经济实证为例的论文写作方法

经济实证为例的论文写作方法 1首先,什么是好论文? 好论文需要:1、视点(也就是论证观点),2、参照系(比较尺), 3、分析法(经济学模型:数理型:研究理论/计量经济型:主流,优点在于逻辑结构与可检测性,多研究现象,寻找因果关系)。 2经济模型结构 2-1 、环境/条件也就是提出假设条件,分析可能后果。 比如,把一个国家模型应用于另一国家,要事先考虑到文化经济政治的不同,对经济模型的可行性影响。 另一方面,计量经济模型本身有固定假设不可忽略 BLUE 2-2、机制找出模型中关键变量,找出相互关系 技巧就是既不过多考虑变量,也不会漏掉重要变量 比如说,内生性,非线性记得:simple is the best 2-3、求解模型参数估计 技巧就是,参数估计不能违反经济学常识 3经济数据特征 3-1、真实性注意避免测量误差和样本选择而导致的观察值丢失 3-2、来源 survey data就是自己做调查得到的,注意分层抽选和误差即不实回答 statistical Data 政府进行的数据收集,问题是中国政府各省GDP 过大,耕地面积过大,农产品生产量过大问题解决办法:运用工具 变量等方法来检验和纠正计量结果的误差 or 误差造成的可能后果作一个讨论 Experimental Data 实验设计很重要,随机避免误差,可问题在于sample小,解决办法:“自助法”(Bootstrapping)产生误差是一个通常的选择;此外,运用 Bell –McCaffrey (2002)手法得出稳健的标准差 3-3、数据类型 / cross-section 主要应用微观,偶尔宏观弱点假设无误差,至于结果反常识 /Panel 控制未观测的变量对中国除了不开放利用的国家统计局的农村住户调查统计数据和城镇住户调查统计数据,公开的,农业部农村研究中心的“固定观察点数据”,美国北卡大学的中国健康与营养调查(CHNS),以及北京大学的中国健康与养老追踪调查(CHARLS)。*我自己要用Panel就多啰嗦几句 固定效应模型和随机效应模型的假设条件区别于随即模型必须满足观测对象的固定效果变量和X间不相关,而固定效果却没有这样的限制。他们之间的差异可以用 Hausman 检验来识别或者极端条件:面数目(N)远远大于时间长短(T)(即 N >>T) 则随机比具体更有效 固定效果也分个体固定和时间固定(看你要控制哪个,也需要观察是否T>N此处考虑倒入时间序列分析法) 个人看法:很少用随机效应,因为,固定可以将扰动项中那些,个体异质和时间异质的,同时有可能导致内生性问题的误差估计出来,提高一致性而随机只是假定无内生性提高效率一致大于效率啊 最后,平衡与不平衡分析无太大不同 /time series 长的时间数据,如果是平稳的最小二乘法模型基本特征可以移植到时间序列里面;通常的分析模型包括 ARMA,VAR,GARCH 等;如果不平稳,情况就变得非常复杂,回归系数的标准差有时不服从标准正态分布,从而造成了所谓的伪回归(Spurious Regression)问题,系数的显著性加大,原假设更容易被拒绝。 为了校正回归系数的分布问题,在用 VAR 模型作 Granger 因果分析的时候,即使采用差分的办法去除非平稳性,其回归系数的分布也可能不是标准正态。通常的方法是对于水平变量 VAR 在用 AIC 或者BIC 基准选择最优滞后项的基础上,继续增加滞后项的方法(Surplus-Lag method)来得到一致的检验结果(Bauer 和 Maynard 2012),增加的滞后项的数目为非平稳变量的最高整合阶数(Maximum Order of Intergation)。 但是,如果非平稳变量之间存在存在协整(Cointegration),回归系数是超级一致的 (Super Consistency)。所以,我们必须先识别计量模型的变量之间是否存在协整。协整检验的方法包括原始的 Engel-Granger 方法(Engel 和 Granger, 1987)和 Johansen 秩检验和特征值检验等方法(Greene 2012)。Engel-Granger 方法比较直观,但缺点是只能识别是否存在协整,不能识别在多变量情况下的多个协整;Johansen 检验能够识别多变量情况下的复数协整个数,所以在实证中广为使用,但缺点是检验通常不够稳健。 检验时间序列数据是否平稳的检验方法很多。比较著名的检验包括Augmented Dickey- Fuller 检验,Phillips-Perron 检验以及 KPSS 检验等。前两者主要检验时间序列是否存在单位根,其原假设是存在单位根;而 KPSS 检验的原假设是时间序列是平稳的。在实证中,最好能够同时报告 Augmented Dickey-Fuller 检验 (或者 Phillips-Perron 检验)和 KPSS 检验, 从不同的两方面来验证检验结果的稳健性。 最后,时间序列的滞后项数对回归或者检验的结果影响很大。选择科学合理的滞后项数就显得至关重要。实证中,通常选择之后项的方法为 Akaike 信息准则 (AIC)和贝叶斯信息准则(BIC)。这两个准则的原理是基于数据本身对模型的吻合性,加上一个对滞后变量数目的惩罚因子。AIC 或者 BIC 的最小者为最好之模型。 4 计量模型和检验 4-1 、外生性基础,要满足一致性(就是当样本趋向于无穷大时, 估计值收敛于参数的真实值),效率性(是指一个估计值的反差在所有可能的估计值中最小),无偏性。 /内生性 X和误差相关原因:(1)相关变量的丢失;(2)方程形式错误 (把非线性方程设定为线性方程);(3)变量中存在系统性测量 误差;(4)样本选择;(5)联立因果关系;以及(6)误差项之间存在相关性。外生性才使政策建议 make sence 检测法和解决法:工具变量回归法 /工具变量回归法:工具变量的选择标准为:(1)工具变量和内生变量相关,(2)但和误差项不相关。选择为关键,注意,1弱工具变量(内生和次变量关系不强,强工具变量的一般检验标准为联合检验的 F 值大于10)2过度识别(如果工具变量数超过内生变量数,我们才可以检验工具变量模型是否被过度识别?我们通常采用 J-统计值或者Sargan 检验,来检验工具变量是否存在过度识别。只有在存在过度识别的时候,所有工具变量才是外生的。