查看原文
其他

天下回归, 无内生性不破, 唯此神文不破, 练就内生性处理的终极大法!

计量经济圈 计量经济圈 2022-05-11

凡是搞计量经济的,都关注这个号了

箱:econometrics666@126.com

所有计量经济圈方法论丛的do文件, 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.

“各领域顶级外文期刊”菜单栏使用指南, 最新文章和目录浏览!

正文

关于下方文字内容,作者:孙沁竹,复旦大学经济学院,通信邮箱qzsun_fdu@163.com
作者之前的文章:为啥北方孩子普遍更胖? 空气污染惹的祸还是背的锅?
Hill, A. D., Johnson, S. G., Greco, L. M., O’Boyle, E. H., & Walter, S. L. (2020). Endogeneity: A review and agenda for the methodology-practice divide affecting micro and macro research. Journal of Management, 0149206320960533.
Abstract: An expanding number of methodological resources, reviews, and commentaries both highlight endogeneity as a threat to causal claims in management research and note that practices for addressing endogeneity in empirical work frequently diverge from the recommendations of the methodological literature. We aim to bridge this divergence, helping both macro and micro researchers understand fundamental endogeneity concepts by: (1) defining a typology of four distinct causes of endogeneity, (2) summarizing endogeneity causes and methods used in management research, (3) organizing the expansive methodological literature by matching the various methods to address endogeneity to the appropriate resources, and (4) setting an agenda for future scholarship by recommending practices for researchers and gatekeepers about identifying, discussing, and reporting evidence related to endogeneity. The resulting review builds literacy about endogeneity and ways to address it so that scholars and reviewers can better produce and evaluate research. It also facilitates communication about the topic so that both micro- and macro-oriented researchers can understand, evaluate, and implement methods across disciplines.
摘要:在管理学研究中,越来越多的方法论文献、综述与评论性文章视内生性为一大威胁,而实证研究中采用的内生性处理方法往往与方法论文献中提出的建议相悖。本文试图通过以下方式消除这一隔阂:本文首先定义内生性的4种成因,总结归纳管理学实证研究中出现的内生性成因与解决方案,将恰当的内生性处理手段与方法论文献匹配整理,并对投稿审稿双方给出有关内生性的识别、讨论与结果汇报的建议。本文介绍了内生性及其解决方案,帮助学者更好的进行研究创作与质量评估。本文也促进了宏微观的不同研究者之间对内生性问题的沟通共识。
内生性指的是解释变量与残差项相关,导致估计偏误,而偏误的方向往往难以判别。正因如此,内生性给因果推断与建模造成了很大挑战。近年来的管理学文献越来越多地讨论并试图解决这一问题,但学者们往往声称内生性不影响研究的基本结论。然而,当我们考察已有研究对内生性的具体处理时,常常发现:不同学者在内生性的处理上分歧很大,并且常常与计量方法论文献对内生性处理的讨论有所出入。本文以下将首先介绍内生性及其4种成因,梳理已有实证研究对内生性的讨论情况;接下来,本文会回到计量方法论文本,整理不同内生性成因对应的正确处理方式,并提供有关内生性识别、讨论、结果汇报等方面的建议。
1.The Problem of Endogeneity and Why It Matters
研究者往往关心因果关联,而识别因果最干净的方法莫过于随机试验,通过对解释变量x的随机指派,可以使得随机试验的效果不受遗漏变量的影响,从而杜绝内生性。然而,随机试验不一定合意或可行,因此研究者也经常采用档案数据、准实验数据、调查数据作为替代。分析这类数据的难点在于:若要确保估计系数反映真实的因果效应,需要满足一定前提假设。本文讨论的是外生性的假定,即残差与解释变量不相关。Wooldridge认为:理解残差项在本质上是理论问题,因为残差项是由解释变量未捕捉到的信息构成的。也正因如此,对内生性的识别处理一定要结合具体研究背景。本文参考Wooldridge(2010),将内生性成因归纳为四类:遗漏变量,互为因果,测量误差,选择偏误。
2.How Scholars Discuss Endogeneity
本文梳理了管理学实证文献中对内生性的处理方式。本研究首先以内生性为关键词,对2014-2018年间管理学顶刊中的实证文献做了归纳(如Academy of Management Journal, Administrative Science Quarterly, Journal of Management, Journal of Applied Psychology, Strategic Management Journal等),收集了涉及内生性讨论的所有文献共435篇。
本文发现,实证文献往往会主动指出内生性的存在,但总是声称内生性已得到解决或不影响结果。在提及内生性的文献中,有58.2%提供了解决方法,30.1%使用了稳健性检验,其中只有1.5%文献在处理内生性后结果与基准回归不同。延长文献整理范围、拓宽关键词识别范围等稳健性操作也没能改变上述现象。
相较于实证文献在内生性处理方法上有意无意的滥用,评论性文章则对这一趋势进行了批评。本文发现,在210篇使用工具变量的文献中,有150篇进行了解释,但大多数并未指出内生性具体来源与工具变量的合理性。内生性处理方法的滥用会导致学者在解决内生性时有意选取不影响基准结果的处理方法,从而在研究发表上形成“内生性不影响结果”的不良趋势。
