejaukšanās un kontroles grupām ir paralēlas tendences (sīkāku informāciju skatīt zemāk)

  • Intervences un salīdzināšanas grupu sastāvs ir stabils atkārtotam šķērsgriezuma dizainam (daļa no SUTVA)

  • Nav blakus efektu (daļa no SUTVA)

Paralēlās tendences pieņēmums
Paralēlās tendences pieņēmums ir viskritiskākais no iepriekš minētajiem četriem pieņēmumiem, lai nodrošinātu DID modeļu iekšējo derīgumu, un to ir visgrūtāk izpildīt. Tas prasa, lai bez ārstēšanas atšķirība starp “ārstēšanas” un “kontroles” grupām laika gaitā būtu nemainīga. Lai gan šim pieņēmumam nav statistikas testa, vizuālā pārbaude ir noderīga, ja jums ir novērojumi daudzos laika punktos. Ir arī ierosināts, ka jo mazāks ir pārbaudītais laika periods, jo ticamāk tiek pieļauts pieņēmums. Paralēlu tendenču pieņēmumu pārkāpšana novedīs pie neobjektīva cēloņsakarības novērtējuma.

Paralēlās tendences pieņēmuma izpilde 2

Paralēlās tendences pieņēmuma pārkāpums 3

Regresijas modelis
Y = β0 + β1 * [laiks] + β2 * [iejaukšanās] + β3 * [laiks * iejaukšanās] + β4 * [kovariāti] + ε

Stiprās puses un ierobežojumi
Stiprās puses

  • Intuitīva interpretācija

  • Var iegūt cēloņsakarību, izmantojot novērojumu datus, ja tiek izpildīti pieņēmumi

  • Var izmantot gan individuālos, gan grupas līmeņa datus

  • Salīdzināšanas grupas var sākties dažādos rezultāta līmeņos. (DID koncentrējas uz mainītāju, nevis uz absolūto līmeni)

  • Pārskati par izmaiņām / izmaiņām citu faktoru dēļ, nevis iejaukšanās

Ierobežojumi

  • Nepieciešami sākotnējie dati un neiejaukšanās grupa

  • Nevar izmantot, ja intervences piešķiršanu nosaka bāzes rezultāts

  • Nevar izmantot, ja salīdzināšanas grupām ir atšķirīga iznākuma tendence (Abadie 2005 ir piedāvājusi risinājumu)

  • Nevar izmantot, ja grupu sastāvs pirms / pēc izmaiņām nav stabils

    absolventu vizītkarte

Labākā pieredze

  • Pārliecinieties, ka iznākuma tendence neietekmēja ārstēšanas / iejaukšanās sadalījumu

  • Iegūstiet vairāk datu punktu pirms un pēc, lai pārbaudītu paralēlas tendences pieņēmumu

  • Izmantojiet lineāro varbūtības modeli, lai palīdzētu interpretēt

  • Pirms un pēc iejaukšanās noteikti pārbaudiet populācijas sastāvu ārstēšanas / iejaukšanās un kontroles grupās

  • Izmantojiet spēcīgas standarta kļūdas, lai ņemtu vērā autokorelāciju starp viena un tā paša indivīda pirms / pēc

  • Veiciet apakšanalīzi, lai redzētu, vai iejaukšanās ir līdzīga / atšķirīga ietekme uz rezultāta sastāvdaļām

Epi6 klases prezentācija 2013. gada 30. aprīlī

1. Rubins, DB. Eksperimentālo datu nejaušināšanas analīze Fišera randomizācijas testā. Amerikas statistikas asociācijas žurnāls. 1980. gads.
3. Pielāgots no Apmācību programmu ietekmes uz ienākumiem novērtēšana, Ekonomikas un statistikas apskats, 1978. gads (Orley Ashenfelter)

Lasījumi

Mācību grāmatas un nodaļas

Metodiskie raksti

  • Bertrand, M., Duflo, E., & Mullainathan, S. Cik daudz mums vajadzētu uzticēties atšķirību atšķirībām? Ceturkšņa ekonomikas žurnāls. 2004. gads.


