差異の差異（複数期間）回帰を視覚化する最良の方法は何ですか？

バイナリー処理と連続処理の両方で差異の違いを視覚化する最良の方法は何ですか？

コントロールのセットで結果変数を後退させますが、治療変数を除外し、各グループの残差をプロットしますか（バイナリケース）？

ATEパラメータの「ダイナミクス」を経時的に確認する方法はありますか？

並行トレンドの仮定が妥当であることを示したいと思います。

— サズハベ
ソース

継続的な治療については、治療強度が0の観察結果がありますか、それとも全員がある程度影響を受けていますか？ATEの「ダイナミクス」とは、時間の経過とともに消える治療の長期的な影響があるかどうかを確認したいということですか。

— アンディ

はい、治療強度がゼロであるとしましょう。私はこれを論文で読んだことがありますが、著者が正確に何をしているのかわかりません。処理されたグループと未処理のグループを区別するあらゆる異なる傾向ではなく、日付」これを実装する方法はありますか？

— sazuhabe

ああ、コメントの更新を見る前に回答を投稿しました。論文へのリンクはありますか？

— アンディ

これは、私が回答で参照したAutorの論文が行うことと似ています。あなたの男は治療の結果（特許）を後退させ、治療をタイムダミーと相互作用させます。上部のパネルはこれを対照群に、下部のパネルは治療群に行います。したがって、結果は治療日以降に治療された（コントロールではなく）場合にのみジャンプし、効果は時間とともに増加することがわかります。

— アンディ

通常行われるのは、時間の経過とともに、治療グループと対照グループの結果変数の平均をプロットすることです。したがって、ここでのコントロールグループは、当然、治療を受けなかったすべての人々であり、一方、治療グループは、何らかの強度の治療を受けた人々です。これは、たとえばこのプレゼンテーションで行われました（スライド25および26、回帰方程式はスライド27にあります）。

並行処理の傾向を治療強度ごとに表示したい場合は、さまざまな方法があり、結局のところ、それらをどのように分割したいかということになります。たとえば、処理された単位の結果を、処理強度分布の上位10％、平均、および90％でプロットできます。これが実際に行われることはめったにありませんが、それでも意味のある練習だと思います。

治療のフェードアウト時間を推定するには、Autor（2003）に従ってください。彼には、ように、治療のリードとラグが含まれます彼は、個々のデータを有する状態では、で時間、は状態固定効果、は時間固定効果、は個別のコントロールです。治療のラグは、からのフェードアウト効果を推定し

Y_{i s t} = γ_{s} + λ_{t} + \sum_{m = 0}^{M} β_{- m} D_{s, t - m} + \sum_{k = 1}^{K} β_{+ k} D_{s, t + k} + X_{i s t}^{'} π + ϵ_{i s t}

$Y_{ist} = \gamma_s + \lambda_t + \sum^{M}_{m=0}\beta_{-m} D_{s,t-m} + \sum^{K}_{k=1}\beta_{+k} D_{s,t+k} + X'_{ist}\pi + \epsilon_{ist}$

i

$i$

s

$s$

t

$t$

γ

$\gamma$

λ

$\lambda$

X

$X$

m

$m$

m = 0

$m=0$ 、すなわち治療期間。これは、時間の経過に伴うラグの係数をプロットすることで視覚化できます。ここに画像の説明を入力してください

グラフは彼の論文の26ページにあります。これの良い点は、各係数の信頼帯（縦線）もプロットするので、効果が実際にゼロとは異なる場合を確認できます。このアプリケーションでは、全体的な治療効果は最初は増加し、その後は安定している（わずかではあるが）にもかかわらず、2年目には治療の長期的な効果があるようです。

$k$

— アンディ
ソース