为了进一步探究学者如何解释内生性成因,本文根据此前的分类(遗漏变量,互为因果,测量误差,选择偏误)对收集的文献进行归纳。从结果看,提及次数最多的内生性成因讨论是选择偏误,占到文献量的32.1%;第二多的为“仅笼统讨论内生性”,占到了24.8%。
有几点需要着重指出。首先,近几年的很多文献把内生性的讨论单独放到附录里,本文认为:解决内生性是研究中的重要部分,不应排除在正文以外。其次,很多文献通过参考引用前人研究,以证明自己处理内生性方法得当。但这一方面会导致我们难以确定内生性处理方法得当的文章比例,另一方面也会导致前人研究在方法论上的潜在错误不断重复放大。而本文通过回顾有关内生性处理方法的计量方法论文献,发现管理学顶刊上相关理论资料其实不少,但学者往往热衷于引用前人实证研究,却不追根溯源参考最原初的计量理论。因此,本文以下将回顾计量理论文本,为学者提供方法论上的建议参考。
3.Endogeneity: Causes and Associated Solutions in the Literature
管理学中的内生性问题发端于企业研究层面,这是因为企业行为不可避免地由内生决定,而内生性的探究随后也拓展到微观领域。本文发现,管理学文献对内生性的讨论在术语与定义上不够统一规范,不同研究领域的解决方式与关注重点也不一致。本文发现,很多文献仅笼统表述内生性,却未具体说明内生性来源,这容易导致内生性处理方法的误用。本文根据内生性成因的分类,归纳整理了适当的内生性处理方式。
3.1 Cause 1: Omitted Variable Endogeneity
遗漏变量内生性指的是:遗漏变量进入残差,导致残差项与解释变量相关。但从实际研究来看,现实中的遗漏变量本来就是数不尽的,不可能彻底包含,何况有些遗漏变量无法度量(如能力因素),因此遗漏变量问题极为普遍。以下介绍可供参考的解决方案。
3.1.1 Solution 1: Design
通过随机指定参与者进入处理组或试验组,可以保证遗漏变量在处理组与试验组分布一致,从而避免内生性问题。而对于不可观测的遗漏变量(如能力),首先需要确定最重要的遗漏变量,并通过研究设计降低不可观测遗漏变量在控制组与试验组中的差异。
3.1.2 Solution 2: Control and proxy variables
如果控制变量能完美度量遗漏变量,那就可以解决内生性;但如果找不到恰当的控制变量,也可以为遗漏变量找代理变量。从本质上看,代理变量就是存在测量误差的遗漏变量,因此这又形成了新的问题:即要同时保证代理变量本身和由此产生的测量误差不会带来新的内生性。
是放任不管遗漏变量,还是用代理变量控制?这取决于代理变量与遗漏变量的吻合度,这自然又是一个主观问题。Frank(2000)与Pan and Frank(2003)构建了一种判断方法,可以估计出遗漏变量造成的偏误程度是否改变统计推断,称为混淆变量的影响阈值(Impact threshold of a confounding variable, ITCV)。ITCV有助于理解遗漏变量问题在研究中是否严重,也可当作判定控制变量多寡的原则性手段。但需要注意的是,ITCV改变了研究的重点,将研究的目光聚焦于统计推断的显著性,而不再关注估计量的无偏性。
3.1.3 Solution 3: Fixed effects
对于面板数据,可以用固定效应控制住个体异质性,即误差项中不随时间变化的部分。显然,个人能力这一不随时间变动的遗漏变量可以通过固定效应的方式控制住。但需要注意:固定效应不能根除随时间变动的内生性因素;另外,固定效应只能估计组内效应,不能估计组间效应。为此,Bliese et al.(2020)提出:控制住组内均值的随机效应模型可以代替固定效应模型,并可以同时得到组内效应和组间效应的无偏估计。
3.1.4 Solution 4: Instrumental variables
工具变量z需要同时满足外生性与相关性的假设,与y外生,与x相关。但从实际研究看,外生性的假设无法直接证明,需要研究背景的理论支撑;而与x的相关性必须是强相关,弱工具变量会造成更大的偏误。工具变量的选取可以参考这两种思路:找内生变量中外生随机的部分,或使用内生变量的滞后项。但这些仍然都需要研究背景支撑,不能一概而论。
近年来的一些新方法指出,在联立方程模型的框架内,我们可以找到模型中隐含的工具变量(model-implied instrumental variable, MIIV),从而无需额外寻找新的外生工具变量。然而,这意味着更强的模型假定。因此MIIV只能在特定研究中发挥作用。
3.2 Cause 2: Simultaneity
反向因果指的是y作用于x,在这种情形下添加控制变量与代理变量不能解决问题,而工具变量法仍然有效。而对于面板数据,当我们控制住结果变量的滞后项,内生性的问题也可以得到缓解。如果x与y并不在同期互相影响(如:影响影响),跨期的反向因果会导致违反残差相互独立的回归假定,出现序列相关,较难处理。反向因果的解决方案如下。
3.2.1 Solution 1: Design
随机试验通过人为操纵解释变量x创造出外生环境,而准实验的设计则是寻找外生冲击模拟随机试验。考虑到外生冲击往往不完全外生,因此需要使用计量方法做因果推断。如果观测数据不存在序列自相关,那么使用面板数据可以缓解反向因果问题,但需要首先对序列自相关进行检验。
3.2.2 Solution 2: Instrumental variables
在互为因果的内生性问题中,使用工具变量的方法与遗漏变量下的思路一样,即对每个内生变量选取至少一个工具变量。但仍值得注意的是,工具变量的选取必须结合理论背景与统计检验。
3.3 Cause 3: Measurement Error Endogeneity
实证文献很少视测量误差为内生性来源,这可能是由于绝大多数的计量模型只有当测量误差不存在时才是合意的。如果已知测量误差的起因,那么这一问题本质上就转化成遗漏变量问题。测量误差内生性的解决方案如下。
3.3.1 Solution 1: Design
利用实验设计解决测量误差的要点在于使用没有系统性偏误的测量方式。无论收集的是原始数据或档案数据,主体思路都是:使用有效的测量工具或调查设计手段去降低测量误差。而档案数据的好处是:可用的度量手段多样,所以只要多种度量手段得到的结果一致,就可以认为结果不存在误差。但仍需要注意,实验设计并不总能根除测量误差的内生性,我们还是要回到研究背景去思考残差项与解释变量是否相关。
3.3.2 Solution 2: Account for measurement error
已有研究可以直接对测量误差进行建模估计,常见的如潜变量模型中用到的联立方程模型等。这种方法可以建模刻画残差与解释变量和潜变量之间的相关性。另一种方法是利用标签变量(marker variable),直观思路是:找到外生的具有相似测量误差的变量,它和解释变量本不相关,那么观测到的相关性就来源于测量误差,从而可以识别出测量误差的大小。
3.4 Cause 4: Selection
选择偏误分为样本自选择与选择性处理两种机制。样本自选择指的是:观测到的样本已经经过非随机的筛选;而选择性处理指的是:解释变量的大小非随机生成,而是内生处理的结果。解决方案如下。