  • Cao, Žuns u.c. Pieejas atšķirībai atšķirībā un instrumentālo mainīgo lielumiem. Alternatīva un papildinājums tieksmes rādītāju saskaņošanai, novērtējot ārstēšanas iedarbību. CER Issue Brief: 2011.


  • Lechner, Michael. Cēloņsakarības novērtēšana ar diferenciālo atšķirību metodēm. Sanktgallenes universitātes Ekonomikas departaments. 2011. gads.


  • Nortons, Edvards C. Mijiedarbības noteikumi logitand probitmodels. UNC pie Kapelu kalna. Akadēmijas Veselība 2004.


  • Abādija, Alberto. Semiparametriski starpības aprēķinātāji. Ekonomikas pētījumu pārskats. 2005. gads


    Šajā rakstā ilgstoši tiek apspriests paralēlu tendenču pieņēmums un piedāvāta DID svēršanas metode, ja paralēlās tendences pieņēmums var nebūt spēkā.

Rakstu raksti

Veselības zinātnes

Vispārīgi lineārās regresijas piemēri:

  • Branas, Čārlzs C. un citi. Veselības, drošības un brīvās pilsētas telpas apzaļumošanas atšķirību analīze. American Journal of Epidemiology. 2011. gads.
  • Harmans, Džefrijs u.c. Izmaiņas izdevumos uz vienu locekli mēnesī pēc Floridas medicīniskās reformas demonstrācijas īstenošanas. Veselības pakalpojumu izpēte. 2011. gads.
  • Wharam, Frank un citi. Ārkārtas nodaļas izmantošana un turpmākā hospitalizācija starp augsta pašriska veselības plāna dalībniekiem. JAMA. 2007. gads.

Loģistiskās regresijas piemēri:

  • Bendavids, Erans un citi. HIV attīstības palīdzība un pieaugušo mirstība Āfrikā. JAMA. 2012. gads
  • Karlo, Valdemārs A un citi. Jaundzimušo aprūpes apmācība un perinatālā mirstība jaunattīstības valstīs. NEJM. 2010. gads.
  • Puisis, Gerij. Izmaksu piesaistes ietekme uz aprūpes pieejamību bezbērnu pieaugušajiem. Veselības pakalpojumu izpēte. 2010. gads.
  • King, Marissa u.c. Medicīnas skolas dāvanu ierobežošanas politika un ārsts izraksta nesen tirgotos psihotropos medikamentus: atšķirību starp atšķirībām analīze. BMJ. 2013. gads.
  • Li, Rui u.c. Glikozes līmeņa asinīs paškontrole pirms un pēc zāļu paplašināšanās starp meicare saņēmējiem ar cukura diabētu, kuri nelieto insulīnu. AJPH. 2008. gads.
  • Raiens, Endrjū u.c. Galvenās slimnīcas kvalitātes veicināšanas demonstrācijas 2. posma ietekme uz stimulējošām algas metodēm slimnīcām, kuras rūpējas par nelabvēlīgā situācijā esošiem pacientiem. Veselības pakalpojumu pētniecība. 2012. gads.

Lineārās varbūtības piemēri:

  • Bredlijs, Kati un citi. Operācijas gaidīšanas laiks un specializētie pakalpojumi apdrošinātiem un neapdrošinātiem krūts vēža pacientiem: vai slimnīcas drošības tīkla statuss ir svarīgs? HSR: Veselības pakalpojumu izpēte. 2012. gads.
  • Monheits, Alans un citi. Kā valsts politika, lai paplašinātu atkarīgo segumu, ir ietekmējusi jaunu pieaugušo veselības apdrošināšanas statusu? HSR: Veselības pakalpojumu izpēte. 2011. gads.

Pagarinājumi (Atšķirības-atšķirībās-atšķirībās):

  • Afendulis, Kristofers u.c. Medicare D daļas ietekme uz hospitalizācijas līmeni. Veselības pakalpojumu izpēte. 2011. gads.
  • Domino, Marisa. Laika izmaksu un līdzmaksājumu palielināšana par recepšu medikamentiem: politikas izmaiņu analīze sarežģītā vidē. Veselības pakalpojumu izpēte. 2011. gads.

