Stata中DID回归变量遗漏原因及代码合理性咨询

问题背景 #

使用Stata处理NIBRS数据，构建双重差分回归模型，目的是估算爱达荷州**Payette（4619）、Twin Falls（4635）、Latah（4649）三个县在邻州大麻合法化后，涉毒逮捕是否增加；对照组为Blaine（4551）、Bonneville（4562）、Freemont（4593）**三个县，以agency_id标识各县。

当前遇到的问题：

• 运行代码时did_WA、did_OR、did_NV变量被回归模型遗漏
• 需要验证代码逻辑是否合理，是否存在必要数据点丢失的情况

原代码 #

clear all
set more off
clear

// 创建数据文件夹路径
global source = "\\netapp.bcis.bates.edu\slaski\Crime_final"

// 循环将各年份的csv文件转为dta格式
forvalues y = 2011/2018{
 cd "$source\ID-`y'"
 foreach i in incident month OFFENSE {
     import delim NIBRS_`i'.csv, clear
     save NIBRS_`i'.dta, replace 
     clear
 }
}

// 循环合并每年的incident、month、offense数据
forvalues y = 2011/2018{
 cd "$source\ID-`y'"  
 use NIBRS_incident.dta

 // 合并incident与month数据（多对一）
 merge m:1 nibrs_month_id using NIBRS_month.dta., force
 drop if _merge ==2
 drop _merge

 // 合并incident与offense数据（一对多）
 merge 1:m incident_id using NIBRS_offense.dta, force

 save NIBRS_MERGE.dta,replace
 clear
}

// 合并所有年份的数据集
cd "$source\ID-2011"
use NIBRS_merge.dta

forvalues y = 2011/2018{
 cd "$source\ID-`y'"
 append using NIBRS_merge.dta, force
}

cd "$source"
save finalNIBRS_merge.dta, replace 

// 删除缺失观测
use finalNIBRS_merge.dta
drop if nibrs_month_id==. | month_num==. | incident_id==. |data_year==.

// 筛选涉毒案件与目标县
keep if (offense_type_id == 16)
keep if inlist(agency_id, 4619, 4635, 4649, 4551, 4562, 4593)

// 按县-月份聚合逮捕数
gen crime=1
gen year_month = ym(data_year, month_num)
collapse(sum) crime, by (year_month agency_id) 

format year_month %tm 

gen DRUG_arrests = crime == 1

// 生成邻州合法化前后标识变量
gen post_legalization_WA  = year >=2012
replace post_legalization_WA  = year >=2018 if agency_id == 4619

gen post_legalization_OR = year >=2015 
replace post_legalization_OR = year >=2018 if agency_id == 4649

gen post_legalization_NV = year >=2016
replace post_legalization_NV = year >=2018 if agency_id == 4635

gen post_legalization = (year >= 2012) if inlist(agency_id, 4619,4635,4649)
replace post_legalization = (year >= 2018) if inlist(agency_id, 4619) & (year >= 2018)
replace post_legalization = (year >= 2015) if inlist(agency_id, 4649) & (year >= 2015)
replace post_legalization = (year >= 2016) if inlist(agency_id, 4635) & (year >= 2016)

gen pre_period = (year < 2012)
gen post_period = (year >= 2012)

// 定义处理组/对照组
gen treatment = 1 if  agency_id== 4619 | agency_id== 4635 | agency_id== 4649
replace treatment = 0 if agency_id== 4551 | agency_id== 4562 | agency_id== 4593
gen control_vars = treatment == 0

// 生成DID交互项
gen did_WA = treatment * post_legalization_WA
gen did_OR = treatment * post_legalization_OR
gen did_NV = treatment * post_legalization_NV   

reg DRUG_arrests did_WA did_OR did_NV control_vars i.year

问题分析与修正建议 #

1. 变量遗漏的核心原因 #

did_WA等变量被回归模型遗漏，本质是**year变量不存在**：

• 在collapse(sum) crime, by (year_month agency_id)步骤后，原始数据中的data_year被丢弃，后续代码误用的year变量根本不存在，导致post_legalization_WA等变量全为缺失值，交互项did_WA等也随之缺失，回归时自动被排除。

2. 代码逻辑关键问题 #

（1）数据合并与append错误

• 初始append步骤先加载2011年数据，再循环append 2011-2018年数据，导致2011年数据重复加载两次，出现冗余观测。
• merge过程中直接删除_merge变量且丢弃匹配失败的观测，无法验证合并质量，可能丢失有效数据。

（2）被解释变量定义错误

gen DRUG_arrests = crime ==1仅将“恰好1次逮捕”的观测设为1，逮捕次数>1的观测会被设为0，完全违背研究逻辑，应改为：

// 若关注是否有涉毒逮捕（二元变量）
gen DRUG_arrests = (crime > 0)
// 若关注逮捕次数（计数变量）
gen DRUG_arrests = crime

（3）时间变量缺失与逻辑冗余

• 未从year_month中提取年份，需补充：

gen year = year(year_month)

• post_legalization的生成逻辑冗余，且未区分不同处理县对应的邻州合法化时间，应针对每个处理县单独定义post变量。

（4）DID模型设定错误

• 标准DID模型需包含treatment主效应、post主效应及交互项，当前直接放入交互项+control_vars（与treatment完全共线性），不符合双重差分的识别逻辑。
• 回归中使用i.year但year变量不存在，应改为基于year_month的时间固定效应，或提取year后使用i.year。

（5）面板数据完整性缺失

collapse后未补全“零逮捕”的月份观测，导致样本仅包含有逮捕记录的月份，存在严重样本选择偏差，需用fillin补全面板：

fillin agency_id year_month
replace crime = 0 if crime == .

3. 修正后的核心代码片段示例 #

// 从year_month中提取年份
gen year = year(year_month)
format year_month %tm 

// 补全面板，保留零逮捕月份
fillin agency_id year_month
replace crime = 0 if crime == .
gen DRUG_arrests = (crime > 0)

// 定义处理组/对照组
gen treatment = 0
replace treatment = 1 if inlist(agency_id, 4619, 4635, 4649)

// 针对每个处理县定义对应的合法化后标识变量
gen post_WA = (year >=2012) if agency_id ==4619
replace post_WA = (year >=2018) if agency_id ==4619 & year >=2018
gen post_OR = (year >=2015) if agency_id ==4649
replace post_OR = (year >=2018) if agency_id ==4649 & year >=2018
gen post_NV = (year >=2016) if agency_id ==4635
replace post_NV = (year >=2018) if agency_id ==4635 & year >=2018

// 生成DID交互项
gen did_WA = treatment * post_WA
gen did_OR = treatment * post_OR
gen did_NV = treatment * post_NV

// 标准DID回归（加入个体+时间固定效应，稳健标准误）
reg DRUG_arrests did_WA did_OR did_NV i.agency_id i.year, robust

内容的提问来源于stack exchange，提问作者SJJ