计量经济学ppt07.ppt

7.5 Treatment Effects 7.5.6 Estimating the Effect of a Minimum Wage Change Table 7.8 Full-time Equivalent Employees by State and Period 与采用样本均值计算差分内差分估计量相比，更容易也更一般的做法是采用如下回归的形式： 差分内差分回归是： 7.5 Treatment Effects 7.5.6 Estimating the Effect of a Minimum Wage Change Eq. 7.22 7.5 Treatment Effects 7.5.6 Estimating the Effect of a Minimum Wage Change Table 7.9 Difference-in-Differences Regressions 在我们的差分内差分分析中，我们并没有利用一个非常重要的数据特征，即同一个快餐店获得了两期的观测数据。 我们获得了前后两期的数据； 称之为配对数据观测值或重复数据观测值，或面板数据观测值。 7.5 Treatment Effects 7.5.7 Using Panel Data 我们以前介绍过面板数据的概念，即我们观测到同一个体多期的数据。 运用面板数据，我们可以控制不可观测的个体具体特征。 7.5 Treatment Effects 7.5.7 Using Panel Data 令 ci 定义为第i个餐馆不随时间改变的不可观测的特征： 7.5 Treatment Effects 7.5.7 Using Panel Data Eq. 7.23 将t=1期的数据减去t=2期的数据： 其中: 7.5 Treatment Effects 7.5.7 Using Panel Data 运用差分数据，回归模型变为： 7.5 Treatment Effects 7.5.7 Using Panel Data Eq. 7.24 估计模型为: 运用差分数据，估计得到的处理效应为 这涵盖了任何不可观测的个体差异，与差分内差分估计结果非常接近。 我们得不到如下结论，即新泽西最低工资的提高，降低了快餐店的就业量。 7.5 Treatment Effects 7.5.7 Using Panel Data Key Words annual indicator variables Chow test dichotomous variable difference estimator differences-in-differences estimator dummy variable dummy variable trap Keywords exact collinearity hedonic model indicator variable interaction variable intercept indicator variable log-linear models linear probability model natural experiment quasi-experiment reference group regional indicator variable seasonal indicator variables slope-indicator variable treatment effect Appendices For the log-linear model ln(y) = β1 + β2x + e, if the error term e ~ N(0, σ2), then the expected value of y is: 7A Details of Log-linear Model Interpretation Let D be a dummy variable Adding this to our log-linear model, we have ln(y) = β1 + β2x + δD + e and: 7A Details of Log-linear Model Interpretation We can compute the percentage difference as: The interpretation of dummy variables in log-linear models carries over to the regression function The percentage diffe