Wooldridge-IE6e-Chapter19 (2) (1) 11

Machine Translated by Google
第19章
進行實證研究
專案
在本章中，我們討論成功的實證分析的要素，
完成一個學期專案。除了提醒您已經出現的重要問題重點是
在整篇文章中，我們強調對應用研究很重要的反覆出現的主題。我們也提供主題建議，以激發您的想
像。給了一些經濟研究和資料來源作為參考。
19‑1提出問題
提出一個原則上可以用數據回答的非常具體的問題的重要性怎麼強調也不為過。如果不明確分析的目標，
您就無法知道從哪裡開始。豐富的資料集的廣泛使用使得人們很容易基於不成熟的想法開始資料收集，但
這往往會適得其反。如果沒有仔細地制定假設和需要估計的模型類型，您很可能會忘記收集重要變數的
資訊、從錯誤的總體中獲取樣本或收集錯誤時間段的資料。
這並不意味著您應該在真空中提出您的問題。特別是對於一個為期一期的項目，你不能太雄心勃勃。
因此，在選擇主題時，您應該合理地確定存在資料來源，可以讓您在規定的時間內回答您的問題。
選擇主題時，您需要確定您對經濟學或其他社會科學的哪些領域感興趣。例如，如果您學習了勞動經
濟學課程，您可能已經看到了可以透過實證檢驗的理論或具有一定政策相關性的關係。勞動經濟學家不
斷提出可以解釋薪資差異的新變數。例子包括
605
版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

編輯審查認為任何被抑制的內容不會對整體學習體驗產生實質影響。如果後續權利限制需要，Cengage Learning 保留隨時刪除其他內容的權利。
606第 3 部分高級主題
高中品質 [Card 和 Krueger (1992) 和 Betts (1995)]、高中數學和科學的學習量 [Levine 和 Zimmerman (1995)] 以及

外表 [Hamermesh 和 Biddle (1994)、Averett 和 Korenman (1996)，Biddle Hamermesh (1998)，以及Hamermesh
與Parker (2005)]。州和地方公共財政的研究人員研究地方經濟活動如何取決於經濟政策變量，例如財產稅、銷售稅、服務
水平和品質（例如學校、消防和警察）等。 [例如，請參閱 White (1986)、Papke (1987)、Bartik (1991)、Netzer (1992)
以及 Mark、McGuire 和 Papke (2000)。]
研究教育問題的經濟學家感興趣的是確定支出如何影響表現[Hanushek (1986)]、就讀某些類型的學校是否會提高
表現[例如，Evans 和Schwab (1995)]，以及哪些因素影響私立學校的選擇定位 [Downes 和 Greenstein (1996)]。
宏觀經濟學家對各種總體時間序列之間的關係感興趣，例如國內生產總值增長與固定投資或機械增長之間的聯繫[參見
De Long 和Summers (1991)] 或稅收對利率的影響[例如，皮克（1982）]。
估計模型大多是描述性的，當然是有原因的。例如，財產稅評估人員使用模型（稱為特徵價格模型）來估計最近未售
出的房屋的價值。這涉及將房屋價格與其特徵（大小、臥室數量、浴室數量等）
聯繫起來的回歸模型。作為學期論文的主題，
這並不是很令人興奮：我們不太可能學到太多令人驚訝的東西，而且這樣的分析沒有明顯的政策意涵。加入鄰近地區的犯
罪率作為解釋變數將使我們能夠確定犯罪因素對房價的重要性，這有助於估計犯罪成本。
使用大多是描述性的宏觀經濟數據估計了幾種關係。
例如，總儲蓄函數可用於估計總邊際儲蓄傾向，以及儲蓄對資產回報（例如利率）
的回應。透過使用一個有政治動盪歷史的
國家的時間序列數據並確定儲蓄率在政治不確定時期是否下降，可以使這種分析變得更有趣。
一旦你決定了一個研究領域，就有多種方法可以找到有關該主題的特定論文。《經濟文獻雜誌》（JEL）有一個詳細

的分類系統，其中每篇論文都有一組識別代碼，將其歸入經濟學的某些子領域。 JEL 還包含在各種期刊上發表的文章列表，
按主題組織，甚至還包含一些文章的簡短摘要。
網路服務特別方便尋找各種主題的已發表論文，例如許多大學訂閱的EconLit 。 EconLit允許用戶按作者、主題、標題
中的單字等對幾乎所有經濟學期刊進行全面搜尋。社會科學引文索引對於尋找社會科學中廣泛主題的論文非常有用，包括在
其他已發表的作品中經常引用的熱門論文。
Google Scholar是一個網路搜尋引擎，對於追蹤各種主題的研究或特定作者的研究非常有幫助。對於尚未在學術期刊
上發表或尚未發表的作品尤其如此。
在思考主題時，你應該記住一些事情。首先，一個問題要有趣，並不需要有廣泛的政策影響；相反，它可能符合當地利
益。例如，您可能有興趣了解住在大學兄弟會是否會導致學生平均績點降低或升高。大學以外的人可能對此感興趣，也可能
不感興趣，但至少大學內的一些人可能會擔心。另一方面，您可能會研究一個最初引起當地興趣但後來引起廣泛興趣的問
題，例如確定哪些因素會影響大學校園內的酗酒現象，以及哪些大學政策可以阻止這個問題。
其次，利用標準宏觀經濟總量對美國經濟進行真正的原創性研究是非常困難的，特別是對於一個季度或一個學期的專
案而言。例如，貨幣成長、政府支出成長等是否影響經濟成長的問題已經被提出。

第 19 章開展實證項目607
專業宏觀經濟學家已經並將繼續對其進行研究。出於顯而易見的原因，人們已經非常仔細地研究了是否可
以使用已知資訊系統地預測股票或其他資產回報的問題。這並不意味著您應該避免估計宏觀經濟或實證金
融模型，因為即使僅使用最新數據也可以為辯論增添建設性內容。此外，有時還可以發現一個對經濟總量或
財務回報有重要影響的新變數；這樣的發現可能會令人興奮。
關鍵是，諸如使用額外幾年的時間來估計美國經濟或其他大型經濟體的標準菲利普斯曲線或總消費函
數之類的練習不太可能產生額外的見解，儘管它們可能對學生有啟發性。相反，您可以使用較小國家的數據
來估計靜態或動態菲利普斯曲線或貝弗里奇曲線（可能允許曲線的斜率取決於當前時間段之前已知的信
息），或測試有效市場假設，等等。
在非宏觀經濟層面，也有很多問題被廣泛研究。例如，勞動經濟學家發表了許多關於估計教育回報的論
文。這個問題仍在研究中，因為它非常重要，並且新的數據集以及新的計量經濟學方法仍在不斷開發中。例
如，正如我們在第 9 章中所看到的，某些資料集比其他資料集具有更好的不可觀察能力的代理變數。（比
較 WAGE1 和 WAGE2。）
在其他情況下，我們可以獲得面板資料或來自自然實驗的資料（請參閱第 13
章），這使我們能夠從不同的角度來處理舊問題。
另一個例子，犯罪學家有興趣研究各種法律對犯罪的影響。
死刑是否具有威懾作用的問題長期以來一直存在爭議。同樣，經濟學家一直對香菸和酒精稅是否會減少消
費感興趣（一如既往，在其他條件不變的情況下）。隨著更多年的州級數據的出現，可以創建更豐富的面板
數據集，這可以幫助我們更好地回答重大政策問題。此外，最近的打擊犯罪創新（例如社區治安）
的有效性
可以根據經驗進行評估。
當您提出問題時，與同學、老師和朋友討論您的想法會很有幫助。你應該能夠讓人們相信你的問題的答
案是有意義的。（當然，你能否有說服力地回答你的問題是另一個問題，但你需要從一個有趣的問題開
始。）如果有人問你有關你的論文的問題，你回答說「我正在寫關於犯罪的論文”或“我正在做關於犯罪的
論文”。“我正在寫關於利率的論文”，很可能您只是決定了一個大概的領域，而沒有提出一個真正的問
題。您應該能夠說「我正在研究社區治安對美國城市犯罪率的影響」或「我正在研究通貨膨脹波動如何影
響巴西的短期利率」。
19‑2文獻綜述
所有論文，即使相對較短，也應包含相關文獻的回顧。很少有人嘗試一項沒有公開先例的實證項目。如果您
透過期刊進行搜尋或使用EconLit等線上搜尋服務來提出主題，那麼您就已經踏上了文獻綜述的道路。如果
您自己選擇一個主題（例如研究吸毒對大學表現的影響），那麼您可能需要更加努力。但在線搜尋服務使
這項工作變得更加容易，因為您可以按關鍵字、標題中的單字、作者等進行搜尋。然後，您可以閱讀論文摘
要，看看它們與您自己的工作有多相關。
在進行文獻檢索時，您應該考慮使用少量關鍵字可能不會出現在搜尋中的相關主題。例如，如果您正在
研究吸毒對薪資或平均績點的影響，您可能應該查看有關飲酒如何影響這些因素的文獻。知道如何進行徹
底的文獻檢索是一項後天習得的技能，但在檢索之前透過思考可以取得很大的進展。

