-
Notifications
You must be signed in to change notification settings - Fork 8
/
rdlocrand_illustration.R
152 lines (98 loc) · 4.4 KB
/
rdlocrand_illustration.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
###############################################################################
# rdlocrand: illustration file
# !version 1.0 21-Jun-2022
# Authors: Matias Cattaneo, Rocio Titiunik, Gonzalo Vazquez-Bare
###############################################################################
rm(list = ls())
options(width=200)
#install.packages("rdlocrand")
library(rdlocrand)
###############################################################################
## Load data
###############################################################################
data <- read.csv("rdlocrand_senate.csv")
dim(data)
names(data)
# Select predetermined covariates to be used for window selector
X <- cbind(data$presdemvoteshlag1,
data$population/1000000,
data$demvoteshlag1,
data$demvoteshlag2,
data$demwinprv1,
data$demwinprv2,
data$dopen,
data$dmidterm,
data$dpresdem)
# Assign names to the covariates
colnames(X) <- c("DemPres Vote",
"Population",
"DemSen Vote t-1",
"DemSen Vote t-2",
"DemSen Win t-1",
"DemSen Win t-2",
"Open", "Midterm",
"DemPres")
# Running variable and outcome variable
R <- data$demmv
Y <- data$demvoteshfor2
D <- as.numeric(R>=0)
###############################################################################
## rdwinselect
###############################################################################
# Deprecated default options (Stata Journal 2016)
tmp <- rdwinselect(R,X,obsstep=2)
# Window selection with default options
tmp <- rdwinselect(R,X)
# Window selection with default options and symmetric windows
tmp <- rdwinselect(R,X,wasymmetric=TRUE)
# Window selection with specified window length and increments (replicate CFT)
tmp <- rdwinselect(R,X,wmin=.5,wstep=.125,reps=10000)
# Window selection using large sample approximation and plotting p-values
tmp <- rdwinselect(R,X,wmin=.5,wstep=.125,approx=TRUE,nwin=80,quietly=TRUE,plot=TRUE)
###############################################################################
## rdrandinf
###############################################################################
# Randomization inference using recommended window
tmp <- rdrandinf(Y,R,wl=-.75,wr=.75)
# Randomization inference using recommended window, all statistics
tmp <- rdrandinf(Y,R,wl=-.75,wr=.75,statistic='all')
# Randomization inference using recommended window using rdwinselect
tmp <- rdrandinf(Y,R,statistic='all',covariates=X,wmin=.5,wstep=.125,rdwreps=10000)
# Randomization inference using recommended window, linear adjustment
tmp <- rdrandinf(Y,R,wl=-.75,wr=.75,statistic='all',p=1)
# Randomization inference under interference
tmp <- rdrandinf(Y,R,wl=-.75,wr=.75,interfci=.05)
###############################################################################
## rdsensitivity
###############################################################################
tmp <- rdsensitivity(Y,R,wlist=seq(.75,10,by=.25),tlist=seq(0,20,by=1))
# Replicate contour plot
xaxis <- tmp$wlist
yaxis <- tmp$tlist
zvalues <- tmp$results
filled.contour(xaxis,yaxis,t(zvalues),
xlab='window',ylab='treatment effect',
key.title=title(main = 'p-value',cex.main=.8),
levels=seq(0,1,by=.01),col=gray.colors(100,1,0))
# Obtain 95 percent confidence interval for window [-.75 ; .75]
tmp <- rdsensitivity(Y,R,wlist=seq(.75,2,by=.25),tlist=seq(0,20,by=1),ci=c(-0.75,0.75))
tmp$ci
# rdsensitivity to calculate CI from within rdrandinf
tmp <- rdrandinf(Y,R,wl=-.75,wr=.75,ci=c(.05,seq(3,20,by=1)))
###############################################################################
## rdrbounds
###############################################################################
tmp <- rdrbounds(Y,R,expgamma=c(1.5,2,3),wlist=c(.5,.75,1),reps=1000)
tmp$lower.bound
tmp$upper.bound
# Bernoulli and fixed margins p-values
tmp <- rdrbounds(Y,R,expgamma=c(1.5,2,3),wlist=c(.5,.75,1),reps=1000,fmpval=TRUE)
tmp$lower.bound
tmp$upper.bound
###############################################################################
## rdrandinf with eval options
###############################################################################
ii <- (R>=-.75) & (R<=.75) & !is.na(Y) & !is.na(R)
m0 <- mean(R[ii & D==0],na.rm=TRUE)
m1 <- mean(R[ii & D==1],na.rm=TRUE)
tmp <- rdrandinf(Y,R,wl=-.75,wr=.75,p=1,evall=m0,evalr=m1)