Stata实证：安慰剂检验的代码实现

安慰剂检验常作为稳健性检验的内容，在DID模型中比较常见。安慰剂检验最早来自医学方法，在医学实验中，假如要测试某种新药的效果，为了排除“霍桑效应”，即排除参与实验的人员知道自己在实验组或者对照组而产生的心理差异而导致的对药效结果的影响，实验过程中会让所有参与实验人员服用“新药物”，当然，实验组服用的真正的“新药物”，而对照组的人员服用的是不会产生任何影响的“假药物”。

在计量实证中，也采用了这种思想，如，在因果识别中，为了识别某种政策或者冲击的影响，随机指定对照组与实验组，然后观测主要变量（交互项）的系数的分布情况，如果其核密度曲线为均值接近0的近似正态分布的曲线，则认为原有结果是稳健的，而不是随机的结果。换句话说，如果随机假设实验组与对照组，得到的结果仍与原有结果一致，不是证明，其实不是研究的政策或者冲击的影响吗？

任胜钢，郑晶晶，刘东华，陈晓红. 排污权交易机制是否提高了企业全要素生产率

———来自中国上市公司的证据. 中国工业经济 ，2019，5：5-23一文中就有安慰剂检验。其结果如下图所示：（图略，见下方word文件）

综上，我们可以了解到安慰剂检验的思想，就是打乱实验组与对照组，因此，本文将采取案例教学的方式，教大家使用stata实现安慰剂检验。

案例：如下表所示，案例文件panels.dta包含了30个省市的2004-2017年共计14年的面板数据，其中y为被解释变量，x为主要的解释变量，x1-x7为控制变量。

（1）我们将采用面板固定效应模型对模型进行估计，然后进行安慰剂检验，为了简化过程，我们将只做省份固定效应的回归，而略去加入时间固定效应的双向固定效应的回归与安慰剂检验（本质上依然一样）可留作读者自行修改代码实现。主要实现方法是打乱主要的解释变量x再进行回归，重复以上步骤1000次，然后观察系数分布情况。

（2）我们将使用DID模型，再重复一次，为了保证DID交互项的显著性，我们将首先设定一个政策冲击，将政策冲击年份设定为2014年，并指定10个省市为实验组（id为3的倍数），并对受政策冲击的省份的y都加上2，其余为对照组，不做任何处理。首先，我们将回归展示基准结果，然后，我们将随机打乱实验组与对照组，重复以上步骤1000次，然后观察系数分布情况。（注，此处主要解释变量不再是x而是交互项系数）。

另外，注：若do文件发生乱码，使用Windows自带的记事本打开do文件，然后复制出其中代码粘贴至stata新建空白do文件即可。