第608章第3部分高級主題
研究人員對於如何將文獻綜述納入論文存在分歧。有些人喜歡有一個單獨的部分，稱為“文獻綜述”，而另一些人
則喜歡將文獻綜述作為引言的一部分。這在很大程度上是一個品味問題，儘管廣泛的文獻綜述可能值得單獨使用一節。如
果學期論文是課程的重點（例如，在高級研討會或高級計量經濟學課程中），您的文獻綜述可能會很長。第一門課程結
束時的學期論文通常較短，文獻回顧也較短。
19‑3數據收集
19‑3a 決定適當的資料集
為學期論文收集數據可能具有教育意義、令人興奮，但有時甚至令人沮喪。您必須先決定回答您提出的問題所需的資料類
型。正如我們在引言中討論並在本文中討論的那樣，資料集有多種形式。最常見的類型是橫斷面資料集、時間序列資料
集、合併橫斷面資料集和麵板資料集。
許多問題可以使用我們描述的任何資料結構來解決。例如，為了研究更多的執法是否會降低犯罪率，我們可以使用
城市的橫斷面、給定城市的時間序列或城市的面板資料集（其中包含兩個或多個相同城市的資料）
更多年。
決定收集哪種類型的資料通常取決於分析的性質。為了回答個人或家庭層面的問題，我們通常只能訪問一個橫斷面；
通常，這些是透過調查獲得的。然後，我們必須問我們是否可以獲得足夠豐富的資料集來進行令人信服的其他條件不變
的分析。例如，假設我們想知道透過個人退休帳戶 (IRA) 進行儲蓄（具有一定的稅收優惠）
的家庭是否擁有較少的非 IRA
儲蓄。換句話說，IRA 儲蓄是否會排擠其他形式的儲蓄？
有一些資料集，例如消費者財務調查，其中包含每年不同家庭樣本的各種儲蓄資訊。使用這樣的資料集會出現幾個問題。
也許最重要的是是否有足夠的控制措施包括收入、人口統計和保存品味的代理來進行合理的其他條件不變的分析。
如果這些是唯一可用的數據，我們就必須盡力利用它們。
公司、城市、州等的橫斷面資料也會出現同樣的問題。在大多數情況下，在其他條件不變的情況下，我們能否用單一
橫斷面進行分析並不明顯。例如，任何關於執法對犯罪影響的研究都必須認識到執法支出的內生性。當使用標準迴歸方法
時，無論我們有多少控制，在其他條件不變的情況下都可能很難完成令人信服的分析。（更多討論請參閱第 19‑4 節。）
如果您已閱讀有關面板資料方法的高級章節，您就會知道，在兩個或多個不同時間點具有相同的橫斷面單位可以讓
我們控制時間常數的未觀察到的影響，這些影響通常會混淆單一交叉的回歸部分。對於個人或家庭來說，面板資料集相對
難以獲得儘管存在一些重要的資料集，例如收入動態面板研究但它們可以以非常令人信服的方式使用。公司的面板
資料集也存在。例如，Compustat 和證券價格研究中心 (CRSP) 管理著非常大的公司財務資訊面板資料集。更容易獲得
較大單位（例如學校、城市、縣和州）的面板資料集，因為這些資料往往不會隨著時間的推移而消失，而且政府機構每年負
責收集相同變數的資訊。例如，聯邦調查局收集並報告城市一級犯罪率的詳細資訊。資料來源列於本章末。
數據有多種形式。一些資料集，尤其是歷史資料集，僅以印刷形式提供。對於小型資料集，您可以自行從列印來源輸
入資料

易於管理且方便。有時，文章是用小資料集發表的尤其是時間序列應用程式。這些可以用於實證研究，也許可以透
過補充最近幾年的數據。
許多數據集都以電子形式提供。各政府機構在其網站上提供數據。私人公司有時會編譯資料集以使其用戶友
好，然後收費提供。論文作者通常願意以電子形式提供他們的資料集。互聯網上提供了越來越多的數據集。網路是一
個巨大的線上資料庫資源。許多包含經濟和相關數據集的網站已經創建。其他幾個網站包含經濟學家感興趣的數據
集的連結；其中一些列在本章末尾。一般來說，在網路上搜尋資料來源很容易，並且將來會變得更加方便。
19‑3b 輸入並儲存您的數據
一旦決定了資料類型並找到了資料來源，您必須將資料轉換為可用的格式。如果資料以電子形式出現，那麼它們就已
經採用某種格式，並且有望廣泛使用。獲取電子形式資料最靈活的方法是作為標準文字 (ASCII) 文件。所有統計和計
量經濟學軟體包都允許以這種方式儲存原始資料。通常，只要文件結構正確，就可以直接將文本文件讀入計量經濟
學包。我們在整個文本中使用的資料檔案提供了橫斷面資料、時間序列、合併橫斷面和麵板資料集通常如何儲存的
幾個範例。通常，資料應採用表格形式，每個觀察值代表不同的行；資料集中的欄位代表不同的變數。有時，您可能
會遇到儲存的資料集，其中每列代表一個觀察值，每行代表一個不同的變數。這並不理想，但大多數軟體包允許以這
種形式讀取數據，然後重新整形。當然，在將資料讀入計量經濟學包之前了解資料的組織方式至關重要。
對於時間序列資料集，只有一個合理的方式來輸入和儲存資料：即按時間順序，將最早的時間段列為第一個觀
察值，將最近的時間段列為最後一個觀察值。包含指示年份和季度或月份（如果相關）的變數通常很有用。這有助於
以後對各種模型進行估計，包括考慮季節性和不同時間段的休息。對於隨時間推移匯總的橫截面，通常最好將最早
年份的橫截面填充第一個觀測值區塊，然後填充第二年的橫截面，依此類推。（請參閱 FERTIL1 作為範例。）
這種
安排並不重要，但有一個變數說明每個觀測值附加的年份非常重要。
對於面板數據，正如我們在第 13‑5 節中討論的那樣，最好每個橫斷面觀察的所有年份都是相鄰的並且按時間

順序排列。透過這種排序，我們可以使用第 13 章和第 14 章中的所有面板資料方法。對於面板數據，重要的是要包
含每個橫斷面單元的唯一識別碼以及年份變數。
如果您獲得列印形式的數據，您可以透過多種方式將其輸入計算機。
首先，您可以使用標準文字編輯器建立文字檔案。（這就是文本中包含的幾個原始資料集最初創建的方式。）通常，
要求每行開始一個新的觀察，每行包含相同的變數順序 ‑ 特別是每行應具有相同數量的條目，並且值之間至少用一
個空格分隔。有時，不同的分隔符號（例如逗號）
會更好，但這取決於您使用的軟體。
如果您缺少對某些變數的觀察，您必須決定如何表示；簡單地留空通常是行不通的。許多迴歸包接受句點作為缺失
值符號。有些人喜歡使用數字（對於感興趣的變數來說可能是不可能的值）來表示缺失值。如果您不小心，這可能會
很危險；我們稍後再進一步討論這個問題。
如果您有非數字資料（例如，您想要包含大學樣本中的名稱或城市名稱），那麼您應該檢查您將用來查看的計
量經濟學包