Ekonomika

  • Kārts, Deivids un Alans Krēgeri. Minimālā alga un nodarbinātība: ātrās ēdināšanas nozares gadījumu izpēte Ņūdžersijā un Pensilvānijā. Amerikas ekonomikas pārskats. 1994. gads.
  • DiTella, Rafaels un Šargrodskis, Ernesto. Vai policija mazina noziedzību? Aplēses par policijas spēku sadalījumu pēc teroristu uzbrukuma. American Economic Review. 2004. gads.
  • Galiani, Sebastians un citi. Ūdens dzīvei: Ūdens pakalpojumu privatizācijas ietekme uz bērnu mirstību. Politiskās ekonomikas žurnāls. 2005. gads.

Vietnes

Metodiskā
http://healthcare-economist.com/2006/02/11/difference-in-difference-estimation/

Statistika (paraugs R un Stata kods)
http://thetarzan.wordpress.com/2011/06/20/differences-in-differences-estimation-in-r-and-stata/

Kursi

Tiešsaistē

Interesanti Raksti

Redaktora Izvēle

Kā nodrošināt finansējumu mūzikas izglītībai valsts skolās
Kā nodrošināt finansējumu mūzikas izglītībai valsts skolās
Meklējot finansējuma avotus, skolotāji var likt pamatu jaunākās paaudzes mūziķu progresīvas mācību programmas nodrošināšanai.
Kas ir epidemioloģija?
Kas ir epidemioloģija?
Epidemioloģija ir pētījums par to, kā izplatās dažādas veselības problēmas, tostarp slimības, ko tās ietekmē iedzīvotāju vidū un kāpēc, kā arī kā tās novērst vai kontrolēt. Uzziniet vairāk par šo daudzveidīgo jomu, kas ir sabiedrības veselības stūrakmens, šeit.
e-mentora programma
e-mentora programma
Laipni lūdzam e-mentoru programmā, ko sponsorē Karjeras dizaina laboratorija un Absolventu attiecības Kolumbijas Universitātes Profesionālo studiju skolā ...
Ekonomisti Džozefs Stiglics un Tomass Piketi runā par nevienlīdzības konverģējošām krīzēm
Ekonomisti Džozefs Stiglics un Tomass Piketi runā par nevienlīdzības konverģējošām krīzēm
Pandēmija, prezidenta vēlēšanas, globalizācija, klimata pārmaiņas un citi jautājumi tiek apskatīti transatlantiskajā forumā.
NIH Grant Writing Boot Camp: Spēcīga fonda izveide, lai finansētu panākumus
NIH Grant Writing Boot Camp: Spēcīga fonda izveide, lai finansētu panākumus
19.-20.jūlija kurss ir pilns! Pievienojieties nākamajai tiešraides NIH grantu rakstīšanas sāknometnei: 2021. gada 8. – 9. Novembris. NIH grantu rakstīšanas sāknometne ir divu dienu intensīva sāknometne, kurā apvienotas lekcijas, praktiskas aktivitātes un diskusijas, lai demistificētu NIH pieteikšanās procesu. Šīs apmācības sagatavos dalībniekus iesniegt NIH grantu priekšlikumu, kas pārvērtīs recenzentus
Duāli grādi
Duāli grādi
Mailmaņa sabiedrības veselības skola sadarbojas ar citām Kolumbijas augstskolām, lai piedāvātu vispusīgu izglītību. Lai sāktu, piesakieties abās skolās.
Itālijas uguns gredzens
Itālijas uguns gredzens
Vulkāna izvirdumi un zemestrīces bieži satricina Itālijas dienvidus, tāpat kā 12 miljonu gadu laikā. Tajā laikā tektoniskā kustība ir sadalījusi Kalabriju - Itālijas zābaka “pirkstu” - no Sardīnijas un Korsikas salām līdz rietumiem un izveidojusi kalnu grēdas. Starptautiskā Kalabrijas loka projekta ietvaros Lamont-Doherty zinātnieki Nano Seeber un Meg Reitz dodas cauri Kalabrijai, lai pārbaudītu klintis un izpētītu reljefu, lai labāk izprastu šo sarežģīto un vardarbīgo vēsturi. Par viņu darbu lasiet šeit.