Московский государственный университет

им. М.В. Ломоносова

экономический факультет

Домашняя работа №3
по курсу «Практическая эконометрика»
Выполнили:
Рожкова А. (401)
Щеглова М. (401)

Москва 2022
Оглавление

Пункт 1.1..........................................................................................................................................3
Пункт 1.2..........................................................................................................................................3
Пункт 1.3..........................................................................................................................................4
Пункт 1.4..........................................................................................................................................5
Пункт 1.5..........................................................................................................................................5
Пункт 1.6..........................................................................................................................................5
Пункт 2.1..........................................................................................................................................5
Пункт 2.2..........................................................................................................................................6
Пункт 2.3..........................................................................................................................................7
Пункт 2.4..........................................................................................................................................8
Пункт 2.5..........................................................................................................................................9
Пункт 3.1........................................................................................................................................10
 Пункт 1.1
Объясните коротко, зачем авторы приводят рисунок 2?
Авторы приводят данный рисунок, чтобы продемонстрировать наличие сезонной
изменчивости (seasonal variability) в данных и показать, что тренды в двух регионах (в
Корсике и в Сардинии) совпадают.

Пункт 1.2
Дайте оценку эффекта от закона Макрона методом разность разностей. Для этого
используйте данные из файла data_mac_sr.dta. Ограничьте выборку, используя условие
sample_mac_sr == 1. Оцените 5 моделей. Зависимая везде – логарифм цены (lprice100).
Первая модель – «обычная» разность разностей без контрольных переменных. Вторая – с
добавлением контрольных переменных Corsica:bdays, Sardinia:bdays, google_src, town_avail.
Можете добавить и другие переменные из доступных. Модели 3,4,5 должны включать
дополнительно к модели 2 тройные произведения дамми периода после введения закона,
дамми тритментгруппы с: сетевыми/несетевыми отелями (модель 3), звёздностью отеля
(модель 4), размером отеля (модель 5). Код должен выводить таблицу с 5 моделями.
Готовую таблицу нужно вставить в текст. В тексте коротко прокомментируйте
результаты, в том числе коэффициенты при произведениях.

D-in-D and Triple interaction specifications

Dependent variable:
lprice100
D-n-D with Triple Chain Triple Stars Tripple Size
D-n-D
controls effect effect effect
(1) (2) (3) (4) (5)
I(Corsica * bdays) -0.022** -0.022** -0.022** -0.023**
(0.009) (0.009) (0.009) (0.009)
I(Sardinia * bdays) -0.106*** -0.105*** -0.105*** -0.104***
(0.007) (0.007) (0.007) (0.007)
google_src 0.101*** 0.101*** 0.101*** 0.101***
(0.007) (0.007) (0.007) (0.007)
town_avail -5.075*** -5.046*** -5.351*** -5.206***
(0.500) (0.500) (0.500) (0.500)
Post:Treated -3.277*** -2.583*** -2.500*** 0.607 -0.726
(0.206) (0.452) (0.454) (0.585) (0.489)
Post:Treated:dchain -6.104***
(0.888)
Post:Treated:factor(stars)1 2.063
(4.429)
Post:Treated:factor(stars)2 -2.371*
(1.317)
Post:Treated:factor(stars)3 -3.811***
(0.529)
Post:Treated:factor(stars)4 -6.253***
(0.660)
Post:Treated:factor(stars)5 1.153
(1.196)
Post:Treated:factor(hot_size)1 -4.108***
(0.423)
Post:Treated:factor(hot_size)2 -3.999***
(1.200)
Observations 78,825 78,825 78,825 78,825 78,825
*
Note: p<0.1; p<0.05; ***p<0.01
**

Краткая интерпретация результатов:

 В спецификации (1) таблицы 1 коэффициент при переменной Post*Treated означает,

что цены на отели на Корсике снизились по сравнению с ценами на отели Сардинии
после принятия закона Макрона на -3.277%. По аналогии для спецификации с
контрольными переменными (2) этот же эффект составил -2,583% (он является
статистически значим).
 Коэффициенты для количества дней до начала пребывания (Corsica*bdays и
Sardinia*bdays) значимы для всех 4-х спецификаций. Они подтверждают
необходимость учета разных временных трендов для регионов на протяжении всего
периода бронирования.
 Законодательное вмешательство привело к более существенному снижению цен в
отелях, аффилированных с сетями (примерно на 6%), по сравнению с контрольной
группой (этому соответствует статистически значимый коэффициент при переменной
Post*Treated*dchain).
 Результаты в колонке (4) говорят о значительном снижении цен для 3- и 4-звездочных
отелей (на 3.81% и 6.53% соответственно). Эффект для 2-звездочного отеля есть, но
он значим лишь на 10% уровне. Эффект для 5-значных отелей незначим.
 Отели среднего и крупного размера на Корсике снизили свои цены примерно на 4%
после закона Макрона по сравнению с ценами Сардинии, для маленьких отелей
эффект не является статистически значимым.