輸入此類變數（通常稱為字串）的最佳方式。通常，字串放在雙引號或單引號之間。或者文字檔案可以遵循
嚴格的格式，這通常需要一個小程式來讀取文字檔案。但您需要檢查計量經濟學包以了解詳細資訊。
另一個普遍可用的選項是使用電子表格來輸入數據，例如 Excel。與文字檔案相比，這有幾個優點。首
先，因為每個變數的每個觀察值都是一個單元格，所以數字不太可能一起運行（如果您忘記在文字檔案中
輸入空格，就會發生這種情況）。其次，電子表格允許對資料進行操作，例如排序或計算平均值。如果您使
用允許複雜資料管理的軟體包，那麼這個好處就不那麼重要了；許多軟體包，包括 EViews 和 Stata，都屬
於這一類。如果您使用電子表格進行初始資料輸入，那麼您通常必須以經濟計量包可以讀取的形式匯出資
料。這通常很簡單，因為電子表格可以使用多種格式匯出到文字檔案。
第三種選擇是將資料直接輸入計量經濟學包。儘管這消除了對文字編輯器或電子表格的需要，但如果
您無法自由地在不同的觀察之間移動以進行更正或添加，則可能會更加尷尬。
從網路下載的資料可以有多種形式。資料通常以文字檔案形式出現，但使用不同的約定來分隔變數；對
於面板資料集，如何排序資料的約定可能有所不同。某些 Internet 資料集以電子表格檔案形式提供，在這
種情況下，您必須使用適當的電子表格來讀取它們。
19‑3c 檢查、清理和總結您的數據
熟悉在實證分析中使用的任何資料集非常重要。
如果您自己輸入數據，您將被迫了解有關它的一切。但如果您從外部來源獲取數據，您仍然應該花一些時間
了解其結構和約定。
即使是廣泛使用和大量記錄的資料集也可能包含故障。如果您使用的是從論文作者那裡獲得的資料集，您
必須意識到用於資料集建立的規則可能會被忘記。
之前，我們回顧了各種資料集儲存的標準方式。您還需要知道缺失值是如何編碼的。優選地，缺失值以
非數字字元（例如句點）來指示。如果數字用作缺失值代碼，例如“999”
或“21”，則在計算任何統計數據
時使用這些觀察結果時必須非常小心。您的計量經濟學包可能不知道某個數字確實代表缺失值：這些觀察
結果很可能會被當作有效的來使用，這可能會產生相當誤導的結果。最好的方法是將缺失值的任何數字代
碼設定為不會被誤認為真實資料的其他字元（例如句點）。
您還必須了解資料集中變數的性質。哪些是二元變數？哪些是序數變數（例如信用評級）？變數的測
量單位是什麼？例如，貨幣價值是否以美元、數千美元、數百萬美元或其他單位表示？代表比率的變數（例
如輟學率、通貨膨脹率、工會率或利率）
是否以百分比或比例來衡量？
特別是對於時間序列數據，了解貨幣價值是名目（當前）
還是
實際（不變）
美元。如果這些值是按實際值計算的，那麼基準年或基準期是多少？
如果您從作者那裡收到資料集，某些變數可能已經以某種方式進行了轉換。例如，有時資料集中僅報告
變數（例如工資或薪水）
的對數。
檢測資料集中的錯誤對於保持任何資料分析的完整性是必要的。
尋找分析中所有變數或至少最重要變數的最小值、最大值、平均值和標準差始終很有用。例如，如果您發現
樣本中教育的最小值為 ‑99，則您知道至少有一項教育條目需要設定為缺失值。如果進一步檢查，您發現多
個觀測值的等級為 299

教育，你可以確信你已經偶然發現了教育缺少的價值代碼。
再舉一個例子，如果您發現城市樣本的平均謀殺定罪率為 0.632，您就知道定罪率是按比例而不是百分比來衡量的。然後，
如果最大值大於 1，則這可能是印刷錯誤。（在資料集中，比率變數的大多數條目都是以百分比的形式輸入的，但也有一
些是以比例的形式輸入的，反之亦然。這種資料編碼錯誤可能很難檢測到，但它是很常見的。嘗試很重要。）
我們在使用時間序列資料時也必須小心。如果我們使用月度或季度數據，我們必須知道哪些變數（如果有）已進行季
節性調整。轉換資料也需要非常小心。假設我們有一個每月的資料集，並且我們想要建立一個變數從一個月到下個月的變
化。為此，我們必須確保資料按時間順序排列，從最早的時期到最新的時期。如果由於某種原因情況並非如此，則差異將導
致垃圾。
為了確保資料正確排序，有一個時間段指示器很有用。對於年度數據，知道年份就足夠了，但是我們應該知道年份是以四位
數字還是兩位數字輸入的（例如，1998 與 98）。對於月度或季度數據，使用一個或多個指示月份或季度的變數也很有用。
對於每月數據，我們可能有一組虛擬變數（11 或 12）或一個指示月份的變數（1 到 12 或字串變量，例如jan、 feb等）。
無論有沒有年度、月度或季度指標，我們都可以輕鬆地在所有計量經濟學軟體包中建立時間趨勢。如果指定了月份或
季度，則建立季節性虛擬變數很容易；至少，我們需要知道第一次觀察的月份或季度。
操縱面板數據可能更具挑戰性。在第 13 章中，我們討論了差異資料上的合併 OLS，作為控制未觀察到的影響的一種

通用方法。在建構差異數據時，我們必須小心不要創建幻象觀察。假設我們有一個關於1992 年到1997 年城市的平衡面
板。即使資料在每個橫斷面單元內按時間順序排序（在繼續之前應該做一些事情），無意識的差異也會為1992 年的所有
城市創建一個觀察值，除了樣本中的第一個。此觀測值為城市i 1992 年的值減去城市i 1997 年的值2 1；這顯然是無稽之
談。因此，我們必須確保所有差分變數都缺少 1992 年。
19‑4計量經濟分析
本文的重點是計量經濟學分析，我們不打算在本節中對計量經濟學方法進行回顧。儘管如此，我們可以就實證分析中需要
考慮的問題給出一些一般性指導方針。
正如我們之前討論的，在決定主題後，我們必須收集適當的資料集。
假設這也已經完成，我們接下來必須決定適當的計量經濟學方法。
如果您的課程重點是使用橫斷面資料或時間序列資料對多元線性迴歸模型進行普通最小平方法估計，那麼計量經濟
學方法幾乎已經為您決定了。這不一定是弱點，因為 OLS 仍然是使用最廣泛的計量經濟學方法。當然，你仍然需要決定
OLS 的任何變體是否
例如加權最小平方法或校正時間序列迴歸中的序列相關性都是必要的。
為了證明 OLS 的合理性，您還必須提供令人信服的案例，證明您的模型符合關鍵的 OLS 假設。正如我們已經詳細討

論的，第一個問題是誤差項是否與解釋變數不相關。理想情況下，您已經能夠控制足夠的其他因素，以假設誤差中留下的因
素與迴歸量無關。特別是在處理個人、家庭或公司層面的橫斷面資料時，自我選擇問題
我們在第 7 章和第 15 章中討論的這一點通常是相關的。例如，在第 19‑3 節的 IRA 範例中，那些具有未被觀察到的儲蓄傾

向的家庭也可能是那些儲蓄的家庭。

開放 IRA。您還應該能夠論證內生性的其他潛在來源（即測量誤差和同時性）
並不是一個嚴重的問題。
在指定模型時，您還必須做出功能形式決策。某些變數應該以對數形式出現嗎？（在計量經濟學應用中，答案通常
是肯定的。）
水平和平方是否應該包含一些變量，以可能捕捉遞減效應？定性因素該如何出現？僅包含不同屬性或群組的二
進位變數是否足夠？或者這些需要與定量變數相互作用嗎？（詳情請參閱第 7 章。）
一個常見的錯誤，尤其是初學者，是在迴歸模型中錯誤地包含以數值形式列出但沒有定量意義的解釋變數。例如，在
包含薪資、教育、經驗和其他變數資訊的個人層級資料集中，可能會包含「職業」變數。通常，這些只是分配給不同職業的任
意代碼；例如，小學教師的值為 453，而電腦技術員的值為 751，這一事實的相關性僅在於它允許我們區分這兩種職業。將
原始職業變數納入迴歸模型是沒有意義的。（當一個單位的增加沒有數量意義時，衡量一個單位增加職業的影響有什麼意
義？）相反，應該為不同的職業（或職業組，如果有的話）定義不同的虛擬變數。許多職業）。然後，虛擬變數可以包含在迴
歸模型中。當包含有序定性變數作為解釋變數時，會出現一個較不嚴重的問題。假設在薪資資料集中包含一個衡量「工作
滿意度」的變量，定義範圍為 1 到 7，其中 7 表示最滿意。如果我們有足夠的數據，我們將希望定義一組六個虛擬變量，例
如工作滿意度等級為 2 到 7，將工作滿意度等級 1 作為基組。透過在迴歸中包含六個工作滿意度虛擬變量，我們可以在反
應變數和工作滿意度之間建立完全靈活的關係。以原始形式輸入工作滿意度變數隱含假設序數變數增加一個單位具有定量
意義。雖然效應的方向通常可以適當估計，但解釋序數變數的係數卻很困難。如果序數變數具有多個值，那麼我們可以為值
的範圍定義一組虛擬變數。有關範例，請參閱第 17‑3 節。
有時，我們想要解釋一個序數反應變數。例如，人們可以考慮使用上述類型的工作滿意度變數作為迴歸模型中的因變
量，而工人和雇主的特徵都是自變數。
不幸的是，由於工作滿意度變數的原始形式，模型中的係數很難解釋：每個係數都衡量自變數單位增加時工作滿意度的變
化。某些模型（最常見的是有序機率和有序 Logit）非常適合有序響應。這些模型本質上擴展了我們在第17 章中討論的二
元機率和logit 模型。[有關有序回應模型的處理，請參閱Wooldridge（2010 年，第16 章）。]一個簡單的解決方案是將任
何有序響應轉換為二元響應。例如，如果工作滿意度至少為 4，我們可以將變數定義為 1，否則定義為 0。
不幸的是，創建二進制變數會丟棄訊息，並要求我們使用某種任意的截止值。
對於橫斷面分析，一個次要但重要的問題是是否存在異方差。在第 8 章中，我們解釋瞭如何處理這個問題。最簡單的
方法是計算異方差穩健統計量。
正如我們在第 10 章、第 11 章和第 12 章中所強調的那樣，時間序列應用需要額外小心。

