當感興趣的變數係數之間的顯著水平不同但符號相似時，我們應該得出什麼結論？
我跟隨Dasgupta, 2019使用廣義 DID，看到了反串通法對全國因變數 Y 的影響。
標識為：
$ Y_{it} $ = $ \alpha $ + $ \beta $ $ (pt){kt} $ + $ \delta $ $ X{ikt} $ + $ \theta $ $ _t $ + $ \gamma $ $ _i $ + $ \epsilon $ $ _{it} $
其中i、k和t分別代表公司、國家和年份。 $ X_{ikt} $ 是不同公司、國家和行業控制的向量，而 $ \gamma $ 和 $ \theta $ 是固定效應和年份固定效應。 $ (pt)_{kt} $ 是 post * Treat 變數
結果是
如果沒有在別處說明，則 6 列都使用公司和年份固定效應。第 1 列，我沒有控制任何自變數。列（2），我控制了一些公司和國家的自變數。在第 (3) 列中，我控制了公司、國家和行業變數。在第 (4) 列中，我控制了國家和公司自變數以及公司和行業 * 年固定效應。在第 (5) 欄中。我控制國家和公司自變數以及公司和地區*年固定效應。在第（6）列中，我控制了一些公司和國家自變數，類似於第（2）列，但沒有美國公司。
我想知道我是否可以得出以下結論：在這種情況下**，一般而言，反串通法對 Y ceteris paribus 的負面影響微弱但始終如一**？
我想知道我是否可以得出以下結論：在這種情況下，一般而言，反串通法對 Y ceteris paribus 的負面影響微弱但始終如一？
在這種情況下，我認為這措辭過於強硬。
這裡的結果不是非常一致或穩健，因為在模型 1 中效果是積極的，而在模型 2-4 中效果在統計上不顯著，所以你應該在那裡你不能拒絕真實效果為 0 的零假設。你不應該解釋結果 2-4 表示效果是負面的（對於 2 來說，你可以達到 10% 的水平）。所以你只能說在 2 個（10% 的 3 個）模型中存在顯著的負面影響，即使如此，影響的大小也不一定一致。
然而，當談到影響的大小時，很難評論係數的大小，因為你沒有說什麼 $ Y $ 是或如何測量的，忽略沒有控制的第一個結果，模型 5 中係數的大小比模型 6 中係數的大小高 35.7%。取決於如何 $ Y $ 測量這可能是很大的差異。例如，如果 $ Y $ 以十億為單位的產出，如果以美元為單位的產出只有幾美分的差異，那麼效果就會有很大的不同。在經濟意義上問這裡的影響是弱還是強，本質上是在問 0.02 是不是很高的數字……如果它是 0.2 億或數万億的東西，那麼它可能是一個強大的影響。