显著不显著的后背是什么, 非(半)参估计里解决内生性
凡是搞计量经济的，都关注这个号了
邮箱：econometrics666@sina.cn
所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.
感谢@小苏 @伤心的奶牛 @Beet @Pengbin @Bee @Rimbaud @Pheastra.H等群友探讨. 可以到计量社群交流计量发展的最前沿。
1.“回归系数不显著”相关问题在计量经济圈社群探讨的延申：
首先要理解显著不显著背后的含义是啥。我们常见的总体数据特征是期望和方差，但由于现实中不易得到总体数据，而更多的时候得到的是总体的一个样本，用样本特征去推断总体特征，这里常见得样本特征即样本均值和样本方差，那么为啥可以用一个样本特征去推断总体特征呢？
这里就要扯到抽样分布了，以样本均值为例，抽样分布讲的是，假设我们可以重复抽样每一次抽样都有一个不大一样的样本均值，这样样本均值就构成了一个分布，再对这个样本均值分布求期望，在理论上就是总体均值了，但现实中我们不可能去重复抽样，抽样分布只是理论上得推导，所以这时候就用到了假设检验。
由于样本是从总体中来的，理论上我们一次抽到的样本均值不应离总体期望太远，我们假设一个总体期望，当样本均值与总体期望相近的时候t值就很小，p值就很大，即当前样本没有证据拒绝假设的总体期望，而当样本均值与假设的总体期望离的很远时t值就很大p就很小，这时统计学家就说在我们提出的这个假设下，我们一次抽样就发生了小概率事件这一般来说是不可信的，在当前样本下没有证据接受原假设，但这样就可能会犯两类错误......（另外还要考虑标准误之类的，p值不显著可以试试样本量大一些，让标准误小点。)
同样道理我们估计的贝塔系数也是基于样本估计出来的，实证的工作就是用它来估计总体系数，那么为啥用一个样本就可以估计总体，还是抽样分布，假设可以重复抽样，每次抽样都有一个贝塔，再对该贝塔系数分布求期望理论上就是总体系数，（就是常说的无偏性，这也是最小二乘的性质)。
但我们不会去重复抽样，所以假设一个总体系数，一般设为0，由于样本从总体中来，所以理论上如果我们的假设是正确的，则样本估计的贝塔不应离0很远，这时t很小p很大，但如果t很大p很小则说明我们估计的系数离0很远，当前样本没有证据接受原假设，或说一次抽样发生了小概率事件这是不大可能的，所以我们拒绝原假设，然而同样可能会犯两类错误。然而在总体数据可得的情况下统计推断就不再适用了，这时因果推断就开始登场了……
2.关于这篇文章在计量经济圈社群延申的探讨：内生变量的交互项如何寻工具变量, 交互项共线咋办
structural form和reduce form整个的研究逻辑都不太一样了，微观的structural 就没那么强调IV这类causal inference的，structural的人很多都默认自己的模型就是不存在endogeneity的，他们研究的卖点也主要是在于模型，而不是causality的严谨性判断。这种特点在搞empirical IO的那帮人身上比较显著。而咱们搞OLS的，卖点往往是causal inference。
另外，“我看很多文章是把把半参和非参作为参数估计后的稳健型检验” 可能还有另外一个原因。现在由于知识更加专业化，能够同时精通计量和其他领域的学者也越来越少了。例如搞labor的，可能一辈子专注于找IV，DID这些，实际上对于semi-parametric的了解并不多，所以当他们作为你的审稿人的时候，他们基本只会关注你的OLS部分，你搞Labor实证研究要过他们的审，用OLS就够了。另一部分审稿人，他们可能对于IV不精通，但是专注于搞计量，对于计量模型的各种假设、设定非常清楚也非常较真儿，你如果遇到他们审稿，却只用OLS，和可能被他们插得很惨。所以就会出现你说的这种现象，投labor杂志，审稿人大概率是专注搞labor的，但是保不准来一个搞计量的，所以就是OLS为主，semi-parametric作为robustness check。
Pengbin: 参数和半参数主要是解决模型函数形式误设的问题 但是也不是解决内生性。
对，我指的是非参和半参加上IV这类~
是的，根据审稿人来做出的应变，也是一种学习路径。内生性是个无底洞，现在趋势是外生冲击去解决或者实验控制，已经看到越来越大比例top文章是这个。
3.关于RDD的falsification test在计量经济圈社群探讨的延申：
他这个跟DID是一样的类似的，就是非受到政策(干预)影响的那些组别的效应是不显著的。
比如本来政策发生时间是2008年，然后你把时间放在2007年进行原来的回归，当然需要是不显著的，这就是falsification test。
又比如政策是发生在某些行业的公司，那你用其他那些未收到影响的行业的公司去做回归就不能显著，这也是falsification test。
RDD这里是是一种running variable，要么时间，要么距离，反正两个组别就是在某个方面分开成了两段，但是这两段在很多方面都是极其相似的，因此做了一个local averagel treatment effect那种局部因果推断。
可以到计量社群交流计量发展的最前沿。
推荐阅读：
2.1998-2016年中国地级市年均PM2.5数据release
4.2005-2015中国分省分行业CO2数据circulation
5.实证研究中用到的135篇文章, 社科学者常用toolkit
可以到计量经济圈社群进一步访问交流各种学术问题，这年头，我们不能强调一个人的英雄主义，需要多多汲取他人的经验教训来让自己少走弯路。
计量经济圈是中国计量第一大社区，我们致力于推动中国计量理论和实证技能的提升，圈子以海内外高校研究生和教师为主。计量经济圈绝对六多精神：社科资料最多、社科数据最多、科研牛人最多、海外名校最多、热情互助最多、前沿趋势最多。如果你热爱计量并希望长见识，那欢迎你加入到咱们这个大家庭(戳这里)，要不然你只能去其他那些Open access圈子了。注意：进去之后一定要看小鹅社群“群公告”，不然接收不了群息，也不知道怎么进入咱们独一无二的微信群和QQ群。在规则框架下社群交流讨论无时间限制。