方程式應該按水平估計嗎？如果使用水平，是否需要時間趨勢？對數據進行差分是否更合適？如果資料是月度或季度的，是
否必須考慮季節性？如果您考慮動態（例如分散式滯後動態），則應包含多少滯後？你必須從基於直覺或常識的一些延遲
開始，但最終這是一個經驗問題。

如果您的模型存在一些潛在的錯誤指定，例如遺漏變量，並且您使用 OLS，則應該嘗試對我們在第 3
章和第 5 章中討論的類型進行某種錯誤指定分析。您能否根據合理的假設確定任何方向估計量的偏差？
如果你研究過工具變數方法，你就會知道它可以用來解決各種形式的內生性，包括遺漏變數（第15
章）、變數錯誤（第15章）
和同時性（第16章）。當然，您需要認真考慮您正在考慮的工具變數是否可能有
效。
實證社會科學中的好論文包含敏感度分析。從廣義上講，這意味著您估計原始模型並以看似合理的方
式對其進行修改。希望重要的結論不會改變。例如，如果您使用酒精消耗量（例如，在平均績點方程中）作
為解釋變量，如果您用指示酒精使用量的虛擬變量替換定量測量值，是否會得到類似的定性結果？如果二
元使用量變數很重要，但酒精量變數不顯著，則使用量可能反映了一些影響 GPA 的未觀察到的屬性，也與
酒精使用量相關。但這需要根據具體情況進行考慮。
如果某些觀察結果與大部分樣本有很大不同（例如，樣本中有幾家公司比其他公司大得多），那麼當
這些觀察結果被排除在估計之外時，您的結果會發生很大變化嗎？如果是這樣，您可能必須更改功能形式
以允許這些觀察或認為它們遵循完全不同的模型。異常值問題已在第 9 章討論。
使用面板資料會引發一些額外的計量經濟學問題。假設您收集了兩個時期。至少有四種方法可以使用
兩個時期的面板資料而不訴諸工具變數。您可以將這兩年合併到標準 OLS 分析中，如第 13 章所述。
儘管這可能會增加相對於單一橫斷面的樣本量，但它不能控制時間常數不可觀測值。此外，由於未觀察到的
影響，此類方程中的誤差幾乎總是串行相關。隨機效應估計修正了序列相關性
問題並產生漸近有效的估計量，前提是未觀察到的效應在所有時間段內解釋變數的給定平均值平均值為
零。
另一種可能性是在第二年的方程中包含一個滯後因變數。
在第 9 章中，我們將此作為至少緩解遺漏變數問題的一種方法，因為無論如何我們都保持固定因變數的初
始結果。正如我們在第 13 章中介紹的那樣，這通常會導致與資料差分類似的結果。
有了更多年的面板數據，我們有相同的選擇，還有一個額外的選擇。我們可以使用固定效應變換來消除
未觀察到的效應。（對於兩年的數據，這與差分相同。）
在第 15 章中，我們展示瞭如何將工具變數技術與
面板資料轉換相結合，以進一步放鬆外生性假設。一般來說，應用幾種合理的計量經濟學方法並比較結果
是一個好主意。這通常使我們能夠確定哪些假設可能是錯誤的。
即使你在設計主題、假設模型、收集數據和進行計量經濟學時非常小心，你很可能會得到令人費解的
結果
至少在某些時候。當這種情況發生時，人們自然傾向於嘗試不同的模型、不同的估計技術，或可能不同的資
料子集，直到結果更接近預期。事實上，所有應用研究人員在找到「最佳」模型之前都會搜尋各種模型。不
幸的是，這種資料探勘實踐違反了我們在計量經濟學分析中所做的假設。 OLS 和其他估計量的無偏性結
果，以及我們為假設檢定導出的t和F分佈，假設我們觀察到遵循總體模型的樣本，並且我們對該模型進行
了一次估計。估計作為原始模型變體的模型違反了該假設，因為我們在規範搜尋中使用同一組資料。實際
上，我們使用測試結果

數據來重新指定我們的模型。不同模型規格的估計和測試並不是相互獨立的。
一些規範搜尋已被編程到標準軟體包中。一種流行的方法被稱為逐步迴歸，其中在多元迴歸分析中使用解釋變數的
不同組合，試圖得出最佳模型。可以使用多種方法來使用逐步迴歸，我們無意在此進行回顧。
總體思路是要么從大型模型開始並保留p 值低於特定顯著性水平的變量，要么從簡單模型開始並添加具有顯著p 值的變

量。有時，變數組會透過F檢定進行檢驗。不幸的是，最終的模型通常取決於刪除或新增變數的順序。 [有關逐步回歸的更
多信息，請參閱 Draper 和 Smith (1981)。]此外，這是一種嚴格的數據挖掘形式，很難解釋最終模型中的t和F統計數
據。有人可能會說，逐步回歸只是簡單地自動化了研究人員在搜尋各種模型時所做的事情。然而，在大多數應用中，一兩
個解釋變數是主要關注點，然後目標是了解這些變數的係數對於添加或刪除其他變數或更改函數形式的穩健性如何。
原則上，可以將資料探勘的影響納入我們的統計推論中；在實踐中，這是非常困難的，而且很少有人這樣做，特別是
在複雜的實證工作中。 [請參閱 Leamer (1983) 關於這個問題的引人入勝的討論。]但是我們可以嘗試通過不搜索大量
模型或估計方法直到找到重要結果然後僅報告該結果來盡量減少數據挖掘。如果某個變數僅在一小部分估計模型中具有
統計顯著性，則該變數很可能對總體沒有影響。
19‑5撰寫實證論文
撰寫使用計量經濟學分析的論文非常具有挑戰性，但也可能是有益的。
一篇成功的論文將仔細、令人信服的數據分析與良好的解釋和闡述結合起來。因此，你必須對你的主題有很好的把握，
對計量經濟學方法有很好的理解，並且有紮實的寫作能力。如果您發現寫實證論文很困難，請不要灰心；大多數專業研究
人員花了很多年的時間學習如何進行實證分析並以令人信服的形式寫出結果。
雖然寫作風格各不相同，但許多論文都遵循相同的大綱。以下段落包括章節標題的想法以及每個章節應包含的內容
的解釋。
這些只是建議，幾乎不需要嚴格遵守。在最終論文中，每個部分都會有一個編號，通常以引言開頭。
19‑5a 簡介
引言闡述了該研究的基本目標並解釋了其重要性。它通常需要對文獻進行回顧，指出已經做了什麼以及如何改進先前的
工作。（如第 19‑2 節所討論的，廣泛的文獻綜述可以放在一個單獨的部分中。）
提供簡單的統計數據或圖表來揭示看
似矛盾的關係是介紹論文主題的有用方法。例如，假設您正在撰寫一篇關於發展中國家生育率影響因素的論文，重點關注
女性的教育程度。介紹主題的一種有吸引力的方式是製作一張表格或圖表，顯示生育率隨著時間的推移一直在下降，並簡
要說明您希望如何檢查導致下降的因素。此時，您可能已經知道，在其他條件不變的情況下，受教育程度越高的女性生育
的孩子越少，而且平均教育水平隨著時間的推移而上升。
大多數研究人員喜歡在引言中總結論文的發現。這可能是吸引讀者註意力的有用手段。例如，您可能會說您的最佳
估計