3.4.1 [Selection into Sample] Solution 1: Design
随机试验可以缓解样本自选择,但并非万无一失。其一是外部有效性有限,如:随机指定公司员工参加培训的因果效应只适用于该公司职员。其二是随机试验需确保参与者不能自选择进入试验组与控制组,否则内生性仍无法解决。
3.4.2 [Selection into Sample] Solution 2: Heckman selection model
以Heckman (1976)为例,Heckman考察了女性劳动力在工时与工资上相对于男性的差异。这一研究的内生性问题在于:选择参与工作的女性是自选择的结果,不代表女性总体。由于无法得到不进入观测的样本信息,也就无法通过控制的思路解决问题。样本自选择的一大特征在于:自选择下的观测不是代表性样本。这一点区别于其他内生性来源。
从方法上而言,Heckman选择模型与工具变量法很像。Heckman模型的第一阶段引入外生变量w,用probit模型估计样本进入观测的概率(转化为反米尔斯比);第二阶段用结果变量对一阶段的估计值回归。
3.4.3 [Selection of Treatment] Solution 1: Design
与上文类似,随机试验可以缓解选择性处理的内生性,但麻烦之处在于:当核心解释变量是连续型变量时,设置控制组与无穷多的试验组困难很大。我们要么花费高昂代价去人为设置不同试验组,要么找到好的外生冲击让个体自动分组。
3.4.4 [Selection of Treatment] Solution 2a: Omitted variable techniques
如果内生解释变量是连续型或定序型的,可以仿照遗漏变量内生性的处理方法来解决。
3.4.5 [Selection of Treatment] Solution 2b: Heckman treatment model
如果内生解释变量是二元离散型的,用2SLS与IV法不甚恰当,而应采用Heckman处理模型。该模型的第一阶段关注是否处理的预测值,其他部分与Heckman选择模型类似。Heckman处理模型有几点需要注意:首先,对于二元内生选择模型,处理效应的估计系数有多种可能的解释。如果处理机制不同,不同的处理效应系数可能都会不同。如:员工培训的处理效应既可以解释为员工从培训中的收益,也可以解释成未参加培训者如果参加培训的潜在收益——这两者不一定相同。而对于多元离散选择,则需要单独设计处理模型并对处理效应仔细考察。
3.4.6 [Selection of Treatment] Solution 2c: Estimating average treatment effects
对于二元处理的自选择问题,很多方法都在估计平均处理效应。这些方法可以归纳为两类:一类是用DID的方法计算处理组参与者的处理效果相较于控制组潜在处理效果的差异;另一类是用合成控制方法(包括匹配,倾向值方法,广义精确匹配等),在保证处理组与控制组具有相似性的基础上进行比较。总的而言,这些方法并不能解决内生性,而是向人们证明内生性不足为虑。
3.4.7 [Selection of Treatment] Solution 3: Regression discontinuity designs (RDDs)
最后的解决二元选择内生性的方法是断点回归,基本想法是:在外生的断点附近形成随机试验的场景,自动区分开控制组与试验组。断点两端的观测值在所有遗漏变量上均高度相似,因此可以干净的排除内生性。断点回归的要点在于:1) 如何选择带宽;2) 断点是否完全隔绝开控制组与试验组,即精准断点与模糊断点的分别。
3.5 The Possibility of Multiple Causes of Endogeneity
一项研究也可能同时存在多种内生性。首先,某一解释变量可能存在遗漏变量、测量误差等多种导致内生的因素;其次,不同的解释变量可能都具有内生性。在这两种情形下,解决某一内生性因素并不保证解决其他的内生性因素。尤其需要注意的是,任一变量的内生性会导致所有解释变量的系数均出现偏误。因此,研究者需要回到研究背景去挨个儿识别所有变量的所有内生性成因。
4.Recommendations to Bridge the Methodology-Practice Gap
通过对已有文献的梳理,本文发现:在管理学期刊中,对内生性的讨论很少探究其成因;已有研究对内生性的处理方式没有很好的说明;并且往往在文末声称自己完全解决了内生性。事实上,对内生性的处理很难做到完美,学者往往要对实证设计进行权衡。以下给出一些建议,帮助学者将实证研究与内生性的计量理论更好结合起来。
4.1 Clear Diagnosis of Endogeneity
处理内生性的第一步在于识别内生性的存在与成因。本文给出三点想法:首先,学者应按照此前总结出的内生性成因分类逐次判断,为之后针对性的处理内生性做铺垫。其次,学者在讨论内生性时应当规范专业术语,并避免对研究设计的内生性作笼统表述,而是更具体的说明内生性成因。再者,学者要在不同术语之间建立起思维联系,如omitted variable也称left out variable或missing variable。这能增进不同领域学者间的沟通探讨。
而对审稿人来说,在审稿时也应强调关注具体的内生性问题,并避免投稿人选用不恰当的内生性处理手段。总而言之,审稿投稿双方应该在内生性的问题上有具体沟通,而不能空谈。
4.2 Justify the Technique Used to Address Endogeneity
参考以往实证文献的内生性处理经验有一定作用,但仅仅依赖这种做法、而不去参考计量理论文本是不足的。其一,前人实证文献在实证研究上可能本身就存在瑕疵,或在方法论上已经过时;其二,内生性处理方法的选择依赖于特定的研究背景,正如一项研究中使用的工具变量不一定适用另一项研究。以下给出4点建议,帮助研究者证明内生性处理方法是否适当。
首先,如果处理内生性的方法错误,还不如不处理内生性,否则可能问题更严重,因此需要先考虑处理内生性是否必要。其次,一旦确定了内生性的成因,需要参考计量方法论文本,而不能仅通过引用前人实证文献为本研究背书。只有这样才能避免研究者不断重复放大前人研究中的谬误与不足。再者,在选取合意的内生性解决方案时,需要在文章里清楚阐述该方法的前提假设。最后,研究者需要提供有关内生性处理的具体细节,帮助他人明白该方法的充分必要性。
另外,审稿人应当要求投稿人清晰阐述研究中的内生性来源,并在结果汇报中具体呈现。如果文章容量有限,应当要求投稿人以附录形式展示相应内容。
4.3 Transparency in the Prognosis of Results
在汇报结果时,应当完整呈现处理内生性的统计检验过程,这样才能帮助后续研究者在前人研究的基础上进步。
4.4 A Final Recommendation
投稿审稿双方需要记住的最后一点是:任何研究都无法彻底消除所有内生性可能。各项研究都有其各自侧重点,也会从不同角度去讨论内生性,这也是为什么我们希望用不同的研究设计对同一项课题进行反复探讨,这样才能保证该课题的内生性处理是全面的。
5 Conclusion
基于对管理学文献的回顾,本文发现:在内生性的处理上,学者在内生性的诊断、方法使用的恰当性、结果汇报等方面均不够清晰。因此,本文为上述问题的解决提供了步骤说明,希望未来管理学研究能够在内生性处理上形成统一的范式。

