Thiết kế nghiên cứu sự kiện: Hướng dẫn cho người mới bắt đầu | của Arieda Muço | Tháng 7, 2024

Chúng là gì và chúng không phải là gì

Trong bài viết này, tôi cố gắng làm rõ việc sử dụng các công cụ thiết yếu trong bộ công cụ của nhà kinh tế lượng ứng dụng: Thiết kế nghiên cứu sự kiện và sự khác biệt (DiD). Bài viết này chủ yếu lấy cảm hứng từ sinh viên của tôi, phân tích các khái niệm cơ bản và giải quyết những quan niệm sai lầm phổ biến thường gây nhầm lẫn cho người thực hành.

Nếu bạn thắc mắc tại sao tiêu đề lại tập trung vào Nghiên cứu sự kiện trong khi tôi cũng đang nói về DiD, thì đó là vì khi nói đến suy luận nhân quả, Nghiên cứu sự kiện là sự khái quát của Sự khác biệt trong Sự khác biệt.

Nhưng trước khi đi sâu vào, hãy để tôi trấn an bạn rằng nếu bạn bối rối, có thể có lý do chính đáng. Tài liệu DiD đã bùng nổ với các phương pháp luận mới trong những năm gần đây, khiến việc theo kịp trở nên khó khăn. Nguồn gốc của các thiết kế Nghiên cứu sự kiện cũng không giúp ích gì…

Khởi đầu tài chính

Nghiên cứu sự kiện bắt nguồn từ Tài chính, được phát triển để đánh giá tác động của các sự kiện cụ thể, chẳng hạn như thông báo thu nhập hoặc sáp nhập, đối với giá cổ phiếu. Nghiên cứu sự kiện được Ball và Brown (1968) tiên phong và đặt nền tảng cho phương pháp luận.

Phương pháp luận

Trong Tài chính, phương pháp nghiên cứu sự kiện liên quan đến việc xác định cửa sổ sự kiện để đo lường ‘lợi nhuận bất thường’, cụ thể là sự khác biệt giữa lợi nhuận thực tế và lợi nhuận dự kiến.

Ứng dụng tài chính

Trong bối cảnh tài chính, phương pháp luận thường bao gồm các bước sau:

1. Xác định một sự kiện cụ thể đáng quan tâm, chẳng hạn như thông báo thu nhập của công ty hoặc một vụ sáp nhập.
2. Xác định “cửa sổ sự kiện” hoặc khoảng thời gian xung quanh sự kiện mà giá cổ phiếu có thể bị ảnh hưởng.
3. Tính toán “lợi nhuận bất thường” của cổ phiếu bằng cách so sánh hiệu suất thực tế của cổ phiếu trong thời gian diễn ra sự kiện với hiệu suất của một chuẩn mực, chẳng hạn như chỉ số thị trường hoặc chỉ số trung bình của ngành.
4. Đánh giá ý nghĩa thống kê của lợi nhuận bất thường để xác định xem sự kiện này có tác động đến giá cổ phiếu hay không.

Phương pháp tiếp cận này kể từ đó đã phát triển và mở rộng sang các lĩnh vực khác, đáng chú ý nhất là kinh tế học, nơi nó đã được điều chỉnh để phù hợp với nhiều câu hỏi và bối cảnh nghiên cứu hơn.

Sự thích nghi trong kinh tế

Các nhà kinh tế sử dụng Nghiên cứu sự kiện để đánh giá tác động của các cú sốc kinh tế và những thay đổi chính sách quan trọng khác.

Trước khi giải thích cách Nghiên cứu sự kiện được sử dụng để suy luận nhân quả, chúng ta cần đề cập đến Sự khác biệt trong sự khác biệt.

Phương pháp tiếp cận khác biệt trong khác biệt (DiD)

Cách tiếp cận DiD thường bao gồm i) việc áp dụng chính sách hoặc cú sốc kinh tế, ii) hai giai đoạn thời gian, iii) hai nhóm và iv) giả định xu hướng music music.

Tôi xin làm rõ từng điều dưới đây:

• i) Việc áp dụng chính sách có thể là: sử dụng AI trong lớp học ở một số trường; mở rộng các trường mẫu giáo công lập ở một số thành phố; cung cấp web ở một số khu vực; chuyển tiền mặt cho các hộ gia đình, v.v.
• ii) Chúng tôi biểu thị “tiền xử lý” hoặc “tiền kỳ” BẰNG giai đoạn trước khi chính sách được thực hiện và “sau khi điều trị” là giai đoạn sau khi chính sách được thực hiện.
• iii) Chúng tôi gọi là “nhóm điều trị” các đơn vị bị ảnh hưởng bởi chính sách và “nhóm kiểm soát” các đơn vị không phải. Cả nhóm điều trị và nhóm đối chứng đều bao gồm một số đơn vị cá nhân, công ty, trường học hoặc thành phố, v.v.
• iv) Giả định xu hướng music music là cơ bản đối với cách tiếp cận DiD. Giả định rằng khi không có điều trị, nhóm điều trị và nhóm đối chứng sẽ tuân theo các xu hướng tương tự theo thời gian.