在 30 小時的學期中缺席 10 小時的講座的影響大約是成績分數的二分之一。但總結不應過於複雜，因為尚未介紹用於獲得估計值的方
法和數據。
19‑5b 概念（或理論）
框架
在本節中，您將描述回答您所提出問題的一般方法。它可以是正式的經濟理論，但在許多情況下，它是對回答問題時出現的概念問題的
直觀討論。
假設您正在研究經濟機會和懲罰嚴厲程度對犯罪行為的影響。解釋參與犯罪的一種方法是指定效用最大化問題，其中個人選擇在
合法和非法活動上花費的時間，給定兩種活動的工資率以及衡量懲罰機率和嚴重程度的變數用於犯罪活動。這種練習的有用之處在於，
它建議哪些變數應包含在實證分析中；它就變數應如何出現在計量經濟模型中提供指引（但很少具體說明）。
通常，沒有必要寫下經濟理論。對於計量經濟政策分析，常識通常足以指定模型。例如，假設您有興趣估計參與有受扶養兒童的
家庭援助 (AFDC) 對兒童在學校表現的影響。 AFDC 提供補充收入，但參與也可以更容易獲得醫療補助和其他福利。這種分析的困難
部分是決定應該控制的變數集。在這個例子中，我們可以控製家庭收入（包括AFDC和任何其他福利收入）、母親的教育程度、家庭是
否居住在城市地區以及其他變數。然後，納入 AFDC 參與指標（希望如此）
可以衡量 AFDC 參與的非收入效益。關於應控制哪些因素以
及 AFDC 的參與可能改善學校成績的機制的討論取代了正式的經濟理論。
19‑5c 計量經濟模型和估計方法
有一個部分包含一些您估計並在論文結果部分中呈現的方程，這是非常有用的。這使您能夠確定關鍵解釋變數是什麼以及您將控制哪
些其他因素。編寫包含誤差項的方程式可以讓您討論 OLS 是否是合適的估計方法。
本節應區分模型和估計方法。
模型表示總體關係（廣義定義以允許時間序列方程式）。
例如，我們應該寫
colGPA 5 b0 1 b1酒精1 b2hsGPA 1 b3SAT 1 b4女性1 u [19.1]
描述大學 GPA 和飲酒量之間的關係，並在方程式中添加一些其他控制。據推測，這個方程式代表了一個總體，例如某所特定大學的所有

本科生。 bj或colGPA上沒有「帽子」
(^) ，因為這是一個模型，而不是估計方程式。我們沒有輸入bj的數字，因為我們不知道（也永遠不
會知道）
這些數字。稍後，我們將對它們進行估計。在本節中，不要期望呈現您的實證結果。換句話說，不要從一個通用模型開始，然後說
你省略了某些變量，因為它們被證明是微不足道的。此類討論應留在結果部分。
將城市級汽車竊盜與失業率和定罪率聯繫起來的時間序列模型可能如下所示
偷竊5 b0 1 b1unemt 1 b2unemt21 1 b3carst

[19.2]
1 b4conratet 1 b5conratet21 1 ut ,

第616部分第3部分高級主題
其中t下標可用於強調方程式中的任何動態（在本例中，允許失業和汽車竊盜定罪率具有滯後效應）。
在指定一個或多個模型之後，討論估計方法是適當的。在大多數情況下，這將是 OLS，但是，例如，在時間序列方程
式中，您可以使用可行的 GLS 來進行序列相關校正（如第 12 章所述）。然而，估計模型的方法與模型本身有很大不同。
例如，談論「OLS 模型」
是沒有意義的。
一般最小平方法是一種估計方法，加權最小平方法、Cochrane‑Orcutt 等也是一種估計方法。通常有多種方法來估計任
何模型。您應該解釋為什麼您選擇的方法是有道理的。
任何用於從基礎經濟模型獲得可估計計量經濟模型的假設都應該進行清楚的討論。例如，在19‑1節提到的高中品質
例子中，如何衡量學校品質的問題是分析的核心。
是否應該基於平均 SAT 分數、大學畢業生比例、師生比例、教師平均教育程度、這些因素的某種組合，或者可能是其他

衡量標準？
無論是否提出了理論模型，我們總是必須對函數形式做出假設。如您所知，恆定彈性和恆定半彈性模型很有吸引力，
因為係數很容易解釋（作為百分比效應）。關於如何選擇函數形式沒有硬性規則，但第 6‑2 節中討論的指導方針似乎在
實踐中運作良好。您不需要對函數形式進行廣泛的討論，但提及您是否要估計彈性或半彈性是有用的。例如，如果您正在
估計某個變數對工資或薪水的影響，則因變數幾乎肯定會採用對數形式，您不妨從一開始就將其包含在任何方程中。您
不必呈現稍後將在結果部分中報告的每一種甚至大多數功能形式變體。
通常，實證經濟學中使用的數據是市或縣一級的數據。例如，假設對於中小城市的人口，您希望檢驗這樣的假設：擁
有小聯盟棒球隊會導致城市離婚率較低。在這種情況下，您必須考慮到大城市的離婚率會更高。衡量城市規模的一種方
法是以城市或成年人口來衡量離婚規模。因此，合理的模型是
log1div/pop2 5 b0 1 b1mlb 1 b2 perCath 1 b3log1inc/pop2

[19.3]
1其他因素，
其中mlb是一個虛擬變量，如果該城市有一支小聯盟棒球隊和perCath，則該變量等於 1
是天主教徒佔人口的百分比（因此 34.6 等數字表示 34.6%）。請注意， div/pop是離婚率，通常比離婚絕對數字更容
易解釋。
控制人口的另一種方法是估計模型
log1div2 5 g0 1 g1mlb 1 g2 perCath 1 g3log1inc2 1 g4log1pop2

[19.4]
1.其他因素。
感興趣的參數g1乘以 100 後，得出離婚率、持有人口、天主教徒百分比、收入以及「其他因素」中不變的其他因素之間的

百分比差異。在方程式（19.3）中， b1衡量小聯盟棒球對div/pop的百分比影響，可能會因離婚數量或人口變化而變化。
利用log1div/pop2 5 log1div2 2 log1pop2和log1inc/pop2 5 log1inc2 2 log1pop2這一事實，我們可以將 (19.3) 重
寫為
log1div2 5 b0 1 b1mlb 1 b2 perCath 1 b3log1inc2 1 11 2 b3 2log1pop2

1其他因素，

這顯示 (19.3) 是 (19.4) 的特例，其中g4 5 11 2 b3 2 和gj 5 bj , j 5 0, 1, 2, 3。

或者，(19.4) 相當於將log1pop2作為附加解釋變數加入 (19.3)。
這使得測試不同族群對離婚率的影響變得容易。
如果您使用更先進的估計方法，例如兩階段最小二乘法，您需要提供一些這樣做的理由。如果您使用 2SLS，
則必須仔細討論為什麼您對內生解釋變數（或多個變數）的 IV 選擇是有效的。正如我們在第 15 章中提到的，要
讓變數被視為良好的 IV 有兩個要求。首先，它必須從感興趣的方程式（結構方程式）中省略並且是外生的。這是
我們必須假設的。其次，它必須與內生解釋變數有一定的部分相關性。這個我們可以測試一下。例如，在方程式
（19.1）
中，您可以使用二元變數來表示學生是否住在宿舍（宿舍）作為飲酒量的 IV。這要求生活狀況對colGPA
沒有直接影響因此它被從（19.1）中省略並且它與u中影響colGPA 的未觀察到的因素不相關。我們還必須
核實宿舍
透過對宿舍、 hsGPA、 SAT和女性的酒精進行回歸，與酒精部分相關。（詳情請參閱第 15 章。）
您可以使用面板資料來解釋遺漏變數問題（或遺漏異質性）。同樣，這可以透過編寫一兩個方程式來輕鬆
描述。事實上，展示如何隨時間對方程式進行差分以消除時間常數不可觀測量是有用的。這給出了一個可以透
過 OLS 估計的方程式。或者，如果您使用固定效應估計，則只需說明即可。
舉一個簡單的例子，假設您正在測試較高的縣稅率是否會減少以人均製造業產出衡量的經濟活動。假設
1982 年、1987 年和 1992 年的模型為
log1manufit 2 5 b0 1 d1d87t 1 d2d92t 1 b1taxit 1 p

1艾1伊特，
其中d87t和d92t是年份虛擬變量， taxit是縣i在時間t的稅率（以百分比形式）。方程式中還有其他隨時間變化
的變量，包括經營成本的衡量標準（例如平均工資）、工人生產力的衡量標準（以平均教育程度衡量）等等。 ai
項是固定效應，包含所有不隨時間變化的因素，而uit是特殊誤差項。要刪除ai ，我們可以跨年差異或使用時間貶
低（固定效應變換）。
19‑5d 數據
您應該始終有一個部分仔細描述實證分析中使用的數據。如果您的資料不標準或尚未被其他研究人員廣泛使
用，這一點尤其重要。應提供足夠的信息，以便讀者原則上能夠獲取數據並重新進行分析。特別是，所有適用的
公共資料來源應包含在參考文獻中，並且短資料集可以在附錄中列出。如果您使用自己的調查來收集數據，則應
在附錄中提供問卷的副本。
在討論資料來源的同時，請務必討論每個變數的單位（例如，收入是以數百或數千美元衡量的嗎？）。包
含變數定義表對讀者非常有用。表中的名稱應與下節中描述計量經濟結果時所使用的名稱相對應。
提供總計統計資料表也非常有用，例如每個變數的最小值和最大值、平均值和標準差。擁有這樣的表格可以
更容易地解釋下一節中的係數估計值，並且它強調了變數的測量單位。對於二元變量，唯一必要的總和統計量是
樣本中的分數（與樣本平均值相同）。對於趨勢變量，諸如均值之類的東西就不那麼有趣了。計算樣本中變數
多年來的平均成長率通常很有用。