值得注意的是:过度识别检 验的原假设为“模型过度识别”,如果拒绝了原假设,可能至少存在 一个工具变量为内生性的。)3冗余问题(Instrument Redundancy) (工具变量中可能存在多余的无关重要的变量。冗余的工具变量会让估计结果损失效率性使t-检验不显著) /实验经济学和干预效果估计:在实证分析中,工具变量的上述两个标准通常难以满足,所以一些重要的研究课题,在现实中根本无法深 入定量研究。一个最典型的例子就是 GDP 和环境污染之间的关系, 我们无法找出一个工具变量与 GDP 相关而与环境污染无关;我们也 无法找一个变量与环境污染相关,而与 GDP 无关。虽然环境 Kuznets 曲线为我们提供了 GDP 和环境污染之间的一个定量关系, 但由于我们无法识别他们之间的因果关系,我们的结论至多就是他 们之间存在显著相关关系,这样的结果并不能提供很好的政策依据。另外一个有意思的研究课题为信息技术的发展和经济发展之间的因 果关系,我们也很难做计量分析。 这时,就需要我们应用实验经济学的方法来解决内生性的问题。实验 经济学通过人为的外生的随机干预来使得某些变量成为外生。关于 对干预效果(Average Treatment Effect) 的估计,Wooldridge (2010, 第 21 章)提供了一个很好的计量方法的综述。 我在这里强调的是有些干预看起来是外生的,其实不然。(1)如果干预真是外生且随机的情况,最小二乘法的估计结果是有效的;(2)如果 干预只和某些可观测的自变量相关, 这时需要运用倾向评分匹配方 法(Propensity Score Matching)来得出满足一致性的干预估计结果; (3)如果干预变量和某些不可观测变量相关,或者干预是内生的情况下,我们还需要使用工具变量的计量方法来估计干预的效果。 4-2 、伪回归:本来没有关系的两个变量,或者没有显著关联的两个变量,在计量经济模型中却显示出了显著的相关性。这有可能是计量模型设定的问题,或者是计量经济模型本身特征造成的问题。 经济学理论和伪回归就是违反经济学常识 时间序列中伪回归就是非平稳时间序列下 空间数据伪回归就是空间上相关违背相对独立 4-3 、经济学上显著性和统计学上显著性 5 参数估计值的稳定性和政策分析 为什么做经济研究?就是为了帮助人们从复杂的经济现象中,找出逻辑和规律,并为政策的制定提供必要的参考依据。 5-1 估计值的稳定性 注意变量的若外生强外生超强外生 5-2 合理性 符合经济常识 5-3 可靠性 计量模型的正确性 数据的可信性 6 结论 本文从数据,模型和参数等三个角度出发,分析应用计量经济学模型 在实证分析中要注意 的问题。 参考文献 ? Xiaohua, Yu Data, Model and Parameters in Empirical Econometrics: A Synthesis Review ?Abler, D. (2010), “Demand Growth in Developing Countries”, OECD Food, Agriculture and Fisheries Papers, No. 29, OECD Publishing. ?Demand Growth in Developing Countries ? Bauer D. and A. Maynard (2012) Persistence-robust Surplus-lag Granger Causality Testing. Journal of Econometrics. Vol. 169(2): 293-300. ?Bell, R., and D. McCaffrey, (2002), “Bias Reduction in Standard Errors for Linear Regression with Multi-Stage Samples,” Survey Methodology , Vol. 28(2), pp. 169-181. ?Chen B. And J. Pearl(2013) … Regression and causation: a critical examination of six econometrics textbooks.“ Real-World Economics Review,No.65. ? Cameron A C. and P. Trivedi(2005 ): Microeconometrics: Methods and Applications. Cambridge University Press. ? Deaton A. (1997) The Analysis of Household Surveys, John Hopkins University Press. Maryland U.S.A. ? Engle, R. F., Hendry, D. F. & Richard, J. F. (1983). Exogeneity, Econometrica.51: 277–304. ? Ericsson, N. R. (1994). Testing exogeneity: An introduction, in N. R. Ericsson (ed.),Testing ? Exogeneity, Oxford University Press, Oxford, pp. 3–38. ?Favero C. And F.D. Hendry (1992) “Testing the Lucas Critique: A Review”, Econometric Review. ? Vol. 11(3):265-306。 ?Fingleton Bernard (1999) “Spurious Spatial Regression: Some Monte Carlo Results with A Spatial ?Unit Root and Spatial Cointegration.” Journal of Regional Science. Vol. 39(1):1-19. ? Greene, W. (2012). Econometric Analysis. 