重磅！Stata 17的新模块（二）：DDD操作分析

Stata新的didregress和xtdidregress命令符合控制未观察组和时间效应的DID和DDD模型。
didreress可以与重复的横断面数据一起使用，其中我们在不同的时间点对不同的观测单位进行抽样。
xtdidreress用于面板(纵向)数据。这些命令提供了一个统一的框架来获得适用于各种研究设计的推理。
差异中的差异(DID)提供了一种非实验研究方法，通过比较对照组和治疗组中不同结果的差异在时间上的差异，来估计平均治疗对治疗的效果(ATET) 。因此，称为DID 。这项技术控制了未观察到的时间和组别特征，这些特征混淆了治疗对结果的影响。
差异中的差异(DDD)向DID框架添加了一个控制组，以解释DID可能无法捕捉到的不可观察的组特征和时间特征交互。在新的对照组中，它增加了DID 。因此，称为DDD（Difference-in-differences-in-differences ，简记DDD）。
下面我们介绍一下Stata官方DID命令didregress和xtdidregress 。
DID with repeated cross-sectional data

本文插图

本文插图
DDD model
关于DDD model的案例背景与前面系列基础知识请往下阅读或者阅读昨日推文重磅！Stata 17的新模块（一）：DID官方命令 didregress与xtdidregress
医疗服务提供者想要研究一种新的住院程序对病人满意度的影响，使用在他们的一些医院实施新程序之前和之后的病人月度数据。
【重磅！Stata 17的新模块（二）：DDD操作分析】卫生服务提供者将使用DID回归分析新入院程序对参与该计划的医院的影响。
结果变量是病人的满意度，变量名称为 (satis) ，治疗的变量是程序(procedure),我们可以用didregress拟合这个模型。
使用 didregress估计双重差分的操作请阅读重磅！Stata 17的新模块（一）：DID官方命令 didregress与xtdidregress
下面我们接着介绍。
如果重磅！Stata 17的新模块（一）：DID官方命令 didregress与xtdidregress 中介绍的操作结果是其他未观察到的变量的结果，而不是新的住院程序的结果，那么它们可能会受到质疑。卫生服务提供者管理者认为，对调查的答复与个人到医院就诊的频率有关。患者可能有未观察到的特征，这影响了他们访问医院的频率和他们对入院程序的感觉。换句话说，可能有一些未观察到的特征混淆了新的住院程序的影响。管理员决定使用DDD模型获取ATET 。他们想要估计以高频率或非常高频率就诊的患者的平均治疗效果。
为此，我们将首先创建一个新变量hightrt作为新的处理变量。如果一个人去医院就诊的频率很高或非常高(frequency = 3 or 4 ，即频率为3或4) ，或者如果医院在4月份实施了新的入院程序，观察结果将被标记为接受处理(hightrt = 1) 。