不同個體在不同時期採用某項政策時的影響評估
要有政策 $ T $ 可以由組織實施或不實施。假設有 $ n $ 組織和結果變數 $ Y $ .
該政策不是集中實施的——不同的組織在不同的時間點根據自己的意願採用了該政策。這表明存在很大的自我選擇偏差的可能性。
我想知道是否有任何技術可以確定這樣的政策是否有效。
我已經閱讀了關於差異中的差異和不連續回歸的內容——但據我所知——他們需要在特定時間點實施一項政策，以及兩組，其中一組得到處理，另一組不處理。
就我而言，有兩組——一組得到治療，另一組未治療，但不同組織的實施時間不同。
我可能不清楚，所以我舉一個簡單的例子。假設有 6 家公司 A、B、C、D、E 和 F，它們各自辦公室的所有牆壁都是白色或綠色。這 $ Y $ 例如，我感興趣的變數是員工的總生產力（假設我有一種方法可以完美地衡量它）。
一開始（假設在 2000 年）所有的公司都有白牆。然後在 2003 年，公司 C 和 E 變為綠色。然後在 2005 年 B 公司也改為綠色。到目前為止，其他公司還沒有做出任何改變（比如 2010 年）。
我有從 2000 年到 2010 年所有五家公司的員工生產力數據（每月），以及他們何時從白色變為綠色的數據。
他們有什麼方法可以用這些數據找出綠牆是否比白牆有任何優勢？我知道可能存在的自我選擇偏差（也許公司在看到生產力異常下降時決定改用綠色等）有沒有辦法克服這個問題並評估改用綠色的政策是否有效？
如果是，我在哪裡可以閱讀更多關於它的資訊、假設、如何測試它們，以及如何使用軟體實際進行分析等。
關於我們正在談論的組織數量的描述有點模糊，但您仍然可以對同時分別採用它的所有治療控制對進行差異差異 (DiD)，然後對結果進行薈萃分析。
據我了解，基於 Angrist & Pischke (2009) Mostly Harmless Econometrics ch.5，只要滿足共同趨勢的辨識假設，DiD 就可以解決任何可能的自我選擇偏差。也就是說，在 DiD 中，處理和控制都需要遵循共同趨勢預處理。如果結果變數的變化 ( $ y $ ) 預處理在處理和對照之間幾乎相同，那麼即使 $ y $ 不同，估計不會有偏差。當然，這必須在每種情況下進行測試。
但是，只有在您不必執行太多單獨的 DiD 時，上述方法才可行，否則將是不切實際的。
另一種選擇可能是在金融文獻中經常使用的事件研究設計（參見MacKinlay，1997 年）。它允許事件在不同的時間發生，並且經歷事件的公司/組織是異質的並且可能為事件自我選擇並不重要（例如，這種方法通常用於評估併購對股票收益的影響），但是另一方面，這種方法是數據密集型的，具體取決於 $ y $ 它可能不合適，或者如果有事件集群。
為了實施回歸不連續設計（RDD），必須有一些分界點來確定是否將治療分配給受試者。例如，如果有一項政策要求任何發電量超過 1.21 吉瓦的發電廠採用某種 $ CO_2 $ 限制技術並且低於該門檻值是不需要的，並且您想檢查此類政策對某些結果變數（如空氣質量）的影響。還有所謂的模糊 RDD，只要採用該處理的機率顯著不同，就不需要在某些確定性變數中進行銳減（參見同上。（2009）Mostly Harmless Econometrics ch.6）。這樣做的可行性將再次取決於數據可用性和其他細節，但如果組織本身可以完全控制治療的可能性，那將是不合適的。
最後，正如您可能已經從上面的討論中猜到的那樣，方法的選擇始終取決於上下文。為了讓任何人給你具體的答案，你必須分享幾乎不可行的研究的每一個細節，所以把上面的內容作為參考的一些指針（因為你將問題標記為參考請求）而不是告訴你究竟該怎麼做。