Dependiendo de cuántas unidades de control y los diferentes períodos de tratamiento tiene esta sería una buena aplicación para la diferencia en diferencias (DiD) con pre-tratamiento de coincidencia en el resultado o el sintético de control de método.
Lo hizo con la coincidencia en el pre-tratamiento de resultados
La cosa más importante que Hizo es que el pre-tratamiento de las tendencias son las mismas en el tratamiento y grupo de control. Para ello se puede hacer coincidir en un paso inicial en la que coincide con el tratamiento y los lugares de control basado en el pre-tratamiento de resultados a través de vecino más cercano, la puntuación de propensión, o pinza de métodos de juego. Esto se asegura de que usted seleccione el que más similares pre-tratamiento de las ubicaciones para el análisis. Aquí está una explicación de cómo hacer esto en Stata. La lógica sería la misma para R con el correspondiente paquete coincidente. En cualquier caso, si quieres convencer a su audiencia con un Hizo el diseño que usted necesita para trazar estas pre-tratamiento de las tendencias. Una buena gráfica muestran el promedio de los resultados para los grupos de tratamiento y control a lo largo del tiempo con las dos líneas de tener la misma tendencia antes del tratamiento y una divergencia después del tratamiento.
Una vez que haya hecho la coincidencia se puede utilizar la muestra emparejada para la siguiente regresión,
$$y_{lt} = \beta_1 \text{location}_l + \beta_2 \text{time}_t + \beta_3 \text{treated}_{lt} + \beta_4 X'_{lt} + \epsilon_{lt}$$
donde $y_{lt}$ es el resultado de la ubicación de $l$ a tiempo $t$, $\text{location}_l$ es una dummy si la ubicación de $l$ está en el grupo de tratamiento, $\text{time}_t$ es una dummy para cada período de tiempo, $\text{treated}_{lt}$ es una dummy que es igual a uno si la ubicación es en el grupo de tratamiento Y el período de tiempo en el período de tratamiento. $X'_{lt}$ son específicas de la ubicación de los controles (si tiene alguna), y $\epsilon_{lt}$ es un error aleatorio. El efecto del tratamiento es capturado por el coeficiente de $\beta_3$. Este es el caso más general, la representación de un DiD modelo que permite varios períodos de tiempo y los tratamientos en diferentes puntos en el tiempo. Esto es útil si la ubicación de $A$ es tratada en $t=5$, $B$ es tratada en $t=7$, etc. así que usted no necesita para lanzar otros tratados observaciones.
Si usted tiene varios tratados lugares, entonces es una buena idea para mantener esos y no sólo mantener uno. Descartando otros sitios de tratamiento resultará en una pérdida de poder estadístico para sus pruebas de hipótesis y usted puede encontrar ningún efecto significativo pesar de que usted debe tener. Con respecto a las pruebas también debe definitivamente clúster de la norma errores en la ubicación de identificador. Bertrand et al. (2004) han demostrado que sin un ajuste de autocorrelación de los errores estándar en que Hizo los diseños será demasiado pequeño y puede conducir a la falsa inferencia. La agrupación en la ubicación identificador es la manera más fácil de conseguir alrededor de él y se ocupa tanto de heterocedasticidad y autocorrelación.
Sintético de control
Si sólo tiene un único tratado ubicación, a continuación, el sintético método de control puede ser útil. Básicamente lo que hace es que se compara el tratamiento de la ubicación con todos los lugares de control en la muestra. Desde el control de ubicaciones, a continuación, construye una síntesis de la ubicación de los lugares de control que son más similares a los tratados ubicación. Lo hace mediante la asignación de diferentes pesos para cada ubicación de control tal que el resultado sintético de la ubicación que mejor se adapte a la pre-resultado del tratamiento del lugar de tratamiento.
La aplicación original de este en la cuestión de cómo los ataques terroristas afectó el crecimiento económico en la región Vasca. Dado que no hay una región en España es tan similar como la de la región Vasca, Abadie y sus co-autores tomaron un promedio ponderado de las regiones de control. Esta es la forma en este sintético método de control de vino. Así que si su aplicación es similar a su idea, a continuación, esto no es una mala elección. Al menos en términos económicos, este método aún no ha encontrado muchos seguidores. El principal problema es que realmente no se puede tener la inferencia estadística, en el sentido tradicional, es decir, no habrá ningún estándar de los errores o de los intervalos de confianza y la mayor parte de la "inferencia" se realiza a través del análisis de las gráficas y el uso de placebo pruebas. Esta conferencia presenta Hizo y el sintético método de control si usted quiere saber más acerca de los detalles.
Como lo Hizo, la evidencia gráfica es necesaria para mostrar la validez de su enfoque. Aquí es una discusión en el Statalist sobre cómo implementar estos placebo pruebas. La idea básica detrás de ellos es que al azar re-asignar el tratamiento para diferentes períodos de tiempo que se encuentran antes del tratamiento o re-asignar el tratamiento identificador de unidades de control. En cualquier caso, usted no debe encontrar un efecto, de lo contrario se pone en duda su hallazgo inicial.
Ventajas y Desventajas
Ambos métodos son fáciles de implementar en cualquier software estadístico. La primera clasificación para la Hice enfoque puede ser un poco complicado, especialmente si usted no tiene una equilibrada panel, pero la respuesta que he enlazado más arriba ofrece una buena solución para este problema. De lo contrario, ¿es el método más fácil de implementar, ya que la regresión con algunos generado dummy variables es directa. Usted obtener interpretables los resultados con los errores estándar y los intervalos de confianza de inmediato, algo que no tendrá en el sintético de control de enfoque. Esta es probablemente la razón principal de por qué los economistas no han sintéticos utilizados controlar mucho. Rara vez tiene un solo tratado de caso y más a menudo de lo que puede hacer con suela de control también se puede hacer con el lo Hizo.
Sintético de control tiene la ventaja de que es algo relativamente nuevo. Nuevas formas de hacer las cosas siempre son más interesantes que los antiguos, además de que funciona muy bien si usted sólo tiene un tratado de caso. La construcción del placebo gráficos pueden ser un poco molesto, pero algunos paquetes de software que lo haga por usted. En general, este enfoque es un poco más difícil de implementar, pero de paquetes enlatados están disponibles para R, Matlab y Stata (enlace). El paquete de R tiene una buena documentación. La gente también se está trabajando actualmente en nuevas formas para tener más sólido de los métodos de inferencia para sintética de control (consulte este documento de trabajo, por ejemplo) aunque la mayoría de ellos tendrá que programa por sí mismo.