[ad_1]
Câu hỏi nghiên cứu của chúng tôi là: tác động của điều trị D đến kết quả y là gì?? DiD cho phép chúng tôi ước tính điều gì sẽ xảy ra với nhóm điều trị nếu sự can thiệp không được thực hiện. Kịch bản phản thực tế này là cần thiết để hiểu được hiệu quả thực sự của việc điều trị. Mọi công việc hoặc công việc đều xoay quanh việc trả lời các câu hỏi tương tự như tác động của các biện pháp can thiệp, thay đổi chính sách hoặc phương pháp điều trị trên nhiều lĩnh vực khác nhau. Trong kinh tế, nó đánh giá tác động của việc cắt giảm thuế đối với tăng trưởng kinh tế, trong khi trong chính sách công, nó đánh giá tác động của luật giao thông mới đối với tỷ lệ tai nạn. Trong lĩnh vực tiếp thị, DiD phân tích ảnh hưởng của các chiến dịch quảng cáo đến doanh số bán hàng.
Ví dụ, trong sơ đồ trên, chúng ta có dữ liệu về dân số trong mẫu của mình. Chúng tôi sẽ chia dữ liệu thành điều trị và kiểm soát nơi điều trị nhận được sự can thiệp. Chúng ta có thể quan sát các biến sau và trước của cả hai nhóm.
Công cụ ước tính chênh lệch điều trị/kiểm soát đơn giản
Phương trình này sẽ tính toán hiệu quả can thiệp bằng cách so sánh những thay đổi về kết quả theo thời gian giữa nhóm can thiệp và nhóm đối chứng.
Tôi đã tạo một ví dụ giả để giúp hiểu toán.
Các hệ số DiD sẽ là 9 bằng cách sử dụng công thức đã đề cập ở trên.
Công cụ ước tính DiD: Tính toán bằng phương pháp hồi quy
DiD giúp kiểm soát các đặc điểm bất biến theo thời gian có thể làm sai lệch ước tính hiệu quả điều trị. Điều này có nghĩa là nó loại bỏ ảnh hưởng của các biến số không đổi theo thời gian (ví dụ: vị trí địa lý, giới tính, dân tộc, khả năng bẩm sinh, v.v.). Nó có thể làm như vậy vì những đặc điểm này ảnh hưởng như nhau đến cả giai đoạn trước và sau điều trị đối với mỗi nhóm.
Phương trình cốt lõi của mô hình DiD cơ bản là:
Ở đâu:
- y là biến kết quả của cá nhân 𝑖 trong nhóm j vào lúc 𝑡.
- 𝐴𝑓𝑡𝑒𝑟 là biến giả bằng 1 nếu quan sát ở giai đoạn sau điều trị.
- 𝑇𝑟𝑒𝑎𝑡𝑚𝑒𝑛𝑡 là biến giả bằng 1 nếu quan sát thuộc nhóm can thiệp.
- 𝐴𝑓𝑡𝑒𝑟 × 𝑇𝑟𝑒𝑎𝑡𝑚𝑒𝑛𝑡 là số hạng tương tác, có hệ số β nắm bắt được ước tính DiD.
Hệ số cho số hạng tương tác là công cụ ước tính DiD tính bằng y. Phương pháp hồi quy được các nhà nghiên cứu ưa chuộng hơn vì nó giúp đưa ra các sai số chuẩn và kiểm soát các biến bổ sung.
Đây là một trong những giả định chính trong DiD. Nó dựa trên ý tưởng rằng, nếu không điều trị, sự khác biệt giữa nhóm can thiệp và nhóm đối chứng sẽ không đổi theo thời gian. Nói cách khác, nếu không được điều trị, β (ước tính DiD) = 0.
Về mặt hình thức, điều này có nghĩa là:
Một cách khác để nghĩ về điều này là sự khác biệt giữa hai nhóm sẽ không thay đổi theo thời gian nếu không có sự thay đổi chính sách. Nếu các xu hướng không tune tune trước khi can thiệp thì ước tính DiD có thể bị sai lệch.
Cách kiểm tra giả định này
Bây giờ câu hỏi tiếp theo là: làm thế nào để kiểm tra nó? Giá trị của giả định xu hướng tune tune có thể được đánh giá thông qua phân tích đồ họa và thử nghiệm giả dược.
Giả định là, trong trường hợp không can thiệp, nhóm can thiệp (đường màu cam) và nhóm đối chứng (đường đứt nét màu xanh) sẽ đi theo những con đường tune tune theo thời gian. Can thiệp (đường thẳng đứng) đánh dấu thời điểm áp dụng biện pháp can thiệp, cho phép so sánh sự khác biệt về xu hướng giữa hai nhóm trước và sau can thiệp để ước tính hiệu quả can thiệp.
Các ví dụ vi phạm Giả định Xu hướng Track tune
Nói một cách đơn giản, chúng tôi tìm kiếm hai điều trong quá trình điều trị như sau:
- Thay đổi độ dốc
Trong cả hai trường hợp trên, giả định xu hướng tune tune đều không được thỏa mãn. Kết quả của nhóm điều trị tăng nhanh hơn (phần a) hoặc chậm hơn (phần b) so với kết quả của nhóm đối chứng. Cách toán học để nói điều này là:
DiD = hiệu ứng thực + xu hướng vi sai (Xu hướng vi phân phải là 0)
Xu hướng khác biệt có thể là tích cực (phần a) hoặc tiêu cực (phần b)
DiD sẽ không thể tách biệt tác động của sự can thiệp (hiệu ứng thực sự) vì chúng ta cũng có xu hướng khác biệt trong đó.