下面再按照各种内生性问题,整理了上百篇专栏性文章。

就内生性问题及其解决方法,参看例如:看完顶级期刊文章后, 整理了内生性处理小册子1.“内生性” 到底是什么鬼? New Yorker告诉你2.Heckman两步法的内生性问题(IV-Heckman);3.IV和GMM相关估计步骤,内生性、异方差性等检验方法4.最全估计方法,解决遗漏变量偏差,内生性,混淆变量和相关问题5.毛咕噜论文中一些有趣的工具变量!6.非线性面板模型中内生性解决方案7.内生性处理的秘密武器-工具变量估计8.内生性处理方法与进展9.内生性问题和倾向得分匹配10.你的内生性解决方式out, ERM独领风骚11.工具变量IV必读文章20篇, 因果识别就靠他了12.面板数据是怎样处理内生性的13.计量分析中的内生性问题综述14.工具变量IV与内生性处理的解读15.一份改变实证研究的内生性处理思维导图;16.Top期刊里不同来源内生性处理方法17.面板数据中heckman方法和程序(xtheckman);18.控制函数法CF, 处理内生性的广义方法19.二值选择模型内生性检验方;20.2SRI还是2SPS, 内生性问题的二阶段CF法实现;21.内生变量的交互项如何寻工具变量;22.工具变量精辟解释, 保证你一辈子都忘不了,23.不同来源的内生性问题需要不同的修正方法!24.实证分析中的内生性问题综述,一篇值得阅读和推荐的作品!,25.一张图掌握Top期刊里不同来源内生性处理方法!26.简洁的内生性问题处理思维流程图, 并且还附上检验的代码!27.最全利用工具变量控制内生性的步骤和代码—在经管研究中的应用,28.实证研究中自选择基础上的内生性问题回顾, 建议和纠正措施!29.实证研究中基于自选择的内生性问题修正方法:回顾、建议与模拟!30.不同来源的内生性问题需要不同的修正方法!31.不用IV, 基于异方差解决内生性问题方法的使用建议, 附上程序和示例!32.最清晰的内生性问题详解及软件操作方案!实证研究必备工具!33.内生性问题研究: 4篇推荐与8点认识,34.Quasi-experiment经典文章, 有趣且内生性检验新颖

