如何基于分阶段步数数据用Stata分析公开目标设定的处理效应？

针对你的数据结构，有两种常用方法来分析“公开目标设定”对步数的影响：

方法一：构建差分变量回归 #

1. 先计算每个个体的步数变化量：

   gen delta_step = after - before
   

2. 以变化量为因变量，treatment为自变量做回归：

   reg delta_step treatment, robust
   

   回归结果中treatment的系数，就是公开目标设定组相对于未公开组的步数变化差异，也就是处理的净影响。

方法二：双重差分（DID）模型（更严谨） #

这个方法能同时控制个体初始步数差异和时间趋势，推荐使用：

1. 先把宽格式数据转成长格式（假设你有个体标识符id）：

   rename before step_0
   rename after step_1
   reshape long step_, i(id) j(period)
   rename step_ step
   

   这里period=0代表处理前，period=1代表处理后。
2. 运行双重差分回归：

   reg step i.treatment##i.period, robust
   

   结果中1.treatment#1.period的系数，就是公开目标设定对步数的净处理效应，这是最可靠的估计结果。

简化替代方法（无个体ID时） #

如果没有个体唯一标识符，也可以直接用以下回归控制初始步数：

reg after treatment before, robust

这里treatment的系数就是处理的影响，before用来控制个体初始步数的差异，减少遗漏变量偏差。

内容的提问来源于stack exchange，提问作者Linda