【原】互助问答第873期：关于政策时间节点与政策变量滞后的问题

今日提问

     有关2023/3/13 学术苑回答问题的疑虑，链接：https://mp.weixin.qq.com/s/1NfrzSOcHMQIwSkxtGku0w 原问题：经常看到文献中提到，因为政策实施较晚的地区可能在当年难以有效发挥政策作用，而对每年第四季度才开始实施政策的地区进行滞后一期研究。这种滞后一期的处理是必须的吗，不处理是否可以呢？

      学术苑回答：滞后一期处理通常是为了考虑政策实施效应的时间滞后性，即政策实施后需要一定的时间才能体现出效应，因此需要考虑政策实施后一段时间内的数据。如果政策实施后立即就能够体现出效应，则滞后处理不是必须的。但是实际情况往往比较复杂，政策效应的体现可能需要一定时间，同时政策实施的具体时间也可能受到各种因素的影响，因此为了保证结果的可靠性，滞后一期处理是一个常用的方法。

我的问题：请问滞后一期处理有经济金融学英文顶刊的参考文献吗？因为我个人去找顶刊文献支持未找到，所以产生疑虑。麻烦了，感谢！

问题解答

      关于政策时间节点与政策变量滞后的问题。并不在于权威期刊上有没有文献支撑，而在于你的这个政策实施到具体产生效果的时间。有些政策，实施当天就会发生效果，那么这样的政策冲击，其时间维度估计要采用“天”，而不是年。有些政策实施后，需要有一段时间才能有效应，那么你就可以滞后看看效果是否会更好。当然你也可以不滞后，看看有没有效应。

总之，需要具体问题具体分析。

当然，滞后一期处理在经济学和金融学中是一个常用的方法，已经在很多顶尖期刊中得到应用。以下是一些滞后一期处理的经济学和金融学顶尖期刊的参考文献：

1. Stock, J. H., & Watson, M. W. (1993). A simple estimator of cointegrating vectors in higher order integrated systems. Econometrica, 61(4), 783-820.

2. Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.

3. Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.

4. Bai, J. (2009). Panel data models with interactive fixed effects. Econometrica, 77(4), 1229-1279.

5. Juhl, T., & Xiao, Z. (2005). Testing for ARCH in the presence of nonlinearity of unknown form in volatility. Journal of Econometrics, 126(1), 81-112.

6. Ferrara, G., Marsilli, C., & Viviano, E. (2019). Monetary policy and bank risk-taking: Evidence from a natural experiment. Journal of Financial Economics, 133(2), 357-378.

需要注意的是，滞后一期处理并不是适用于所有经济和金融数据分析问题的解决方案，而是在特定情况下可以提高模型的准确性和可靠性。因此，选择合适的数据分析方法应该根据具体问题和数据特征进行综合评估和判断。

本期关键词

数据处理

本期知识科普

滞后处理通常是针对时间序列数据中存在的自相关性和趋势进行的一种常见方法。通过将变量向前或向后移动一个或多个时间单位，可以消除或减少这些问题的影响，从而更好地探讨变量之间的关系。对于某些数据集或特定研究问题，滞后处理可能不是必需的，因为可能不存在明显的自相关性或趋势。但是，在面对时间序列数据时，通常建议尝试进行滞后处理，以避免错误结论或估算不准确的参数。

在时间序列数据中，处理滞后项采用引进延迟算子方式。延迟算子类似于一个时间指针，当前序列值乘以一个延迟算子，就相当于把当前序列值的时间向过去拨了一个时刻。记B为延迟算子，中心化的AR（p）模型则有：

一般来说，滞后期数的选择通常需要基于数据特性和研究问题而定，没有一种固定的标准或方法。以下是一些可能有用的考虑：

（1）数据特性：变量的时间相关性、波动、趋势等情况可能影响滞后期数的选择。可以通过绘制自相关图或偏自相关图来确定自相关结构。

（2）研究问题：模型中的变量之间的关系、更长时间周期的因素和季节性因素等都可能会影响滞后期数的选择。例如，对于季节性数据，通常需要考虑使用几个季度的滞后项。

（3）模型拟合：可以使用信息准则（如AIC、BIC）和交叉验证等技术进行模型拟合并比较不同滞后期组合的效果，选择具有最小信息准则值或最优预测性能的模型。

（4）先验知识：对于特定行业或领域，经验知识和领域专业知识也可能会影响滞后期数的选择。