您應該始終清楚地說明您有多少觀察結果。對於時間序列資料集，請確定您在分析中使用的年份，包括歷史上任何
特殊時期（例如第二次世界大戰）
的描述。如果您使用匯總橫斷面資料或面板資料集，請務必報告每年有多少橫斷面單
位（人口、城市等）。
19‑5e 結果
結果部分應包括您對模型部分中製定的任何模型的估計。
您可以從一個非常簡單的分析開始。例如，假設畢業班上大學的學生百分比(percoll)被用來衡量一個人就讀的高中的品
質。然後，估計方程式是
log1wage2 5 b0 1 b1percoll 1 u。
當然，這並不能控制可能決定薪資且可能與percoll 相關的其他幾個因素。但簡單的分析可以吸引讀者進行更複雜的分
析，並揭示控制其他因素的重要性。
如果僅估計幾個方程，您可以以方程形式呈現結果，並在估計係數下方的括號中包含標準誤差。如果您的模型有多
個解釋變量，並且您要呈現一般模型的多個變體，則最好以表格形式而不是方程式形式報告結果。大多數論文應該至少
有一個表格，其中至少應包含每個方程式的 R 平方和觀測值數量。還可以列出其他統計數據，例如調整後的R 平方。
最重要的是討論你的實證結果的解釋和強度。
係數是否具有預期的符號？它們具有統計顯著性嗎？如果一個係數具有統計顯著性但具有違反直覺的符號，為什麼會是
這樣呢？它可能揭示了數據或計量經濟學方法的問題（例如，由於遺漏變數問題，OLS 可能不合適）。
請務必描述主要解釋變數的係數大小。通常，一兩個政策變數是研究的核心。應詳細對待它們的跡象、大小和統計
顯著性。請記得區分經濟意義和統計意義。如果t統計量很小，是因為係數實際上很小還是因為它的標準誤差很大？
除了討論最通用模型的估計之外，您還可以提供有趣的特殊情況，尤其是檢驗某些多重假設所需的情況。例如，在
確定跨行業工資差異的研究中，您可能會在沒有行業虛擬變數的情況下提出方程式；這使讀者可以輕鬆測試行業差異是
否具有統計顯著性（使用F檢定的 R 平方形式）。不要太擔心刪除各種變數來找到解釋變數的“最佳”組合。正如我們
之前提到的，這是一項艱鉅的任務，甚至沒有非常明確的定義。僅當消除一組變數顯著改變感興趣係數的大小和/或顯著
性時才如此重要。刪除一組變數以簡化模型（例如二次方程式或交互作用）可以透過F檢定來證明其合理性。
如果您至少使用了兩種不同的方法，例如 OLS 和 2SLS，或者時間序列的水平和差分，或者匯總 OLS 與面板資料

集的差分，那麼您應該對任何關鍵差異進行評論。如果 OLS 給出的結果違反直覺，那麼使用 2SLS 或面板資料方法是
否可以改善估計值？或者，發生了相反的情況？
19.5f 結論
這可以是一個簡短的部分，總結您所學到的內容。例如，您可能想要呈現特別感興趣的係數的大小。結論也應該討論對
得出的結論的注意事項，甚至可能提出進一步研究的方向。想像讀者先轉向結論來決定是否閱讀論文的其餘部分是很
有用的。

19‑5g 款式提示
你應該給你的論文一個反映其主題的標題，但要確保標題不要太長，以免顯得繁瑣。標題應位於單獨的標題頁上，其中還
包括您的姓名、所屬單位以及課程編號（如果相關）。扉頁還可以包含簡短的摘要，或者摘要可以包含在單獨的頁面上。
論文應打字並雙倍行距。所有方程式應另起一行，並且應居中並連續編號，即（1）、（2）、（3）等。正文之後可能
會包含大型圖表和表格。在文本中，按作者和日期引用論文，例如 White (1980)。論文末尾的參考文獻部分應採用標準格
式。文本後面的參考文獻中給了幾個例子。
當您在計量經濟模型部分引入方程式時，您應該描述重要的變數：因變數和一個或多個關鍵自變數。要專注於單一自
變量，您可以編寫一個方程，例如
GPA 5 b0 1 b1 酒精1 xd 1 u
或者
log1wage2 5 b0 1 b1educ 1 xd 1 u，
其中符號xd是其他幾個解釋變數的簡寫。此時，您只需概括地描述它們即可；它們可以在表格的數據部分中具體描述。例
如，在影響執行長薪資的因素的研究中，您可能會包含像表 19.1 這樣的表格。
從 Papke 和 Wooldridge (1996) 的表 I 中獲得的總統計表與 401K 中的資料類似，可以依表 19.2 所示進行設定。
在結果部分，您可以像我們經常做的那樣以方程式形式編寫估計值，也可以以表格形式編寫估計值。特別是當使用不
同的解釋變數集估計多個模型時，表格非常有用。例如，如果將估計值寫成方程，
log1salary2 5 2.45 1 .236 log1sales2 1 .008股本1 .061 ceoten

10.932 1.1152 1.0032 n 5 204， R2 1.0282
5 .351，
請務必在第一個方程式附近註明標準誤位於括號內。報告測試H0: bj 5 0 的t統計量或其絕對值是可以接受的，但最重要的
是說明您正在做什麼。
表 19.1 變數說明
薪水 1990年年薪（含獎金）
（單位：千）
銷售量 1990 年的固定銷售額（單位：百萬）
魚子平均股本回報率，1988‑1990（百分比）
個人電腦薪資百分比變化，1988‑1990
普羅埃淨資產收益率百分比變化，1988‑1990
工業 5 若是工業公司則為 1，否則為 0
金融 5 若是金融公司則為 1，否則為 0
康普羅德 5 若是消費品公司則為 1，否則為 0

實用程式
5 如果是公用事業公司則為 1，否則為 0
塞奧滕擔任公司執行長的年數

表 19.2 總計統計數據
多變的意思是標準差最低限度最大限度
喋喋不休 .869 .167 .023 1
率 .746 .844 .011 5
採用 4,621.01 16,299.64 53 443,040
年齡 13.14 9.63 4 76
唯一 .415 .493 0 1
觀察次數 5 3,784
如果您以表格形式報告結果，請確保清楚標示因變數和自變數。再說明標準誤差或t統計量是否低於係數（首選前
者）。有些作者喜歡使用星號來表示不同顯著水準的統計顯著性（例如，一顆星表示在5% 時顯著，兩顆星表示在10% 時
顯著但不是5%，等等）。如果您仔細討論文本中解釋變數的重要性，則沒有必要這樣做。
表 19.3 顯示了源自 Papke 和 Wooldridge (1996) 表 II 的結果樣本表。
如果您選擇因變數和自變數的單位以使係數不會太大或太小，您的結果將更容易閱讀和解釋。您永遠不應該為係數
或標準誤差報告諸如 1.051e2007 或 3.524e1006 之類的數字，也不應該使用科學記數法。如果係數非常小或非常大，請
重新調整因變量或自變量，正如我們在第 6 章中討論的那樣。您應該限制小數點後報告的位數，以免傳達錯誤的精度感。
例如，如果你的回歸
表 19.3 OLS 結果。因變數：參與率

自變數 (1) (2) (3)
率 .156 .239 .218
(.012) (.042) (.342)
速率2 2.087 2.096

(.043) (.073)
日誌（員工） 2.112 2.112 2.098

(.014) (.014) (.111)
log1emp2
2 .0057 .0057 .0052
(.0009) (.0009) (.0007)
年齡 .0060 .0059 .0050

(.0010) (.0010) (.0021)
年齡2 2.00007 2.00007 2.00006

(.00002) (.00002) (.00002)
唯一 2.0001 .0008 .0006
(.0058) (.0058) (.0061)
持續的 1.213 .198 .085
(.051) (.052) (.041)
行業假人？不不是的
觀察結果 3,784 3,784 3,784

R‑平方 .143 .152 .162
註：估計值下方括號內的數量為標準誤。

包估計係數為 0.54821059，您應該在論文中將其報告為 0.548，甚至 0.55。
通常，您的特定計量經濟學軟體包用於產生結果的命令不應出現在論文中；只有結果才重要。如果使用
某些特殊命令來執行某種估計方法，可以在附錄中給出。附錄也是包含額外結果的好地方，這些結果支持
您的分析，但不是分析的核心。
概括
在本章中，我們討論了成功的實證研究的要素，並提供了可以提高分析品質的提示。最終，任何研究的成功很大程度取決於
投入的關注和努力。
關鍵術語
資料探勘線上資料庫試算表
網際網路線上檢索服務文字編輯器
規格錯誤分析敏感度分析文字 (ASCII) 文件
實證項目範例
在整本書中，我們看到了計量經濟學分析的例子，這些分析要么來自已發表的作品，要么是由已發表的作品激發的。我們
希望這些能讓您對實證分析的範圍有一個很好的了解。我們將以下清單作為其他人已經發現或可能感興趣的問題的附加
範例。這些旨在激發您的想像；沒有嘗試填寫特定模型、資料要求或替代估計方法的所有細節。這些項目應該可以在一學期
內完成。
1進行自己的校園調查，回答您大學有興趣的問題。例如：工作對大學GPA有什麼影響？您可以詢問學生高中 GPA、大學
GPA、ACT 或 SAT 成績、每週工作時間、參加體育運動、專業、性別、種族等資訊。
然後，使用這些變數建立一個解釋 GPA 的模型。每週多工作一小時對 GPA 的影響有多大（如果有的話）？值得關注