Пункт 1.3
Напишите словами содержательно (не «тритмент», а конкретно к данному кейсу), для
какой группы объектов вами получена оценка в модели 1.
Для отелей Корсики по сравнению с отелями Сардинии после введения закона. Модель
1 представляет из себя регрессию, где зависимая переменная – логарифм цены, а переменная
интереса – Treated – это dummy переменная, равна 1, если номер находится на Корсике
(Корсика является «treated» region). Оценка эффекта закона Макрона была получена путем
сравнения цен на сайте Booking.com для нескольких сотен отелей в двух регионов – на
Корсике (Франция)1, где был введен закон, и в Сардинии (Италия), где закон не был введен –
за период с 2015 по 2017 гг.

Пункт 1.4
Почему авторы называют такие результаты «краткосрочными эффектами»?
Потому что были получены на основе цен, опубликованных в течение двух с половиной
месяцев с момента опубликования закона (с 1 сентября по 20 октября 2015 года).

Пункт 1.5
Зачем авторы приводят таблицу 7 и как они оценивают уравнения для неё?
В таблице 7 приведены результаты плацебо-теста для 4-х спецификаций, однако все данные,
которые используют авторы, были собраны до 6 августа 2015 (т.е. предполагается, что в этих
данных не присутствуют никакие изменения, связанные с законом). В качестве переменной
воздействия PostLaw используется бинарная переменная равная 1, если ночные предложения
были в 2015 году.
Как оцениваются уравнения?

 Для D-in-D (базовая спецификация (1)) включает dummy набор недельных

переменных D, переменную «региона» R и вектор контрольных переменных Z,
который учитывает локальные шоки спроса).
 Для 3 спецификаций, представляющих из себя расширение базовой модели (в
расширении добавляют PostLaw – бинарную переменную для цен на номера,
опубликованных после вступления закона в силу), в которых учитываются
гетерогенные эффекты (группировка (g) происходит по принадлежности к Chains,
Stars и Size), т.е. к расширению базовой спецификации добавляется «кусок» с
Treated*PostLaw*Groupg.

Пункт 1.6
Зачем авторы приводят таблицу D1 в приложении D?
В таблице D1 представлены результаты, подтверждающие тот факт, что снижение цен
началось ещё до обнародования закона, то есть присутствовал эффект ожидания.
Воздействие на среднестатистический отель было незначительным во спецификациях (что
позволяет авторам исключить anticipation effect), кроме тех, где отели были аффилированы
сетям, имели 4 звезды и имели средний и большой размеры.

1
Франция отменила все виды положений о ценовом паритете в августе 2015 года, в то время как Италия
сделала то же самое только в августе 2017 года.
Пункт 2.1
Оцените эффект от закона Макрона методом синтетического контроля. Используйте
данные из файла data_mac_synth.dta. Ограничьте выборку, используя условие synth_mac ==
1. Обратите внимание, что данные теперь имеют группировку (переменная classification).
Тритмент-групппе соответствует значение classification=1. В качестве предикторов
можете использовать сведения о lprice100, bdays, stars, hot_size, capacity, punteggio,
date_start_booking, google_src. Считаем, что тритмент наступает с 32й недели (week_src).
Приведите в тексте график с динамикой на Корсике и синтетической Корсике. Очень (!)
коротко напишите комментарии.

Рисунок 1. Синтетический контроль и цены на отели (случай для всех отелей)

График подтверждают наличие краткосрочной реакции цен отелей на Корсике на введение

закона Макрона: цены имеют тенденцию к снижению по сравнению с «синтетическими»
контролем (то есть синтетической группой, которая предсказывает направление цен при
условии отсутствия внешних воздействий, то есть закона в нашем случае).

Пункт 2.2
По полученным в предыдущем пункте результатам приведите в тексте таблицу и/или
график с весами наблюдений из контрольной группы, из которых составляется
синтетическая Корсика, а также средние значения для Корсики, контрольной группы и
синтетической Корсики. Очень (!) коротко напишите комментарии.
unit.name
weights s
 0.000 5
0.000 6
0.349 7
0.000 8
0.072 9
0.000 10
0.000 11
0.178 12
0.000 13
0.000 14
0.000 15
0.000 16
0.000 17
0.400 18
0.000 19
0.000 20
0.000 21
0.000 22

Таблица 1. Веса наблюдений, вошедших в «синтетическую» группу

Treat Synthe
Mean
ed tic
lprice10 483.8 483.55 479.1
0 49 7 49
60.79 61.26
bdays 61.147
3 4
stars 3.046 3.578 3.619
hot_size 0.219 0.494 1.000
35.67 89.36
capacity 49.768
5 1
punteggi
7.993 8.264 8.133
o
google_ 59.71 401.69 686.9
src 4 9 71

Таблица 2. Средние значения для Корсики, контрольной группы и синтетической Корсики

В таблице 1 приведены веса для каждого из выбранного региона, который входит в

«синтетическую» группу. Наибольший вес приходится на регион 18.
В таблице 2 приведена средние значения для показателей-предикторов, на основе которых
строилась кривая синтетического контроля. Существенное расхождение наблюдается да
показателя google_src.