2. Nhảy vào dòng điều trị (lên hoặc xuống) sau can thiệp
Trong hình ảnh trên, xu hướng của nhóm điều trị thay đổi khác với xu hướng của nhóm đối chứng, lẽ ra xu hướng này vẫn nhất quán nếu không có sự can thiệp. Việc nhảy không được phép trong nghiên cứu của DiD.
Xét nghiệm giả dược được sử dụng để xác minh xem hiệu quả điều trị quan sát được có thực sự là do điều trị chứ không phải do các yếu tố gây nhiễu khác hay không. Chúng liên quan đến việc áp dụng cùng một phân tích cho một giai đoạn hoặc một nhóm mà dự kiến sẽ không có hiệu quả điều trị. Nếu các thử nghiệm giả dược này có tác dụng đáng kể, điều đó cho thấy rằng kết quả ban đầu có thể là giả mạo.
Ví dụ: một nghiên cứu can thiệp về việc cung cấp máy tính bảng cho các trường trung học đã được thực hiện vào năm 2019. Chúng tôi có thể thực hiện thử nghiệm giả dược, nghĩa là chúng tôi có thể tạo một năm can thiệp giả, chẳng hạn như năm 2017 mà chúng tôi biết rằng không có thay đổi chính sách nào xảy ra. Nếu áp dụng phân tích hiệu quả điều trị vào ngày giả dược (2017) cho thấy không có thay đổi đáng kể thì sẽ gợi ý rằng hiệu quả quan sát được trong năm 2019 (nếu có) có thể là do sự can thiệp chính sách thực tế.
- Nghiên cứu sự kiện DiD: Ước tính hiệu quả điều trị cụ thể theo năm, rất hữu ích cho việc đánh giá thời gian của hiệu quả điều trị và kiểm tra các xu hướng trước đó. Mô hình này cho phép hiệu quả điều trị thay đổi theo từng năm. Chúng ta có thể nghiên cứu tác động vào thời điểm t+1, t+2, …, t+N
- Phương pháp kiểm soát tổng hợp (SCM): SCM xây dựng một nhóm đối chứng tổng hợp bằng cách tính trọng số của nhiều đơn vị chưa được xử lý để tạo ra một tổ hợp gần giống với các đặc điểm của đơn vị được xử lý trước khi can thiệp. Phương pháp này đặc biệt hữu ích khi một đơn vị đã được xử lý được so sánh với một nhóm các đơn vị chưa được xử lý. Nó cung cấp một phản thực đáng tin cậy hơn bằng cách kết hợp thông tin từ nhiều đơn vị.
Còn nhiều nữa nhưng tôi sẽ giới hạn ở chỉ hai thôi. Tôi có thể viết một bài sau để giải thích chi tiết tất cả những điều còn lại.
Trong bài đăng này, tôi đã phân tích công cụ ước tính Sự khác biệt trong Khác biệt (DiD), một phương pháp phổ biến để ước tính hiệu quả điều trị trung bình. DiD được sử dụng rộng rãi để nghiên cứu tác động của chính sách bằng cách so sánh những thay đổi theo thời gian giữa nhóm can thiệp và nhóm đối chứng. Ưu điểm chính của DiD là khả năng kiểm soát các yếu tố gây nhiễu không được quan sát và không đổi theo thời gian, từ đó tách biệt tác động thực sự của một biện pháp can thiệp.
Chúng tôi cũng khám phá các khái niệm chính như giả định về xu hướng tune tune, tầm quan trọng của dữ liệu trước điều trị và cách kiểm tra các vi phạm giả định bằng cách sử dụng phân tích đồ họa và thử nghiệm giả dược. Ngoài ra, tôi đã thảo luận về các phần mở rộng và biến thể của DiD, chẳng hạn như DiD nghiên cứu sự kiện và Phương pháp kiểm soát tổng hợp, những phương pháp này cung cấp thêm thông tin chi tiết và độ tin cậy trong các tình huống khác nhau.
(1) Wing, C., Simon, Okay., & Bello-Gomez, RA (2018). Thiết kế sự khác biệt trong các nghiên cứu khác biệt: thực tiễn tốt nhất cho nghiên cứu chính sách y tế công cộng. Đánh giá hàng năm về sức khỏe cộng đồng, 39453–469.
(2) Callaway, B., & Sant’Anna, PH (2021). Sự khác biệt trong khác biệt với nhiều khoảng thời gian. Tạp chí kinh tế lượng, 225(2), 200–230.
(3) Donald, SG, & Lang, Okay. (2007). Suy luận với sự khác biệt trong sự khác biệt và dữ liệu bảng khác. Rà soát kinh tế và thống kê, 89(2), 221–233.
Cảm ơn bạn đã đọc!
Cảm ơn bạn đã đọc! 🤗 Nếu bạn thích bài đăng này và muốn xem thêm, hãy cân nhắc theo tôi. Bạn cũng có thể theo dõi tôi trên LinkedIn. Tôi dự định viết weblog về suy luận nhân quả và phân tích dữ liệu, luôn hướng đến việc giữ mọi thứ đơn giản.
Tuyên bố từ chối trách nhiệm nhỏ: Tôi viết để học hỏi nên sai lầm có thể xảy ra dù tôi đã cố gắng hết sức. Nếu bạn phát hiện ra bất kỳ sai sót nào, vui lòng cho tôi biết. Tôi cũng hoan nghênh những gợi ý về chủ đề mới!
[ad_2]
Source link