事件研究项目中按个体分组、基于事件时间的结果均值计算及R语言实现方案问询

首先，我们明确你的需求：要计算特定目标年份下结果变量的均值，但需要排除那些事件发生年份早于该目标年份的个体，同时只保留该目标年份有观测记录的个体。下面我会用两种方法实现这个逻辑——一种是用dplyr（更简洁直观，适合数据处理），另一种是基础R代码（不需要额外包）。

先修正模拟数据的创建方式 #

你原来用cbind创建数据会导致列变成因子类型，我们改用data.frame直接创建，确保所有变量都是数值型：

df <- data.frame(
  ID = c(1,1,1,1,2,2,2,3,3),
  year = c(2018,2019,2020,2021,2019,2020,2021,2018,2020),
  outcome = c(1,1,0,0,1,0,0,0,1),
  event_year = c(2019,2019,2019,2019,2020,2020,2020,2017,2017)
)

方法一：使用dplyr包（推荐） #

dplyr的管道语法非常适合这种分组筛选+聚合的操作：

# 加载dplyr包（如果没安装先运行install.packages("dplyr")）
library(dplyr)

# 设定目标年份（这里是你例子中的2019年）
target_year <- 2019

# 计算符合条件的均值
mean_result <- df %>%
  # 第一步：筛选出目标年份的所有观测
  filter(year == target_year) %>%
  # 第二步：按个体ID分组，只保留事件年份不早于目标年份的个体
  group_by(ID) %>%
  filter(event_year >= target_year) %>%
  # 取消分组，计算结果变量的均值
  ungroup() %>%
  summarise(average_outcome = mean(outcome))

# 查看结果
print(mean_result)

运行后你会得到：

# A tibble: 1 × 1
  average_outcome
            <dbl>
1             0.5

完全符合你预期的结果。

方法二：使用基础R代码 #

如果你不想加载额外的包，可以用基础R的索引和聚合函数实现：

# 设定目标年份
target_year <- 2019

# 1. 先筛选出目标年份的观测数据
target_data <- df[df$year == target_year, ]

# 2. 找出事件年份不早于目标年份的有效个体ID
valid_ids <- unique(target_data$ID[target_data$event_year >= target_year])

# 3. 提取这些有效个体的结果变量值
valid_outcomes <- target_data$outcome[target_data$ID %in% valid_ids]

# 4. 计算均值
mean_result <- mean(valid_outcomes)

# 查看结果
print(mean_result)

运行后同样会输出0.5。

逻辑解释 #

• 首先我们锁定了目标年份（2019）的所有观测，得到个体1和个体2的记录（个体3在2019年没有数据，自然不会被纳入）。
• 然后我们过滤掉事件年份早于目标年份的个体：个体3的事件年份是2017，早于2019，但它在目标年份没有记录，所以不影响；而个体1（事件2019）和个体2（事件2020）都符合条件，保留它们的结果值计算均值。

内容的提问来源于stack exchange，提问作者Ludwig Gershwin