关于合成控制法,1.匹配, 双重差分, 合成控制, 断点回归方法的比较, 思想原理, 适用范围和主要特征,2.断点回归RD和合成控制法SCM免费课程, 文章, 数据和代码全在这里, 有必要认真研究学习!3.中文刊上用断点回归RDD和合成控制法SCM的实证文章有哪些?不看至少需要收藏一下!4.合成控制法创始人如何用SCM做实证呢?这些规定动作一个都不能少!5.最新: 运用机器学习和合成控制法研究武汉封城对空气污染和健康的影响!6.关于合成控制法SCM的33篇精选Articles专辑!小组惊动了阿里巴巴!7.合成控制法与HCW方法, 谁能够走得更远?8.广义合成控制法gsynth, Stata运行程序release,9.广义合成控制法gsynth, 基于交互固定效应的因果推断,10.再谈合成控制法SCM, 帮你寻找因果推断控制组,11.合成控制法什么鬼? 因果推断的前沿方法指南

关于面板数据模型,1.面板数据方法免费课程, 文章, 数据和代码全在这里, 优秀学人好好收藏学习!2.面板数据中标准误的估计方法, 你确定用对了吗? 我们来比较一番!3.疫情期计量课程免费开放!面板数据, 因果推断, 时间序列分析与Stata应用,4.用Stata做面板数据分析, 操作代码应有尽有,5.面板数据为什么好?读了这篇你才会明白,6.GMM和工具变量在面板数据中的运用,7.面板数据聚类, 因子分析和主成分分析咋做? 8.伪面板回归是什么, 诺贝尔经济学家推荐使用,9.面板数据中介效应的计算程序, 打开面板这扇门,10.面板数据模型操作指南, 不得不看的16篇文章,11.2SLS第一阶段输出, 截面或面板数据及统计值都行,12.面板数据模型操作指南, 不得不看的16篇文章,13.面板数据中heckman方法和程序, 动态, 0-1面板和内生性选择都行,14.面板数据是怎样处理内生性的,一篇让人豁然明朗的文章,15.面板数据计量方法全局脉络和程序使用指南篇,16.面板数据密度图和时间趋势图韩城攻略和常见操作,17.面板数据里处理多重高维固定效应的神器, 还可用工具变量处理内生性,18.reg3, 多元回归, 面板数据, 方差分析, 异方差和自相关检验和修正的Stata程序Handbook,19.面板数据的DID估计,透彻解读,20.非线性面板模型中内生性解决方案以及Stata命令,21.面板数据、工具变量选择和HAUSMAN检验的若干问题,22.把动态面板命令讲清楚了,对Stata的ado详尽解释,23.动态面板回归和软件操作,单位根和协整检验(Dynamic Panel Data)
关于DID相关文章0.双重差分DID方法免费课程, 文章, 数据和代码全在这里, 优秀学人必须收藏学习!1.DID运用经典文献,强制性许可:来自对敌贸易法的证据2.连续DID经典文献, 土豆成就了旧世界的文明3.截面数据DID讲述, 截面做双重差分政策评估的范式4.RDD经典文献, RDD模型有效性稳健性检验5.事件研究法用于DID的经典文献"环境规制"论文数据和程序6.广义DID方法运用得非常经典的JHE文献7.DID的经典文献"强制许可"论文数据和do程序8.传销活动对经济发展影响, AER上截面数据分析经典文9.多期DID的经典文献big bad banks数据和do文件10.因果推断IV方法经典文献,究竟是制度还是人力资本促进了经济的发展?11.AER上因果关系确立, 敏感性检验, 异质性分析和跨数据使用经典文章12.第二篇因果推断经典,工作中断对工人随后生产效率的影响?13.密度经济学:来自柏林墙的自然实验, 最佳Econometrica论文,14.AER上以DID, DDD为识别策略的劳动和健康经济学,15.一个使用截面数据的政策评估方法, 也可以发AER,16.多期DID模型的经典文献,big bad banks讲解",17.多期DID的经典文献big bad banks数据和do文件,18.非线性DID, 双重变换模型CIC, 分位数DID,19.模糊(Fuzzy)DID是什么?如何用数据实现呢?20.多期DID的big bad banks中文翻译版本及各细节讲解,21.DID中行业/区域与时间趋势的交互项, 共同趋势检验, 动态政策效应检验等,22.截面数据DID操作程序指南, 一步一步教你做,23.DID的研究动态和政策评估中应用的文献综述,24.连续DID经典文献, 土豆成就了旧世界的文明,25.DID双重差分方法, 一些容易出错的地方,26.连续DID, DDD和比例DID, 不可观测选择偏差,27.加权DID, IPW-DID实证程序百科全书式的宝典,28.DID和DDD, 一个简明介绍, 双重和三重差分模型,29.DID过程中总结的地图展示技巧,30.DID的平行趋势假定检验程序和coefplot的其他用法,31.截面DID, 各种固定效应, 安慰剂检验, 置换检验, 其他外部冲击的处理,32.实践中双重差分法DID暗含的假设,33.过去三十年, RCT, DID, RDD, LE, ML, DSGE等方法的“高光时刻”路线图,34.计量院士首次用DID方法分析, 中国封城对新冠病毒扩散的影响!,35.截面DID, 各种固定效应, 安慰剂检验, 置换检验, 其他外部冲击的处理,36.诺奖夫妇的中国学生, “DID小公主”的成名之作, 茶叶价格与中国失踪女性之谜!,37.前沿: 反向DID, 反向双重差分法DDR全解析, 辅以实证示例!38.英诺丁汉大学校长为你讲解逐年PSM匹配-DID方法的操作, 并配上自己写的一篇范文!39.逐年PSM匹配后再DID识别因果的实证范文, 这就是逐年PSM-DID的操作范式!40.用事件研究法进行因果识别如何做? 有什么好处? 与DID结合起来潜力无穷!41.Abadie半参数双重差分DID估计量, 使你的平行趋势假设更加可信!42.弹性DID, DID的终极大法, 关于DID各方法总结太赞了!43.二重差分法分析(DID)44.比DID更加灵活的DDID政策效应评估方45.DID思路和操作,一篇相关实证文献46.二重差分法深度分析(DID),三重差分兼论47.面板数据的DID估计,透彻解读48.PSM-DID, DID, RDD, Stata程序百科全书式的宝典49.关于DID的所有解读, 资料, 程序, 数据, 文献和各种变形都在这里50.分位数DID, PSMDID, 政策前协变量平衡性检验操作步骤和案例51.PSM-DID, DID实证完整程序百科全书式的宝典52.逐年匹配的PSM-DID操作策略, 多时点panel政策评估利器53.广义DID, DID最大法宝, 无所不能的政策评估工具54.渐进DID专治各种渐进性政策的良药, 可试一试疗效55.双重差分DID的种类细分, 不得不看的20篇文章56.找不到IV, RD和DID该怎么办? 这有一种备选方法57.在教育领域使用IV, RDD, DID, PSM多吗? 使用具体References58.DID和IV操纵空间大吗? 一切皆为P-hacking59.第一篇中文DID实证论文长啥样? 60.世界上第一篇DID实证论文长啥样?61.关于双重差分法DID的32篇精选Articles专辑!62.空间双重差分法(spatial DID)最新实证papers合辑!63.空间DID双重差分方法的文献, spatial DID64.多期三重差分法和双重差分法的操作指南65.多期双重差分法,政策实施时间不同的处理方法66.三重差分法运行和示例,67.如何设计双重差分法DID: 各种政策研究的最佳指南!