的一個問題是，工作時間可能是內生的：它可能與影響大學 GPA 的未觀察到的因素有關，或者較低的 GPA 可能會導
致學生工作更多。
更好的方法是在學期前收集累計 GPA，然後取得最近學期的 GPA、該學期的工作量以及其他變數。現在，累積

GPA 可以用作方程中的控制（解釋變數）。
2前面的主題有很多變體。您可以研究吸毒或酗酒或生活在兄弟會中對平均績點的影響。您可能想要控制許多家庭背景變
數以及先前的表現變數。
3城市層級的槍枝管制法是否能減少暴力犯罪？這些問題很難用單一的橫斷面來回答，因為城市和州的法律通常是內生
的。 [參見 Kleck 和 Patterson (1993) 的例子。他們使用橫斷面資料和工具變數方法，但它們的 IV 是有問題的。]
面板資料對於推斷這些背景下的因果關係非常有用。至少，您可以控制前一年的暴力犯罪率。
4 Low 和 McPheters (1983) 使用了關於警察工資率和死亡風險估計的城市橫斷面資料以及其他控制措施。這個想法是

為了確定警察是否因在工傷或死亡風險較高的城市工作而獲得補償。

5父母同意法會增加青少年生育率嗎？為此，您可以使用州級資料：給定州的時間序列，或者更好的是州的面板資料集。同樣的
法律是否會降低青少年的墮胎率？美國統計摘要包含各種州級資料。 Levine、Trainor 和 Zimmerman（1996）
研究了
墮胎資金限制對類似結果的影響。其他因素，例如墮胎的機會，可能會影響青少年出生和墮胎率。
最近人們對「僅禁慾」
性教育課程的影響也產生了興趣。人們可以再次使用州一級的面板數據，甚至學區一級的面板
數據，來確定僅禁慾的性教育方法對各種結果的影響，包括性傳染病的發生率和青少年的出生率。
6交通法規的變化是否會影響交通死亡人數？ McCarthy (1994) 包含加州每月時間序列資料的分析。一組虛擬變數可用於指

示某些法律生效的月份。文件 TRAFFIC2 包含 McCarthy 所使用的資料。
另一種方法是獲取美國各州的面板資料集，您可以在其中利用跨州和跨時間法律的變化。 Freeman (2007) 是州級分析

的一個很好的例子，它使用了 25 年的數據，涵蓋了各州醉酒駕駛、安全帶和限速法律的變化。數據可以在檔案 DRIVING.txt
中找到。
Mullahy 和 Sindelar (1994) 使用與州法律和稅收相匹配的個人層面數據

酒精來估計法律和稅收對醉酒駕駛機率的影響。
7黑人在貸款市場上是否受到歧視？ Hunter 和 Walker (1996) 研究了這個問題；事實上，我們在第 7 章的電腦練習

C.8 和第 17 章的電腦練習 C.2 中使用了他們的數據。
8職業運動員有結婚費用嗎？ Korenman 和 Neumark (1991) 在使用各種計量經濟方法後發現已婚男性的工資有顯著的溢
價，但他們的分析是有限的，因為他們無法直接觀察生產力。（此外，科倫曼和諾伊馬克在各種職業中使用了男性。）
職
業運動員提供了一個有趣的群體來研究婚姻溢價，因為除了工資之外，我們還可以輕鬆收集各種生產力指標的數據。關於
美國國家籃球協會 (NBA) 球員的資料集 NBASAL 就是一個例子。對於每個球員，我們都有得分、籃板、助攻、上場時間和
人口統計資料。如第 6 章的電腦練習 C.9 中那樣，我們可以使用多元迴歸分析來測試生產力指標是否因婚姻狀況而異。我
們也可以使用此類數據來測試在考慮了生產力差異後，已婚男性的薪水是否更高。（例如，NBA老闆可能認為已婚男性
會為球隊帶來穩定，或更有利於球隊形象。）
對於個人運動項目例如高爾夫和網球年收入直接反映生產力。這些數據
以及年齡和經驗相對容易收集。
9回答這個問題：吸菸者的工作效率是否較低？這個問題的一個變體是：吸煙的工人是否會請更多的病假（其他條件相同）？
Mullahy 和 Portney (1990) 使用個人層面的資料來評估這個問題。例如，您可以使用大都市層級的資料。製造業的平均
生產率之類的東西可能與吸煙的製造業工人的百分比有關。其他變量，例如工人平均教育程度、人均資本以及城市規模
（你可以想到更多），都應該受到控制。
10最低工資能減輕貧窮嗎？您可以使用州或縣數據來回答這個問題。這個想法是，最低工資因州而異，因為有些州的最低工資
高於聯邦最低工資。此外，一個州內的名義最低限額會隨著時間的推移而變化，有些是由於聯邦層級的變化，有些是因為州
層級的變化。 Neumark 和 Wascher（1995）
使用各州的面板資料來估計最低工資對年輕工人就業率以及入學率的影
響。
11哪些因素影響公立學校學生的表現？在大多數州，獲得學校級別或至少學區級別的數據相當容易。每位學生的支出重要嗎？
師生比例有影響嗎？在其他條件不變的情況下很難估計影響，因為支出與其他因素有關，例如家庭收入或貧窮率。密西根
高中的資料集 MEAP93 包含

衡量貧窮率。另一種可能性是使用面板數據，或至少控制前一年的表現衡量標準（例如平均考試成績或通過考試的學生百
分比）。
您可以查看影響學生表現的不太明顯的因素。例如，控制了收入之後，家庭結構還重要嗎？也許有兩名父母但只有一
名父母工作的家庭會對績效產生正面影響。（至少可以有兩個管道：父母花更多的時間陪伴孩子，他們也可能在學校做志
工。）
控制收入和其他因素後，單親家庭的影響如何？您可以將一年或兩年的人口普查資料與學區資料合併。
由於競爭，擁有更多特許學校的公立學校或附近的私立學校是否能更好地教育學生？這裡有一個棘手的同時性問題，
因為私立學校可能位於公立學校已經很窮的地區。 Hoxby (1994) 使用工具變數法，將各種宗教的人口比例作為私立學校
數量的 IV。
Rouse (1998) 研究了一個不同的問題：由於密爾瓦基學券計劃而能夠進入私立學校的學生是否比那些沒有參加私立學

校的學生表現更好？她使用面板數據並能夠控制未觀察到的學生效應。文件 VOUCHER 中包含 Rouse 資料的子集。
12股票或股指的超額報酬可以透過滯後本益比來預測嗎？還是滯後利率或每週貨幣政策？選擇外國股票指數或不太知名的美國指
數之一會很有趣。 Cochrane（1997）
對解釋超額股票報酬的最新理論和實證結果進行了很好的調查。
13棒球卡市場是否有種族歧視？這涉及將棒球卡的價格與影響其價格的因素聯繫起來，例如職業統計數據、球員是否進入名人堂
等等。在其他因素不變的情況下，黑人或西班牙裔球員的卡牌會打折嗎？
14您可以測試體育博彩市場是否有效。例如，足球或籃球比賽的點差是否包含用於對抗點差的所有可用資訊？資料集 PNTSPRD
包含男子大學籃球比賽的資訊。結果變數是二元的。
價差是否被覆蓋？然後，您可以嘗試查找每場比賽之前已知的信息，以預測價差是否已覆蓋。（祝你好運！）
www.goldsheet.com 是一個有用的網站，其中包含大學橄欖球和男子籃球比賽的歷史賠率和結果。
15大學體育的成功對大學的其他方面（申請、學生品質、非體育系的品質）
有何影響（如果有的話）？ McCormick 和 Tinsley
(1987) 研究了主要大學的運動表現對新生 SAT 成績變化的影響。
時機在這裡很重要：大概是最近的成功影響了當前的申請和學生品質。人們必須控制許多其他因素（例如學費和學校品質衡
量標準）
才能使分析令人信服，因為在不控制其他因素的情況下，學業成績和運動成績之間存在負相關性。 Tucker (2004)
對學術和運動表現之間的聯繫進行了最新的研究，他也研究了校友貢獻如何受到運動成功的影響。
一種變體是匹配足球或男子籃球中的天然對手，並根據哪所學校贏得足球比賽或一場或多場籃球比賽來觀察學校之間
的差異。
ATHLET1 和 ATHLET2 是可以擴充和更新的小資料集。
16收集一些縣樣本的謀殺率（例如，來自聯邦調查局統一犯罪報告）
兩年。使後一年的經濟和人口變數易於從縣和市數據手冊中獲
得。您可以獲得縣級死囚總數以及中間年份的處決人數。如果年份是 1990 年和 1985 年，您可能會估計
mrdrte90 5 b0 1 b1mrdrte85 1 b2executions 1其他因素，

