RDD断点回归, Stata程序百科全书式的宝典
断点回归设计RDD是当前最热门的因果推断计量方法，最主要的原因在于它的透明性和强因果识别性，里面的每一步都可以成功运行出来，若需要do文件和数据dta的请进入计量经济圈社群直接提取(文末)。
gen y = outcome // 结果变量
gen d = running>0 // 处理变量（0/1种类）
gen v = running // 分配变量或参考变量
gen vd = v*d // 交互项
local i=1
forvalues i=2/4 {
gen vi'=v^i'
gen vi'd=vi'*d
} // 产生分配变量的三次方、四次方和他们与处理变量的交互项
qui tab year, gen(dyear) // 如果在面板数据中，想要控制年份可以产生虚拟变量
gen pop2 = pop^2 // 将来用在回归中作为协变量，pop的平方项
————————————————
*图形识别，提供三种方式
**1.结果变量是不是在断点处跳跃---------
global sizebin 0.2 //根据你的那个running variable选择箱体，这个你自己设定参数
gen bin=floor(v/$sizebin)
gen midbin=bin$sizebin+0.5$sizebin
bys bin: egen mean=mean(y)
reg y d v v2 vd v2d, robust
predict fit
predict fitsd, stdp
gen upfit=fit+1.645fitsd // 产生置信区间的上边界
gen downfit=fit-1.645fitsd // 产生置信区间的下边界
preserve // 第一种方式绘制断点回归图
twoway (rarea upfit downfit v, sort fcolor(gs12) lcolor(gs12)) ///
(line fit v if v<0, sort lcolor(green) lwidth(thick)) ///
(line fit v if v>0, sort lcolor(red) lwidth(thick)) ///
(scatter mean midbin, msize(large) mcolor(black) msymbol(circle_hollow)), ///
ytitle("") xtitle("treatment, X (cutoff: X=0)") xline(0, lcolor(black)) ///
legend(off) xlabel(-1(0.2)1) title("policy implementation")
graph copy all, replace
restore
cmogram y v,cut(0) scatter lineat(0) qfitci // 第二种方式绘制断点回归图形
rdplot y v, cut(0) nbins(10) // 第三种方式绘制断点回归图
/通过图形识别，我们发现在断点处结果变量y发生了跳跃/
———————————————
*估计结果，使用三种方式
**1. 非参数估计--------------
rdrobust y v,c(0) kernel(uni) bwselect(mserd) all // 使用rdrobust进行的非参数估计
rdrobust y v, c(0) kernel(tri) bwselect(mserd) all // 这里使用的是triangular密度估计
rdrobust y v, c(0) kernel(epa) bwselect(mserd) all // 这里使用的是epanechnikov密度估计
**2. 非参数估计----------------------
rd y v, mbw(50 100 200) gr z0(0) kernel(tri) // 这个根据最优带宽计算了三个相应带宽，感觉比较方便
rd y v, mbw(50 100 200) gr z0(0) kernel(rec) // 这里使用的是rectangle密度估计
**3. 参数估计:局部线性回归------
rdbwselect y v, c(0) kernel(uni) bwselect(mserd) // 选择最优带宽
preserve
keep if v>= -0.216 & v<= 0.216 // 根据上式的结果显示带宽为0.216
eststo x1: reg y d, robust // 面板的话选择xtreg，如果是2sls选择xtivregre
eststo x2:reg y d##c.v, robust
eststo x3:reg y d##c.(v v2), robust // 局部线性回归法，选择2阶多项式
eststo x4:reg y d##c.(v v2 v3), robust // 局部线性回归法，选择3阶多项式
eststo x5:reg y d##c.(v v2 v3 v4), robust // 局部线性回归法，选择4阶多项式
esttab x1 x2 x3 x4 x5 using y.rtf, star(* .1 * .05 .01) nogap nonumber replace ///
se(%5.4f) ar2 aic(%10.4f) bic(%10.4f) //输出结果到rtf格式
restore
*稳健性检验
**1. 加入协变量后看看回归结果是不是依然显著-----
*1.1 非参估计加入协变量
rd y v, cov(pop pop2) mbw(50 100 200) z0(0) kernel(tri) // 加入协变量pop和pop2
*1.2 参数估计加入协变量
preserve
eststo x11: reg y d pop pop2, robust // 加入协变量pop和它的平方项
eststo x21:reg y d##c.v pop pop2, robust
eststo x31:reg y d##c.(v v2) pop pop2, robust
eststo x41:reg y d##c.(v v2 v3)pop pop2, robust
eststo x51:reg y d##c.(v v2 v3 v4) pop pop2, robust
esttab x11 x21 x31 x41 x51 using y1.rtf, star(* .1 * .05 .01) nogap nonumber replace ///
se(%5.4f) ar2 aic(%10.4f) bic(%10.4f) //输出加入协变量后的结果到rtf格式
restore
————————————————
**2.检验其中的协变量是不是在断点处连续-------
**2.1 绘制图形检验一下协变量pop是不是连续的
cmogram pop v,cut(0) scatter lineat(0) qfitci // 第二种方式绘制断点回归图形
rdplot pop v, cut(0) nbins(10) // 第三种方式绘制断点回归图
**2.2 使用估计方法估计出来具体系数看显著不
** 非参数估计-----------------
rdrobust pop v,c(0) kernel(uni) bwselect(mserd) all // 使用rdrobust进行的非参数估计