关于匹配方法相关文章1. PSM倾向匹配Stata操作详细步骤和代码,干货十足,2.处理效应模型选择标准,NNM和PSM,赠书活动,3.PSM和马氏匹配已淘汰, '遗传匹配'成因果推断匹配之王,4.PSM, RDD, Heckman, Panel模型的操作程序, selective文章精华系列,5.广义PSM,连续政策变量因果识别的不二利器,6.PSM-DID, DID, RDD, Stata程序百科全书式的宝典,7.在教育领域使用IV, RDD, DID, PSM多吗? 使用具体References,8.分位数DID, PSMDID, 政策前协变量平衡性检验操作步骤和案例,9.逐年匹配的PSM-DID操作策略, 多时点panel政策评估利器,10.执行PSM的标准操作步骤, 不要再被误导了,11.PSM匹配后如何保留配对样本? 1:1, 1:4或更多情况呢?12.逐年PSM匹配后再DID识别因果的实证范文, 这就是逐年PSM-DID的操作范式!13.英诺丁汉大学校长为你讲解逐年PSM匹配-DID方法的操作, 并配上自己写的一篇范文!14.内生性问题和倾向得分匹配, 献给准自然试验的厚礼,15.粗化精确匹配CEM文献推荐, 程序步骤可复制,16.DID, 合成控制, 匹配, RDD四种方法比较, 适用范围和特征,17.匹配方法(matching)操作指南, 值得收藏的16篇文章,18.中国工业企业数据库匹配160大步骤的完整程序和相应数据,19.Match匹配估计做敏感性检验的最新方法, 让不可观测变量基础上的选择无处遁形,20.无需检查协变量平衡性的CEM匹配, 到底有多神气和与众不同,21.因果推断中的匹配方法:最全回顾和前景展望,22.内生性问题和倾向得分匹配, 献给准自然试验的厚礼,23.倾向值匹配与因果推论,史上最全面精妙的锦囊,24.匹配还是不匹配?这真是个值得考虑的问题,25.匹配比OLS究竟好在哪里?这是一个问题,26.倾向匹配分析深度(Propsensity matching analysis),27.倾向得分匹配PSM, 你真的用对了吗? 对主流期刊86篇文章分析与总结!28.中文刊上用倾向得分匹配PSM和内生转换模型ESM的实证文章有哪些?不看至少需要收藏一下29.倾向得分匹配PSM, 你真的用对了吗? 对主流期刊86篇文章分析与总结30.内生转换模型vs内生处理模型vs样本选择模型vs工具变量2SLS31.ESP内生转化概率模型是什么, 如何做, 如何解释, 为什么需要它? 32.Heckman模型out了,内生转换模型掌控大局33.因果效应中的双重稳健估计值, 让你的估计精准少误34.加权DID, IPW-DID实证程序百科全书式的宝典

