foreach y in`dep '{

reghdfe ln_`y' Dn3 Dn2 D0-D4, absorb(product year) vce(cluster product #year)

}

传统上，研究人员使用预处理系数来检验预趋势：如果预处理系数与0没有显着差异，那么他们得出结论，平行趋势假设成立。然而，Sun & Abraham （2021） 已经证明，这一行动存在严重缺陷，需要纠正。

用于 DID 交互 加权估计的代码为：

gen first_union = year_des_duty

gen never_union = (first_union == .)

localdep = "value quantity company_num m_quantity"

foreach y in`dep '{

eventstudyinteract ln_`y' Dn3 Dn2 D0-D4, \\\

cohort(first_union) control_cohort(never_union) \\\

absorb(product year) vce(cluster product #year)

}

我们需要告诉 Stata 哪个变量对应于每个单元的初始治疗时间。我命名它 first_union .对于从未处理过的单位，应将此变量设置为缺失。此外，我们需要给 Stata 一个对应于对照队列的二进制变量，该变量可以是从未处理的单位或最后处理的单位。在这里，我使用从未处理过的单位 never_union 作为对照队列，并构造一个变量来指示它。

值得注意的是，Kirill Borusyak 编写了一个名为 event_plot Package，用于轻松绘制交错的 DID 估计值，包括处理后系数和趋势前系数（如果有的话）以及置信区间。我使用此命令创建一个面板图，显示对四个结果变量的动态影响。对于绘图，我通常会自定义绘图类型，但实际上，如果您对可视化的要求不如我的高，则可以通过使用默认类型（通过使用 default_look 选项）节省大量时间。

用于 DID 的 双重稳健估计的代码是：

gen gvar = year_des_duty

recode gvar (. = 0)

localdep = "value quantity company_num m_quantity"

foreach y in`dep '{

quietly csdid ln_`y' , ivar(product) time(year) gvar(gvar) \\\

method(dripw) wboot(reps(10000)) rseed(1)

csdid_estat event, window(-3 4) estore(cs_`y ') wboot(reps(10000)) rseed(1)

}

该命令可能会在 Stata 结果窗口中显示一个很长的输出表，所以我在 csdid 命令前面加入 quietly 。

此外，与许多应用程序一样，我更关心不同时间点的异质效应，而不是不同组之间的异质效应（而不是 Callaway & Sant'Anna, 2021定义的组别时间平均处理效应）;因此，我只使用 csdid_estat 在 -3 到 4 的时间段内生成估计值。现在，结果窗口中的输出表更短了。另请注意，我使用 wboot 选项来估计野蛮自举抽样的标准错误，重复次数为 10，000 次。

和以前一样，我使用 event_plot 命令创建了一个显示动态效果的面板图形。这一次，我使用 default_look 选项来节省时间;此外，我使用 together 选项将超前和滞后显示为一条连续曲线。

de Chaisemartin & D'Haultfoeuille对DID的估计编码为：

egen clst = group(product year)

localylist = "value quantity m_quantity company_num"

foreach y in`ylist '{

did_multiplegt ln_`y' year_des_duty year treated, ///

robust_dynamic dynamic(4) placebo(2) jointtestplacebo ///

seed(1) breps(100) cluster(clst)

}

在这里，我使用de Chaisemartin & D'Haultfoeuille（2022）中的估计，因为我想估计动态效应。值得注意的是，我使用长差分安慰剂来做安慰剂检验;动态效应是使用长差分DID估计的，因此使用长差分安慰剂是正确的比较。

我个人不喜欢 did_multiplegt 自动生成的图表，可悲的是， graphoptions( ) 选项并不像我预期的那样灵活。因此，我选择提取并将估计值存储在矩阵中。然后， event_plot 命令可用于创建图形。创建图形的过程与我在应用 Sun & Abraham （2021） 的估计时所做的非常相似。

用于 DID 插 补估计的编码为：

gen id = product

gen Ei = year_des_duty

localylist = "value quantity company_num m_quantity"

foreach y in`ylist '{

did_imputation ln_`y' id year Ei, \\\

fe(product year) cluster(clst) horizons(0/4) pretrends(2) minn(0) autosample

}

我们需要给 Stata 一个特定于单位的处理日期的变量，其缺失值表示从未处理过的单位。我命名它为 Ei ，按照软件包文档。

这一次，我使用 default_look 选项但不使用 together 选项---这就是为什么超前和滞后显示为不同颜色的两条独立曲线的原因。

总而言之，无论采用何种估计方法，结果都显示了美国反倾销税对四个结果变量的持续和负面影响。

来源：https://github.com/IanHo2019/DID_Handbook返回搜狐，查看更多