** 参数估计:局部线性回归------
rdbwselect pop v, c(0) kernel(uni) bwselect(mserd) // 最优带宽的选择
preserve
keep if v>= -0.175 & v<= 0.175 // 根据上式选择的最优带宽为0.175
eststo xa:reg pop d, robust
eststo xb:reg pop d##c.v, robust // 用协变量作为伪结果变量，进行断点回归，选择1阶多项式
eststo xb:reg pop d##c.(v v2), robust // 用协变量作为伪结果变量，进行断点回归，选择2阶多项式
eststo xc:reg pop d##c.(v v2 v3), robust // 用协变量作为伪结果变量，进行断点回归，选择3阶多项式
eststo xd:reg pop d##c.(v v2 v3 v4), robust // 用协变量作为伪结果变量，进行断点回归，选择4阶多项式
restore
esttab x11 x21 x31 x41 x51 using m.rtf, star(* .1 * .05 .01) nogap nonumber replace ///
se(%5.4f) ar2 aic(%10.4f) bic(%10.4f) //输出加入协变量后的结果到rtf格式
/结果显示pop回归方程不是显著的，所以rdd是适用于此的/
————————————————
**3.Mccracy检验:操纵running variable检验---
net install DCdensity, from("http://www.czxa.top/DCdensity") // 安装McCrary检验命令
*注意：以下这个关于分配变量在断点处跳跃的操纵检验会随着下面的binsize和bandwidth设置而不同的
preserve
DCdensity v, breakpoint(0) generate(Xj Yj r0 fhat se_fhat) b(0.2) h(0.216) // McCracy test
gen upfhat=fhat+1.645se_fhat
gen lowfhat=fhat-1.645se_fhat
twoway (rarea upfhat lowfhat r0 if r0<0, sort fcolor(gs12) lcolor(gs12)) ///
(rarea upfhat lowfhat r0 if r0>0, sort fcolor(gs12) lcolor(gs12)) ///
(line fhat r0 if r0<0, lcolor(red)) (line fhat r0 if r0>0, lcolor(blue)) ///
(scatter Yj Xj if Yj>0, mcolor(gs4) msymbol(circle_hollow)), ///
ytitle("Density") xtitle("") xline(0) legend(off)
restore
gen t= .079111002/.143889525 // 产生t值，这个需要你根据系数提取出来
display 2*ttail(2651, t) // 得到p值，2651是自由度
/可以看出在5%显著性水平下实际上Mccrary检验是通不过的，证明没有操纵/
** 把邻近断点处的那些密度分布放大一些看，这样可以更能清楚地看见是不是有操纵—-
preserve
DCdensity v, breakpoint(0) generate(Xj Yj r0 fhat se_fhat) b(0.2) h(0.216) // McCracy test
local breakpoint 0
local cellmpname Xj
local cellvalname Yj
local evalname r0
local cellsmname fhat
local cellsmsename se_fhat
drop if cellmpname' < -1 |cellmpname' > 0.5 // 把小于-1和大于0.5的部分都去掉
drop if evalname' < -1 |evalname' > 0.5
tempvar hi
quietly gen hi' =cellsmname' + 1.96cellsmsename'<br/>tempvar lo<br/>quietly genlo' = `cellsmname' - 1.96cellsmsename'<br/>gr twoway (scattercellvalname' cellmpname', msymbol(circle_hollow) mcolor(gray)) ///<br/>(linecellsmname' evalname' ifevalname' < breakpoint', lcolor(black) lwidth(medthick)) ///<br/>(linecellsmname' evalname' ifevalname' > breakpoint', lcolor(black) lwidth(medthick)) ///<br/>(linehi' evalname' ifevalname' < breakpoint', lcolor(black) lwidth(vthin)) ///<br/>(linelo' evalname' ifevalname' < breakpoint', lcolor(black) lwidth(vthin)) ///<br/>(linehi' evalname' ifevalname' > breakpoint', lcolor(black) lwidth(vthin)) ///<br/>(linelo' evalname' ifevalname' > breakpoint', lcolor(black) lwidth(vthin)), ///<br/>xline(breakpoint', lcolor(black)) legend(off)
restore
——————————————
** 4.安慰剂检验-----------------------
**4.1 改变断点的位置-----------------
rdplot y v if v<0, c(-0.25) // 将原来的断点0改变为新的断点-0.25
rdplot y v if v>0, c(0.25) // 将原来的断点0改变为新的断点0.25
rdrobust y v,c(-0.25) kernel(uni) bwselect(mserd) all // 新断点处使用rdrobust进行的非参数估计
rdrobust y v,c(0.25) kernel(uni) bwselect(mserd) all // 新断点处使用rdrobust进行的非参数估计
/ 通过以上发现改变断点后不显著了，所以我们的断点选择是有道理的/
**4.2 改变带宽-----------------
rdrobust y v,c(0) kernel(uni) h(0.1) all // 改变带宽为0.1
rdrobust y v,c(0) kernel(uni) h(0.4) all // 改变带宽为0.4
/ 通过以上发现改变带宽并没有影响其显著性，因此我们识别的因果效应很稳健/
©著作权归作者所有：来自51CTO博客作者mb5fd86dae5fbf6的原创作品，如需转载，请注明出处，否则将追究法律责任