2014年给学院本科生做了有关应用计量经济学发展现状的报告,下面是当时所使用的PPT的主要内容: 概要:1. 计量经济学在经济研究中的作用 2. 应用计量经济学研究的核心 3. 应用计量经济学研究的发展–实验、拟实验方法–结构计量模型 1. 计量经济学在经济研究中的作用 –经济理论、统计学和数学的结合 –基于可观测的信息资料,揭示变量之间的经济关系·检验经济理论·评估经济政策·预测经济现象 ·经济理论:显示经济世界中存在着的规律性的机制,并通过经济个体的行为表现出来 ··经济规律表现为可测度的经济现实(数据资料)称为数据生成过程(DGP)··DGP的确定性(组特征)和随机性(个体异质性) ··现实世界的复杂性意味着经济变量之间的关系会受到随机干扰 ·数据资料是确定性经济规律(组特征)和不确定性干扰(个体异质性)的结果··计量经济学建立在对随机干扰项及其分布(个体异质性)所做假定的基础上 ··确定性理论(可识别的组特征)+不确定性扰动(不可识别的个体异质性)=不确定性知识 ··不确定性知识+对不确定性的度量(对个体异质性的假设)=有用的知识 ·对随机干扰项(个体异质性)的处理需要依赖于统计知识 ··理论部分的可靠性和对干扰项假定的可靠性共同决定了计量模型能否做出真实推断 2. 应用计量经济学研究的核心 ·计量经济学应用的主要目的在于解释变量之间的关系 ·–相关关系 ·–因果关系 ·因果推断 –我们想要知道变量A的变化是否会导致变量B的变化 ·检验理论 ·进行预测 –我们想要知道一个特定的干预或者政策能够产生的影响 ·因果推断是应用计量研究的核心 ··什么是因果效应? –在一个理想化的随机试验中,一个给定的干预或处理对某一结果的影响(Angrist,Imbens& Rubin, 1996) ––给定其他条件不变的情况下,一个变量的变化对另一个变量的影响(Wooldridge,2006) ––结果变量在干预或处理发生时的状况V.S.干预或处理如果没有发生结果变量的状况(反事实) ·教育回报的例子: ·实证研究中我们比较的是上大学的人和没有上大学的人的工资水平 –上大学的人如果没有上大学,他们的工资会和现在没有上大学的人的工资一样吗? ··如何设计一个随机化实验?随机化实验为什么能够进行因果推断?
A pairof potential outcomes:Yi(0) and Yi(1). ·The most common definition of the causal effect at the unit level is as the difference: Yi(1)-Yi(0) ·理想状况:随机化实验 ··实验通常是不可行的 –昂贵的 –有违法律或者伦理的 –操作困难的 ··应用计量经济学研究:使用非实验的数据,模拟准实验的效果 ·如何做到给定其他条件不变? –我们需要的是不确定因素u同解释变量X不相关 ·X变化时,u中所含有的其他好因素不同时发生系统性的变化 –起点:假定u和X不相关 ·加入控制变量:Y=a+bX+cZ+u– ·我们如何确定应该加入那些控制变量? –经济理论 –如果经济理论一定是正确的,为什么还要做实证检验? ·我们能够加入应该加入的控制变量吗? –数据的局限性 理解所关心的treatment的发生机制是正确设定模型的关键: ·The assignment mechanism: –1.randomized experiments: –2.the assignment probabilities do not depend on the potential outcomes (givencovariates): –Unconfoundedness(Rubin, 1990), selection on observables, exogeneity,and conditional independence. –3.assignments with some dependence on potential outcomes. ·计量经济学的作用在于在无法或不适宜进行随机化实验的情况下,在有限的数据条件下,做出准确的因果推断 ··放松对计量模型干扰项的假定 –改进计量模型的确定性(经济理论)部分·通常意味着做出更多更强的理论假设 –从统计学出发,寻找放松干扰项假定的条件·寻求新的计量识别方法 3. 应用计量经济学研究的发展 ·实验、拟实验方法(reduced-formestimation) ·结构计量模型(structuralform estimation) ·70中期至80年代后期结构计量模型比较盛行;近30年,实验、拟实验方法是主流 Matching ·匹配方法–匹配的目的在于增强实验组和控制组的可比性,做法在于控制可观测的特征,这和多元回归模型加入更多控制变量的做法类似,和多元回归分析一样都要求非混淆假定成立(unconfoundedness)(这一假定的类似叫法有Selectionon observables; Conditional zero mean; Conditional independent assignment) ––多元OLS回归为参数估计 ––Matching为非参数或半参估计––相对于多元OLS估计,Matching的改进在于放松模型形式假定,允许对可观测特征以非线性形式加以控制;同时对观测值赋予了不同的权重 ·Matching–方法介绍(Rubin,1973,Biometrics;Rubin,1979,JASA;Rosenbaum& Rubin,1983,Biometrika;Heckman et al., 1998, RES;Imbens,2000,Biometrika;Smith& Todd,2001,AER;Abadie& Imbens,2004, NBER wp) ––经典应用(Heckmanet al., 1997, RES; Dehejia& Wahba;1999, JASA) ––对Matching方法的批评(Smith& Todd,2005,JOE) ·Matching方法需要注意的地方 –Matching的具体方法有很多,PSM,Kernelmathing, Localliner matching,etc;不同方法有其优劣,取决于数据特征和研究的将具体问题 ·国内学术界多用PSM ––Matching和OLS的差异主要有两点:放松了线性函数形式假定;对不同观测值给予不同的权重 ––Matching无法解决OLS估计方法所不能够解决的不可观测变量引起的样本选择问题,相比DID,IV等方法,其应用范围更窄 IV ·工具变量(IV)方法–方法介绍(Angrist,Imbens& Rubin ,1996,JASA;Imbens& Angrist,1994,Econometrica) ––经典应用(Angrist,1990,AER;Angirst& Krueger,1991,QJE; ) –对IV方法的批评:LATE(Heckman& Urzua,2009, NBER wp;Deaton, 2009, NBER, wp) ––对批评的回应(Imbens,2010, JLE) ·IV方法:几个特别值得注意的地方 –Exclusionrestriction无法检验(OIRTest?