大家好,又见面了,我是你们的朋友全栈君。
原文链接:https://www.lianxh.cn/news/9e1bb97a57041.html
目录
推文介绍合成控制方法及其 Stata 的实现命令。合成控制方法(Synthetic Control Method)由 Abadie and Gardeazabal (2003) 提出。目前,该方法已被广泛使用。
1. 背景介绍
经济学家常要评估某政策或事件的效应。此政策可能实施于某国家或地区(省、州或城市)。为此,常使用”鲁宾的反事实框架”(Rubin’s counterfactual framework),即假想该地区如未受政策干预将会怎样,并与事实上受到干预的实际数据进行对比,二者之差即为”处理效应”(treatment effect,借用医学术语)。
常用解决方法是,寻找适当的控制组(control group),即在各方面都与受干预地区相似却未受干预的其他地区,以作为处理组(treated group,即受到干预的地区)的反事实替身(counterfactuals)。
比如,要考察仅在 A 市实施的某政策效果,自然会想到以之相近的 B 市作为控制地区;但 B 市毕竟与 A 市不完全相同。或可用其他城市(B 市、C 市、D 市)构成 A 市的控制组,比较 B 市、C 市、D 市与 A 市在政策实施前后的差别,此方法也称”比较案例研究”(comparative case studies)。但如何选择控制组通常存在主观随意性(ambiguity),而 B 市、C 市、D 市与 A 市的相似度也不尽相同。
为此,Abadie and Gardeazabal (2003)提出”合成控制法”(Synthetic Control Method)。其基本思想是,虽然无法找到 A 市的最佳控制地区,但通常可对若干大城市进行适当的线性组合,以构造一个更为优秀的”合成控制地区”(synthetic control region),并将”真实 A 市”与”合成 A 市”进行对比,故名”合成控制法”。合成控制法的一大优势是,可以根据数据(data-driven)来选择线性组合的最优权重,避免了研究者主观选择控制组的随意性。
合成控制方法(Synthetic Control Method)的优点如下:
- 作为一种非参数的方法,是对传统的双重差分法 DID 的拓展
- 通过数据驱动确定权重,减少了主观选择的误差,避免了政策内生性问题
- 通过对多个控制对象加权来模拟目标对象政策实施前的情况,不仅可以清晰地反映每个控制对象对”反事实”事件的贡献,同时也避免了过分外推
- 可以对每一个研究个体提供与之对应的合成控制对象,避免平均化的评价,不至于因各国政策实施时间不同而影响政策评估结果,避免了主观选择造成的偏差
- 研究者们可在不知道实施效果的情况下设计实验
2. 合成控制法原理
原理介绍请看以下链接:
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/132497.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...