7th ed. Pearson Education, New Jersey. ? Hausman, J. A. (1978). "Specification Tests in Econometrics". Econometrica 46 (6): 1251–1271。 ? Ji Y., X. Yu, and F. Zhong (2012): Machinery Investment Decision and Off-Farm Employment in Rural China. China Economic Review. Vol.23(1):71-80. ? Sample Selection Bias as a Specification Error,"Econometrica, Imbens G.W. (2014 ) “Instrumental Variables: An Economic Perspective.” NBER working paper ? 19983. Cambridge. MA. USA. Instrumental Variables: An Econometrician's Perspective ? Imb ens G. W. (2012) “ Robust Standard Erros in Small Samples: Some Practical Advice.” NBER ? Working Paper 18478. Cambridge. MA. USA. ? Engle, Robert F.; Granger, Clive W. J. (1987). "Co-integration and error correction: Representation, ? estimation and testing". Econometrica 55 (2): 251–276. ? Lucas, Robert (1976). "Econometric Policy Evaluation: A Critique". In Brunner, K.; Meltzer, A. The ? Phillips Curve and Labor Markets. Carnegie-Rochester Conference Series on Public Policy 1. New ? York: American Elsevier. pp. 19–46 ? Heckman, James J, (1979). " ? Econometric Society, vol. 47(1):153-61. ? 16 ?Robust Standard Errors in Small Samples: Some Practical Advice ?McCloskey D. and Ziliak S. T. (1996) “The Standard Error of Regressions”, Journal of Economic Literature, Vol. XXXIV:97-114. ? McCloskey D. (1985) “The Loss Function Has Been Mislaid: The Rhetoric of Significance Tests”, American Economic Review. Vol.75(2):201-205. ?Oster, Emily (2005)“Hepatitis B and the Case of the Missing Women," Journal of Political Economy, December 2005, 113 (6), 1163-1216. ? Pfleiderer Paul (2014): The Misuse of Theoretical Models in Finance and Economics, Working Paper, Stanford University, available at: The%20Misuse%20of%20Theoretical%20Models%20032614.pdf ?钱颖一(2002): “理解现代经济学”(“Understanding Modern Economics”),《经济社会体制比较》,北京,2002 年第 2 期。 ? Stock J. and M. Watson (2007): Introduction to Econometrics (2nd edition). Pearson Education. ? Tian X. and X. Yu (2012): The Enigmas of TFP in China: A Meta-Analysis, China Economic Review. Vol. 23(2): 396-14. ? Wang, X., & Woo, W. T. (2011). The size and distribution of hidden household income in China. Asian Economic Papers, 10, 1–26. ? Wooldridge J. (2010): Econometric Analysis of Cross Section and Panel Data, Second edition. MIT press. ?于晓华(2008): “中国研究机构发表经济学英文论文的一个统计研究 (1998-2007)”,《经济学季刊》, 2008 年第 7 卷第 4 期:1477-1490。 ?Yu X. and Z. Gao (2010): “An Updated Ranking of the Economic Research Institutions in China (2000-2009)", China Economic Review, Vol. 21(4):571-581. ? Yu X. and D. Abler. (2014): Where Have All the Pigs Gone? Inconsistencies in Pork Statistics in China. Forthcoming in China Economic Review.