Một quan niệm sai lầm phổ biến về phương pháp DiD là chúng ta cần phân công ngẫu nhiên.

Trong thực tế, chúng ta không làm vậy. Mặc dù việc phân công ngẫu nhiên là lý tưởng, nhưng giả định về xu hướng music music là đủ để ước tính tác động nhân quả của phương pháp điều trị lên kết quả quan tâm.

Tuy nhiên, việc phân bổ ngẫu nhiên đảm bảo rằng sự khác biệt giữa các nhóm trước khi can thiệp là bằng không và không có ý nghĩa thống kê. (Mặc dù chúng có thể khác nhau một cách tình cờ.)

Lý lịch

Hãy tưởng tượng một kịch bản trong đó AI trở nên khả dụng vào năm 2023 và một số trường ngay lập tức áp dụng AI như một công cụ trong quá trình giảng dạy và học tập của họ, trong khi các trường khác thì không. Mục đích là để hiểu tác động của việc áp dụng AI đối với điểm số trí tuệ cảm xúc (EI) của học sinh.

Dữ liệu

• Nhóm điều trị: Các trường đã áp dụng AI vào năm 2023.
• Nhóm kiểm soát: Những trường không áp dụng AI vào năm 2023.
• Tiền xử lý: Năm học trước năm 2023.
• Sau khi điều trị: Năm học 2023–2024.

Phương pháp luận

1. So sánh trước khi điều trị: Đo điểm số của học sinh ở cả trường thực hiện và trường đối chứng trước khi áp dụng AI.
2. So sánh sau điều trị: Đo điểm số của học sinh ở cả trường thực hiện và trường đối chứng sau khi áp dụng AI.
3. Tính toán sự khác biệt:

• Sự khác biệt về điểm kiểm tra ở các trường được điều trị giữa trước và sau khi điều trị.
• Sự khác biệt về điểm kiểm tra của các trường đối chứng giữa trước và sau khi xử lý.

Ước tính DiD là sự khác biệt giữa hai sự khác biệt được tính toán ở trên. Ước tính này ước tính tác động nhân quả của việc áp dụng AI lên điểm EI.

Một ví dụ đồ họa

Hình bên dưới biểu diễn điểm số trí tuệ cảm xúc theo trục dọc, trong khi trục ngang đo thời gian. Thời gian của chúng ta là tuyến tính và bao gồm trước và sau khi điều trị.

Nhóm phản thực 2 đo lường những gì sẽ xảy ra nếu Nhóm 2 không được điều trị. Lý tưởng nhất là chúng ta muốn đo Nhóm phản thực 2, tức là điểm số của Nhóm 2 khi không được điều trị, và so sánh với điểm số quan sát được của Nhóm 2, hoặc điểm số quan sát được sau khi nhóm được điều trị. (Đây là vấn đề chính trong suy luận nhân quả, chúng ta không thể quan sát cùng một nhóm có và không có điều trị.)

Nếu chúng ta muốn thực hiện phép so sánh ngây thơ giữa kết quả sau điều trị của Nhóm 1 và Nhóm 2, chúng ta sẽ nhận được một ước tính không chính xác, nó sẽ bị sai lệch, cụ thể là delta OLS trong hình.

Công cụ ước tính sự khác biệt trong sự khác biệt cho phép chúng ta ước tính tác động nhân quả của việc áp dụng AI, được thể hiện dưới dạng hình học trong hình là delta ATT.

Biểu đồ cho thấy các trường học nơi học sinh có điểm trí tuệ cảm xúc thấp hơn ban đầu đã áp dụng AI. Sau khi điều trị, điểm số của nhóm điều trị gần như bắt kịp với nhóm đối chứng, trong đó điểm EI trung bình cao hơn trong giai đoạn trước. Biểu đồ cho thấy rằng nếu không có điều trị, điểm số sẽ tăng lên đối với cả hai nhóm — xu hướng music music phổ biến. Tuy nhiên, với điều trị, khoảng cách về điểm số giữa Nhóm 2 và Nhóm 1 đang thu hẹp lại.