Пункт 2.3
Сделайте плацебо-тест по времени. Приведите график и кратко опишите полученный
результат. Зачем нужен плацебо-тест во времени?
 Рисунок 2. Плацебо-тест "во времени"

Значимое расхождение между Корсикой и кривой синтетического контроля начинается и

сохраняется с 32 недели.
Плацебо-тест «во времени» необходим для понимания того, что именно с 32 недели
начинается изменение цен с связи с ведением закона, а ни с какой-либо другой недели
(например, с 28 недели).

Пункт 2.4
Сделайте плацебо-тест «в пространстве». Приведите график и кратко опишите
полученный результат. Зачем нужен плацебо-тест «в пространстве»? Приведите
численный критерий качества подгонки (отношение среднеквадратического отклонения
синтетического тренда от настоящего до и после закона). Приведите результаты в
тексте. Кратко прокомментируйте их.
 Рисунок 3. Плацебо-тест "в пространстве"

Не наблюдается значимого расхождения между выбранным регионом и кривой

синтетического контроля.
Плацебо-тест «в пространстве» необходим для понимания того, что эффект от введения
закона локален, т.е. результаты проведения процедуры синтетического контроля для другого
региона (в нашем случае региона 5) не будут демонстрироваться существование «отсечки»
на 32 недели.
Численным показателем качества «подгонки» является показатель MSPE, равный 0.95,
подтверждающий отсутствие значимого расхождения.

Пункт 2.5
Придумайте, как ещё можно было бы проверить качество оценок, полученных
синтетическим контролем.
Можно поменять зависимую переменную, которая по нашим предположениям не должна
измениться. В качестве такой переменной была взята переменная punteggio (итал. рейтинг).
Затем мы сравнили кривую региона 5 и кривую синтетического контроля (см. рисунок 4).
 Рисунок 4. Проверка качества оценок, полученных методом синтетического контроля

Пункт 3.1
Какой вклад в свою область вносит это исследование? С какими другими
исследовательскими вопросами связано это исследование? Знаете ли вы, почему ещё этот
вопрос может быть интересен (со ссылками на литературу)?
Анализ, приведенный в статье, и представленные результаты могут быть особенно
актуальны для политиков в условиях, характеризующегося неоднородностью в отношении
необходимости регулирования платформ.
В данной статье используются данные, полученные от Booking.com (они достаточно полные
и подробные, что позволяет точно подобрать гостиничные номера по типу, качеству и
другим характеристикам). Полученные в ходе работы результаты (значительное снижение
цен на Booking.com, особенно в short-term перспективе, и в особенности для отелей с
высоким рейтингом и сетевых отелей) в сочетании с выводами двух работ, [Hunold et al.,
2018] (подтверждение увеличения числа замещения каналов) и [Ennis et al., 2020] (снижение
цен на транзакции, предлагаемых группой сетевых отелей), помогают провести
всеобъемлющий анализ влияния отмены положений о ценовом паритете на все различные
каналы продаж.
Недавняя практика, принятая OTAs (Online Travel Agencies), например, наказание отелей,
если они решают дифференцировать цены по каналам продаж, вызвала обеспокоенность
регулирующих органов, поскольку такие действия ограничивают свободу отелей в
регулировании цен. В работе [Hunold and Kesler, 2019]2 авторы показывают, что позиция
отеля в результатах поиска OTAs лучше, когда цены, взимаемые отелем по другим каналам,
выше (что согласуется с гипотезой о том, что ОТА изменяют результаты своего поиска,
чтобы наказать отели за агрессивные цены на конкурирующих каналах, тем самым снижая
качество поиска для потребителей). Представленный авторами анализ не может дать

2
Hunold, Matthias and Kesler, Reinhold and Laitenberger, Ulrich, Hotel Rankings of Online Travel Agents, Channel Pricing, and
Consumer Protection (December 2018). ZEW - Centre for European Economic Research Discussion Paper No. 18-059,
http://dx.doi.org/10.2139/ssrn.3447828
однозначного вывода о том, какой вид рейтинга OTA отелей является социально
оптимальным. Тем не менее, они выдвигают два потенциальных риска оптимизации
рейтинга OTA, один из которых заключается в том, что такая оптимизация может иметь
эффекты, сравнимые с эффектами от PPC.