从交叠双重差分法到堆叠双重差分法——举例与讨论.docxVIP

图片来源：Bing

原文信息：Deshpande,Manasi,andYueLi.?2019.?WhoIsScreenedOut?ApplicationCostsandtheTargetingofDisabilityPrograms.?AmericanEconomicJournal:EconomicPolicy,?11(4):213-48.DOI:10.1257/polndrewGoodman-Bacon,Difference-in-differenceswithvariationintreatmenttiming,JournalofEconometrics,Volume225,Issue2,2021,Pages254-277,?.

01

引言?经典的双重差分法比较处理组和控制组在政策冲击前后变化的差异，即“差异之差异”。在满足平行趋势假设的情况下，下式中

即经典双重差分估计量。

（1）经典DID考察两个组别（处理组和控制组）、两个时间窗口（处理前和处理后）的情形。在更一般的情况下，政策冲击的时点存在差异，此时模型区别于经典DID的2×2设定，将（1）式中的Treat、Post虚拟变量改变为一般化的个体固定效应

和时间固定效应

，交乘项改变为一般化的

，即得到双向固定效应双重差分法（TWFEStaggeredDID，交叠双重差分法）：

（2）近期，AER、RES、JoE等期刊上发表的大量文章表明，在处理效应存在异质性时，传统的双向固定效应双重差分法存在偏误。将估计系数β进行分解，可以解释这种偏误的来源。Goodman-Bacon（2021）证明，（2）式得到的β估计值可以分解为若干2×2DD估计量的加权平均数。这些DD估计量按照处理组和控制组的相互处理状态可以分为4类：早处理个体vs从不处理个体；晚处理个体vs从不处理个体；早处理个体vs晚处理个体（尚未处理个体，not-yet-treated）；晚处理个体vs早处理个体（已处理个体，already-treated）。可以看出，如果满足平行趋势假定，前三种情况的控制组都是合理的。但第四种情况中，早处理的个体作为晚处理个体的控制组，此时，控制组的趋势掺杂了处理效应，因而不是一个好的控制组。当第四类在所有2×2DD估计量中占有较大比例时，便可能导致β估计值与实际的处理效应相差很大，甚至可能具有相反的符号。对此，Goodman-Bacon提出：根据上述DD分解定理，可以计算这四类2×2DD估计量的具体大小和权重，并考察第四类估计量的权重和大小情况。如果第四类估计量的估计系数与其他三类估计量相比相差不大，且权重很小，则不会对结果产生显著影响，此时可以接受TWFE的估计结果。但如果第四类估计量的权重很大，便需要采取其他估计方法，以获得对真实处理效应的更优估计。现有的可行方法包括EventStudy（事件研究）、ReweightingEstimation（重新赋权估计）、CounterfactualEstimation（反事实估计）和StackedDID（堆叠DID）等。

StackedDID方法是一个应用先行的方法，目前在Cengizetal.(2019)、DeshpandeandLi(2019)和FadlonandNielsen,(2015)中得到了初步应用。这里以DeshpandeandLi(2019)的文章《谁被筛选了？申请成本和残疾人保障计划的指向性》为例，简要介绍StackedDID的使用原理、方法并进行简单的讨论。?

研究背景

02

残疾人保障计划在发达国家中实施得越来越广泛。残疾人社会保障保险（SocialSecurityDisabilityInsurance，SSDI）是美国实施的一项残疾人保险计划，此计划利用公共资金为残疾工人提供金钱和医疗支持。截至2015年，该计划的服务对象已经达到900万人。此外，补充保障收入（SupplementalSecurityIncome，SSI）也为超过700万低收入残疾人提供了保障。这些计划都旨在为残疾程度较高、收入较低的残疾人提供保障。政府有效实施这些计划的重中之重就是确定哪些群体是真正需要帮助的对象。而在此之前，残疾人为申请参与此计划，需要主动提交诸多资料，包括但不限于提交其财务状况记录、医疗记录及其他辅助资料，同时还要了解并熟悉申请流程，这都构成了残疾人申请参与计划的成本。这些成本既可能屏蔽那些不太需要参与此计划的“不合格者”，也可能屏蔽那些需要参与此计划的“最合格者”——健康状况很差、生活困苦而受教育程度较低的残疾者甚至可能会因为不熟悉申请保障计划流程信息而被此类计划拒之门外。因此，总体来