Time on Your Side: Aggregating Data in Difference-In-Differences Studies

doi:10.1111/1475-6773.14636

2025-05-27

PRE

Summer Rak

Laura A. Hatfield *

Carrie Fry

DOI：10.1111/1475-6773.14636

原文链接

原文求助

摘要

En 中文

目标比较拟合于不同时间尺度聚合数据的双重差分估计量的表现。研究背景与设计在模拟中，我们从参数模型和重采样模拟中为50-100个单位生成了为期6年的月度观测值。模拟场景变化了面板平衡性、处理时机以及真实的处理效应。我们的目标参数是通过线性回归（针对共同时机场景）和Callaway and Sant'Anna（2021）估计量（针对分阶段时机场景）估计的静态和动态处理效应（ATT）。我们使用偏差、标准误、均方根误差（RMSE）、统计功效和第一类错误比较了月度、季度和年度数据的估计结果。我们还进行了一项案例研究，以说明这些决策的实际影响。数据来源与分析样本我们使用了一项关于警察再培训研究的重采样模拟和案例研究数据。这些数据包括2011年至2016年每月8614名警察的武力使用事件计数及培训注册日期。主要发现模拟结果在不同表现指标、估计方法、目标估计量及数据结构下有所差异。总体而言，当估计动态（相对于静态）处理效应、在非平衡（相对于平衡）面板数据中，以及在重采样模拟（其中数据自相关性较低）中，时间聚合的选择更为重要。尽管在许多场景下时间聚合影响甚微，但在分阶段时机场景的重采样模拟中，较粗粒度的聚合更为可取。对警察培训数据的重新分析对时间聚合敏感。结论在许多场景下，时间聚合对双重差分估计量的影响甚微。然而，在估计动态效应时，特别是在分阶段时机设置和非平衡数据中，我们发现精度与统计功效之间存在权衡，较细粒度的聚合更具统计功效但精度较低。此外，使用单一参考时间点的估计量对细粒度时间尺度测量的数据噪声更为敏感。

Keyword:

causal inference

repeated measures

simulation study

statistical data analysis