关于Stata1.Stata16新增功能有哪些? 满满干货拿走不谢,2.Stata资料全分享,快点收藏学习3.Stata统计功能、数据作图、学习资源4.Stata学习的书籍和材料大放送, 以火力全开的势头5.史上最全Stata绘图技巧, 女生的最爱,6.把Stata结果输出到word, excel的干货方案,7.编程语言中的函数什么鬼?Stata所有函数在此集结,8.世界范围内使用最多的500个Stata程序,9.6张图掌握Stata软件的方方面面, 还有谁, 还有谁? 10.LR检验、Wald检验、LM检验什么鬼?怎么在Stata实现,11.Stata15版新功能,你竟然没有想到,一睹为快,12."高级计量经济学及Stata应用"和"Stata十八讲"配套数据,13.数据管理的Stata程序功夫秘籍,14.非线性面板模型中内生性解决方案以及Stata命令15.把动态面板命令讲清楚了,对Stata的ado详尽解,16.半参数估计思想和Stata操作示例,17.Stata最有用的points都在这里,无可替代的材料18.PSM倾向匹配Stata操作详细步骤和代码,干货十足,19.随机前沿分析和包络数据分析 SFA,DEA 及Stata操作,20.福利大放送, Stata编程技巧和使用Tips大集成,21.使用Stata进行随机前沿分析的经典操作指南,22.Stata, 不可能后悔的10篇文章, 编程code和注解,23.用Stata学习Econometrics的小tips, 第二发礼炮,24.用Stata学习Econometrics的小tips, 第一发礼炮,25.广义合成控制法gsynth, Stata运行程序release,26.多重中介效应的估计与检验, Stata MP15可下载,27.输出变量的描述性统计的方案,28.2SLS第一阶段输出, 截面或面板数据及统计值都行,29.盈余管理指标的构建及其Stata实现程序, 对应解读和经典文献,30.Python, Stata, R软件史上最全快捷键合辑!,31.用Stata做面板数据分析, 操作代码应有尽有,32.用Stata做面板数据分析, 操作代码应有尽有,33.没有这5个Stata命令, 我真的会活不下去!,34.第一(二)卷.Stata最新且有趣的程序系列汇编,35.第三卷.Stata最新且急需的程序系列汇编,36.第四卷.Stata最新且急需的程序系列汇编,37.干货: UN和WTO推荐的最全且权威的实证研究方法及在Stata实现!必收藏!38.再中心化影响函数RIF回归和分解的Stata操作程序39.R和Stata软件meta分析操作详细攻略, 对研究再开展研究的利器!40.不能安装Stata命令咋弄?这个方法一直都比较靠谱!,41.使用Stata做结构方程模型GSEM的操作指南42.疫情期计量课程免费开放!面板数据, 因果推断, 时间序列分析与Stata应用,43.一些Stata常见操作代码和注释, 能够让年轻学人更快掌握相关命令!44.Stata语言中的常用函数及其用法解释, 在附上42篇Stata相关学习资料,45.Stata经典操作笔记和学习资源合辑! 都是些博士生导师比较推荐的!

断点回归设计RDD的文章1.断点回归设计RDD分类与操作案例,2.RDD断点回归, Stata程序百科全书式的宝典,3.断点回归设计的前沿研究现状, RDD,4.断点回归设计什么鬼?且听哈佛客解析,5.断点回归和读者的提问解答,6.断点回归设计RDD全面讲解, 教育领域用者众多,7.没有工具变量、断点和随机冲击,也可以推断归因,8.找不到IV, RD和DID该怎么办? 这有一种备选方法,9.2卷RDD断点回归使用手册, 含Stata和R软件操作流程,10.DID, 合成控制, 匹配, RDD四种方法比较, 适用范围和特征,11.安神+克拉克奖得主的RDD论文, 断点回归设计,12.伊斯兰政府到底对妇女友不友好?RDD经典文献,13.PSM,RDD,Heckman,Panel模型的操作程序,14.RDD经典文献, RDD模型有效性稳健性检验,15.2019年发表在JDE上的有趣文章, 计量方法最新趋势,16.关于(模糊)断点回归设计的100篇精选Articles专辑!17.断点回归设计RDD精辟解释, 保证你一辈子都忘不了,18.“RDD女王”获2020年小诺奖!她的RD数据, 程序, GIS和博士论文可下载!关于她学术研究过程的最全采访!19.中国博导要求掌握的RDD方法实证运用范文(配程序code), 不然就不要用RDD做实证研究!20.最近70篇关于中国环境生态的经济学papers合辑!21.事件研究法用于DID的经典文献"环境规制"论文数据和程序,22.环境, 能源和资源经济学手册推荐, 经典著作需要反复咀嚼23.中文刊上用断点回归RDD和合成控制法SCM的实证文章有哪些?不看至少需要收藏一下!24.上双一流大学能多赚多少钱? 学习断点回归RDD, 机制分析的经典文章!25.JPE上利用地理断点RDD和IV研究中国环境议题的do文件release!

