Dasgupta（2019）中的“預測模型”是什麼？
在一篇論文中，Dasgupta, 2019使用差異中的差異方法來查看不同國家實施的反串通法（交錯實施）是否會影響公司的財務靈活性。
Dasgupta, 2019, p.2610使用了一種稱為“預測模型”的方法
通過僅使用寬大處理前的觀察並預測在寬大處理法通過後公司在卡特爾案件中被定罪的機率。
特別是，他們所做的是
首先，我們估計一家公司在卡特爾案件中被定罪的傾向。我們使用基於時變公司特徵（資產規模、槓桿和 ROA）、國家特徵（GDP 和失業率）、國家固定效應和三位數 SIC 固定效應的預測模型。
我不明白他們如何使用 STATA計算“**在通過寬大處理法後公司在卡特爾案中被定罪的機率”。**我可以連結到的一個命令是“預測”，但在這種情況下似乎不起作用。
更新：
從一些建議來看，似乎一個好方法是使用機率（或 logit）模型來預測所提到的可能性。但我不明白如何在 Dasgupta 的研究中分配因變數（0 和 1）的值。
我不熟悉這個特定的文本，但是，我被要求闡明並將這樣做作為答案，儘管我不經常使用這些技術，所以毫無疑問我錯過了一些重要的元素。
有一組方法稱為傾向評分方法。這些技術解決的主要問題是治療通常不是外源性的（適當隨機化）——許多組可能由於其現有特徵而接受治療。在這些情況下，如果一個人天真地估計治療的效果，比如通過 DID，就會估計治療對那些無論如何已經要接受治療的人的影響。然後，估計的 DID 係數將是對將人口視為一個整體的影響的有偏估計。
這些技術的關鍵思想是估計特定群體將接受治療的機率，然後對估計進行加權以消除治療對整個人群的影響。這樣做的方式會有所不同，我建議仔細閱讀 Dasgupta，2019 年的論文以獲取引用——他們肯定會在方法部分直接提到他們的技術來自哪裡。隨機搜尋其他論文將提供其他估計。
另請注意，您不想用 probit/logit 估計治療機率並將其直接用作工具 - 它沒有預期的效果（參見控制函式方法 (CFA) 或 2 階段殘差包含 (2SRI) ）。