不像看起来那么有用) ·如何能够说明IV是外生的? –IV估计比OLS估计的精确度要低(se更大) ·需要大样本来增强估计的精度 –弱工具变量可能会导致严重的估计偏误 ·需要工具变量和内生变量有比较强的关系 –IV估计的处理效应只适用于Compliers ·如果存在heterogeneity,IV估计结果无法适用于总体 –充分讨论工具变量的有效性 ·寻找理想的工具变量十分困难·制度、政策冲击、自然变化 –充分认识工具变量方法的局限 DID ·双重差分(Difference-in-differences) –广泛用于政策评估––经典应用(Card& Krueger, 1994, AER; Meyer et al.,1995, AER; Duflo,2001,AER) ––对DID方法的一些评论(Betrand etal., 2004; Abadie,2005,RES)
·DID方法需要注意的地方 –需要两个以上的维度,这对数据有较高的要求 ––识别假设:没有干预或处理的情况下,实验组和控制组有平行的时间趋势·这仍然是一个很强的假定––多期截面较小的数据要注意截面相关问题 ––DID识别假定可以在一定程度上进行证伪检验 RD ·RD designs were first introduced by Donald L. Thistlethwaiteand Donald T. Campbell (1960) as a way of estimating treatment effects innonexperimental setting where treatment is determined by whether an observedassignment (or forcing or running) variable exceeds a known cutoff point. ·断点回归(regressiondiscontinuity) –RD利用由制度或政策或地理因素等引起的处理状态(treatmentstatus)的非连续性跳跃·这种非连续性跳跃被认为是相对外生的 ––SharpRD & Fuzzy RD·FuzzyRD is IV(Angrist& Pischke,2009,MHE)
–方法介绍(Hahnet al., 2001, Econometrica;JOE,2008,Vol.142 专刊;) ––经典应用(Angrist& Lavy,1999, QJE; Klaauw,2002, IER) ––一篇重要的综述:Lee& Lemieux,2010,JLE ·关于RD方法需要注意的地方 –Cutoff的外生性:forcingvariable不能够被操纵 ––对样本量的要求很高 ––带宽的选取非常重要 ––断点两侧函数形式非常重要 ––LATE ***非计量理论的发展: ·日渐丰富的微观数据 ·计算机和计量分析软件–Stata,R,matlab, etc ·国内微观数据(近几年又有很多新的数据诞生) –Census:1982,1990,2000,2005 –CHNS(China Health and Nutrition Survey): 1989,1991,1993,1997,2000,2004,2006,2009 –CHIPS (ChineseHousehold Income Project Survey):1988,1995,2002,2007 –UHS(Urban Household Survey):1986 –CFPS(ChineseFamily Panel Studies) –CHARLS(ChinaHealth and Retirement Longitudinal Study) –CLHLS(Chinese Longitudinal Healthy Longevity Survey):1998,2000,2002,2005,2008,2011 –CGSS:2003,2005,2006 –CHFS( China Household Finance Survey) –中国工业企业调查数据:1998 –中国海关数据 –世界银行企业调查数据 ***对拟实验方法日渐流行的反思 ·Heckan& Urzua,2009,NBERwp ·Deaton,2009,NBERwp ··缺乏对变量之间作用机制的讨论 –验证了因果关系的存在,无法说明产生这种关系的行为基础 –有些研究领域不存在采用准实验方法的条件 –对异质性问题的重视不足 ··对批评的回应(Imbens,2010,JEL) ·拟实验方法的不足是结构计量模型的用武之地? –结构计量模型从经济个体的行为决策建模开始 ––认为有效结合了经济理论和计量模型(王美今、林建浩,2012,经济研究) ·行为模型建立了变量之间的因果关系 ·计量模型定量估计了因果关系的大小 ··理论上的因果关系是假定出来的 ··离开了拟实验方法,是否能够准确的定量估计因果关系的大小? ·两者是互补的,而非替代的(Nevo& Whinston, 2010) –结构计量模型有助于我们理解经济变量之间的行为关系 –拟实验方法下的简约型估计更易于识别准确的因果关系 ··结构模型更依赖于对个体行为的理论假设–仍然需要对误差项做出某些假定 ··拟实验方法更依赖于对计量方程误差项的假定–仍然需要基于一定的理论假说(有时候只需要常识)来建立计量模型· ·结构模型方法更“接近”传统的计量理论 ··拟实验方法和统计学的关系更亲密 ·经济理论关系较复杂的领域(IO,Macro,etc)更适合采用结构模型方法 ·经济理论关系较简单的领域(Healtheconomics, program evaluation, socio-economics, 以及劳动经济学的大部分课题更适合采用拟实验方法) ·我们所研究的问题更看重哪一点:理论机制还是净因果效应的大小? ·计量分析方法的选择和经济个体一般的选择行为一样:权衡取舍–不同的方法依赖于不同的假定(成本),在假定满足的情况下,能够相应的得到我们需要的结果(收益) ··具体到某一个计量方法,其好坏取决于: –所需要的假定是否成立 –能够多大程度上实现我们的研究目的 –选择一个适合你研究目的的计量方法 ··检验或讨论你所采用计量方法的识别假定是否成立 ··实证研究:“求真”(validity)是最基本的要求!“有用”(用于预测?)是第二位的 |
|