关于工具变量,参看1.内生性问题操作指南, 广为流传的22篇文章,2.看完顶级期刊文章后, 整理了内生性处理小册子,3.如何寻找工具变量?得工具者得实证计量,4.内生性处理的秘密武器-工具变量估,5.工具变量在社会科学因果推断中的应用,6.为你的"工具变量"合理性进行辩护, 此文献可以作为范例,7.没有工具变量、断点和随机冲击,也可以推断归因,8.工具变量与因果推断, 明尼苏达Bellemare关于IV的分析,9.工具变量IV与内生性处理的精细解读,10.我的"工具变量"走丢了,寻找工具变量思路手册,11.面板数据里处理多重高维固定效应的神器, 还可用工具变量处理内生性,12.豪斯曼, 拉姆齐检验,过度拟合,弱工具和过度识别,模型选择和重抽样问题,13.工具变量先锋 Sargan,供参考,14.AEA期刊的IV靠不靠谱?15.计量大焖锅: iv, clorenz, rank, scalar, bys, xtile, newey, nlcom,16.GMM是IV、2SLS、GLS、ML的统领,待我慢慢道来,17.IV和GMM相关估计步骤,内生性、异方差性等检验方法,18.因果推断IV方法经典文献,究竟是制度还是人力资本促进了经济的发展?19.内生变量的交互项如何寻工具变量, 交互项共线咋办,20.面板数据、工具变量选择和HAUSMAN检验的若干问题,21.IV和Matching老矣, “弹性联合似然法”成新趋势22.IV回归系数比OLS大很多咋回事, 怎么办呢? ,23.不用IV, 基于异方差识别方法解决内生性, 赐一篇文献,24.找不到IV, RD和DID该怎么办? 这有一种备选方法,25.内生转换模型vs内生处理模型vs样本选择模型vs工具变量2SLS,26.内生性, 工具变量与 GMM估计, 程序code附,27.GMM和工具变量在面板数据中的运用,28.关于工具变量的材料包, 标题,模型,内生变量,工具变量,29.必须使用所有外生变量作为工具变量吗?30.工具变量精辟解释, 保证你一辈子都忘不了,31.毛咕噜论文中一些有趣的工具变量!33.前沿: 删失数据分位数工具变量(CQIV)估计, 做删失数据异质性效应分析34.不需要找工具变量, 新方式构建工具变量, 导师再也不用担心内生性问题了!35.关于顶级外刊工具变量的使用最全策略, 不收藏反复读就不要谈IV估计!36.如何通过因果图选择合适的工具变量?一份关于IV的简短百科全书37.前沿: nature刊掀起DAG热, 不掌握就遭淘汰无疑!因果关系研究的图形工具! 38.最清晰的内生性问题详解及软件操作方案!实证研究必备工具!39.中国女学者与其日本同行在JPE上发文了!利用独特数据, 地理断点RDD和IV研究中国环境议题!40.双胞胎样本解决遗漏变量和测量误差, LIV解决选择偏差41.内生性处理的秘密武器-工具变量估计42.工具变量IV必读文章20篇, 因果识别就靠他了43.看完顶级期刊文章后, 整理了内生性处理小册子44.“内生性” 到底是什么鬼? New Yorker告诉你45.Heckman两步法的内生性问题(IV-Heckman),46.最全估计方法,解决遗漏变量偏差,内生性,混淆变量和相关问题47.非线性面板模型中内生性解决方案48.内生性处理方法与进展49.内生性问题和倾向得分匹配50.你的内生性解决方式out, ERM独领风骚51.面板数据是怎样处理内生性的52.计量分析中的内生性问题综述53.一份改变实证研究的内生性处理思维导图54.Top期刊里不同来源内生性处理方法55.面板数据中heckman方法和程序(xtheckman),56.控制函数法CF, 处理内生性的广义方法57.二值选择模型内生性检验方法58.2SRI还是2SPS, 内生性问题的二阶段CF法实现59.非线性模型及离散内生变量处理利器, 应用计量经济学中的控制函数法!60.最全利用工具变量控制内生性的步骤和代码—在经管研究中的应用,61.如何选择合适的工具变量, 基于既有文献的总结和解释!62.中介效应最新进展: 中介效应中的工具变量法使用方法及其代码!63.弱工具变量的稳健性检验, 附上code和相关说明!64.工具变量对因果效应的识别和外推, 大牛的顶级评述!

关于一些计量方法的合辑,参看实证研究中用到的200篇文章, 社科学者常备toolkit”、实证文章写作常用到的50篇名家经验帖, 学者必读系列过去10年AER上关于中国主题的Articles专辑AEA公布2017-19年度最受关注的十大研究话题, 给你的选题方向2020年中文Top期刊重点选题方向, 写论文就写这些。后面,咱们又引荐了使用CFPS, CHFS, CHNS数据实证研究的精选文章专辑!这40个微观数据库够你博士毕业了, 反正凭着这些库成了教授Python, Stata, R软件史上最全快捷键合辑!关于(模糊)断点回归设计的100篇精选Articles专辑!关于双重差分法DID的32篇精选Articles专辑!关于合成控制法SCM的33篇精选Articles专辑!最近80篇关于中国国际贸易领域papers合辑!最近70篇关于中国环境生态的经济学papers合辑!使用CEPS, CHARLS, CGSS, CLHLS数据库实证研究的精选文章专辑!最近50篇使用系统GMM开展实证研究的papers合辑!
下面这些短链接文章属于合集,可以收藏起来阅读,不然以后都找不到了。

2.5年,计量经济圈近1000篇不重类计量文章,

可直接在公众号菜单栏搜索任何计量相关问题,

Econometrics Circle




数据系列空间矩阵 | 工企数据 | PM2.5 | 市场化指数 | CO2数据 |  夜间灯光 | 官员方言  | 微观数据 | 内部数据计量系列匹配方法 | 内生性 | 工具变量 | DID | 面板数据 | 常用TOOL | 中介调节 | 时间序列 | RDD断点 | 合成控制 | 200篇合辑 | 因果识别 | 社会网络 | 空间DID数据处理Stata | R | Python | 缺失值 | CHIP/ CHNS/CHARLS/CFPS/CGSS等 |干货系列能源环境 | 效率研究 | 空间计量 | 国际经贸 | 计量软件 | 商科研究 | 机器学习 | SSCI | CSSCI | SSCI查询 | 名家经验计量经济圈组织了一个计量社群,有如下特征:热情互助最多前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此,建议积极进取和有强烈研习激情的中青年学者到社群交流探讨,始终坚信优秀是通过感染优秀而互相成就彼此的。

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存