其中興趣在於執行係數。滯後的謀殺率和其他因素起到了控製作用。如果獲得兩年以上的數據，則可以應用第13章和第14章
的面板資料方法。
其他因素也可能起到威懾犯罪的作用。例如，Cloninger (1991) 提出了警察致命反應對犯罪率影響的橫斷面分析。
另一方面，哪些因素會影響大學校園的犯罪率？住在兄弟會或姊妹會的學生比例有影響嗎？警察部隊的規模或使用的
警務類型重要嗎？（這裡推斷因果關係時要小心。）
有護送計劃有助於減少犯罪嗎？附近社區的犯罪率怎麼樣？最近，學院
和大學被要求報告犯罪統計數據；前幾年，報告是自願的。
17哪些因素影響州級的製造業生產力？除了資本和工人教育程度之外，您還可以查看工會化程度。面板資料分析在這裡是最有說
服力的，使用多年的人口普查數據，例如 1980 年、1990 年、2000 年和 2010 年。Clark (1984) 分析了工會化如何影響公司
績效和生產力。還有哪些變數可以解釋生產力？
公司層級的數據可以從 Compustat 取得。例如，在其他因素固定的情況下，工會的變動會影響公司的股價嗎？
18使用州或縣級數據，或者如果可能的話，使用學區級數據來研究影響每個學生教育支出的因素。一個有趣的問題是：在其他條件
相同的情況下（例如居民的收入和教育程度），老年人比例較高的地區在學校上的支出是否會較少？人口普查數據可以與學
區支出數據相匹配，以獲得非常大的橫斷面。美國教育部匯總了此類數據。
19國家法規（例如摩托車頭盔法）
對摩托車死亡人數有何影響？或者划船法律的差異（例如最低操作年齡）
是否有助於解釋划船事
故的發生率？美國交通部彙編此類資訊。這可以與美國統計摘要的數據合併。這裡似乎有必要進行面板資料分析。
20哪些因素影響產量成長？兩個令人感興趣的因素是通貨膨脹和投資[例如，Blomström、Lipsey 和 Zejan (1996)]。您可以使

用您感興趣的國家/地區的時間序列資料。或者你可以使用國家的橫斷面，如 De Long 和 Summers (1991) 中的橫斷面，
如 De Long 和 Summers (1991) 中的那樣。 Friedman 和 Kuttner（1992）
發現的證據表明，至少在 1980 年代，商業
票據利率和國庫券利率之間的利差會影響實際產出。
21美國經濟（或其他一些經濟體）
的合併行為是什麼？ Shughart 和 Tollison（1984）
將美國經濟的年度合併（對數）
描述為隨
機遊走，表明對數差異（大致是成長率）
在考慮到過去成長率的情況下是不可預測的。這還成立嗎？它適用於各個行業嗎？
過去哪些經濟活動指標可以用來預測合併？
22哪些因素可以解釋就業和薪資的種族和性別差異？例如，Holzer（1991）
回顧了「空間不匹配假說」
的證據來解釋黑人和白人之
間就業率的差異。 Korenman 和 Neumark (1992) 研究了生育對女性工資的影響，而 Hersch 和 Stratton (1997) 研究了
家庭責任對男性和女性工資的影響。
23取得青少年就業率、最低工資以及影響青少年就業因素的月度或季度數據，以估計最低工資對青少年就業的影響。 Solon
(1985) 使用了美國的季度數據，而 Castillo‑Freeman 和 Freeman (1992) 使用了波多黎各的年度數據。分析美國低工資
州的時間序列數據可能會提供有用的信息，其中最低工資的變化可能會產生最大的影響。
24在城市層面，估計犯罪的時間序列模型。 Cloninger 和 Sartorius (1979) 就是一個例子。

作為一個轉折，你可以估計社區治安或午夜籃球計劃的效果，

打擊犯罪方面相對較新的創新。推斷因果關係很棘手。包含滯後因變數可能會有所幫助。由於您使用的是時間序列數據，因
此您應該注意虛假回歸問題。
Grogger (1990) 使用每日兇殺案計數資料來估計死刑的嚇阻效果。是否還有其他因素（例如有關警方致命反應的新

聞）
對每日犯罪數產生影響？
25計算機的使用是否會對整體生產力產生影響？您需要取得有關生產力、使用電腦的員工百分比以及其他因素的時間序列資料（可
能是國家層級的資料）。研發支出（可能佔總銷售額的一部分）
怎麼樣？哪些社會因素（例如飲酒或離婚率）
可能會影響生
產力？
26哪些因素影響執行長的薪酬？文件 CEOSAL1 和 CEOSAL2 是包含各種公司績效指標以及任期和教育等資訊的資料集。您當然

可以更新這些資料檔案並尋找其他有趣的因素。 Rose 與 Shepard (1997) 認為公司多角化是 CEO 薪酬的重要決定因素之
一。
27各州稅法差異是否會影響外國直接投資金額？ Hines (1996) 研究了州公司稅以及申請外國稅收抵免的能力對美國境外投資的

影響。
28哪些因素影響選舉結果？支出重要嗎？對具體問題的投票重要嗎？
當地經濟狀況重要嗎？例如，請參閱 Levitt (1994) 和資料集 VOTE1 和 VOTE2。 Fair（1996）
對美國總統選舉進行了時間
序列分析。
29測試商店或餐廳是否有基於種族或民族的價格歧視。 Graddy（1997）
使用新澤西州和賓夕法尼亞州快餐店的數據以及郵遞區
號層級的特徵，來了解價格是否因當地人口的特徵而變化。她發現，當黑人居民比例增加時，蘇打水等標準商品的價格就會
上漲。（她的數據包含在文件 DISCRIM 中。）
您可以透過調查商店或餐廳的常見商品價格並將其與最近的人口普查數據進
行匹配來收集您當地的類似數據。有關她分析的詳細信息，請參閱 Grady 的論文。
30進行自己的「審核」
研究，以測試招募中的種族或性別歧視。（附錄 C 的範例 C.3 中描述了一項此類研究。）
讓一對同等資格
的朋友（例如，一男一女）
申請當地酒吧或餐廳的職位空缺。你可以向他們提供虛假的簡歷，讓他們擁有相同的經歷和背景，
唯一的區別是性別（或種族）。
然後，您可以追蹤誰獲得了面試和工作機會。 Neumark (1996) 描述了在費城進行的一項此類研究。一種變體是測試一般

的身體吸引力或特定特徵（例如肥胖或有明顯的紋身或身體穿孔）
是否在招聘決策中發揮作用。您可能希望在配對中使用相
同的性別，並且為此類研究找到志願者可能並不容易。
31繼 Hamermesh 和 Parker（2005）

之後，嘗試在大學教師的外表和學生評價之間建立聯繫。這可以透過調查在校園內完成。可
以從網站上獲得一些粗略的數據，這些網站允許學生對教授進行排名並提供一些有關外表的資訊。不過，理想情況下，任何
對吸引力的評估都不是由目前或以前的學生進行的，因為這些評估可能會受到所獲成績的影響。
32利用面板資料研究各種經濟政策對區域經濟成長的影響。研究稅收和支出的影響是很自然的，但其他政策可能也很有趣。例如，
Craig、Jackson 和 Thomson（2007）
研究了小型企業協會貸款擔保計畫對人均收入成長的影響。
33 Blinder 和 Watson（2014）
最近根據現任總統的政黨研究了對美國經濟變數系統性差異（特別是實際 GDP 成長）
的解釋。人
們可以將數據更新到最近幾個季度，並研究 GDP 以外的變量，例如失業率。

期刊列表
以下是包含商業、經濟學和其他社會科學實證研究的流行期刊的部分清單。完整的期刊清單可以在網路上找到：http://
www.econlit.org。
美國經濟雜誌：應用經濟學
美國經濟雜誌：經濟政策
美國經濟評論
美國農業經濟學雜誌
美國政治學評論
應用經濟學
布魯金斯經濟活動論文
加拿大經濟學雜誌
人口統計
經濟發展與文化變革
經濟查詢
經濟
教育經濟評論
教育財政與政策
經濟學快報
實證經濟學
聯準會公報
國際經濟評論
國際稅務及公共財政
應用計量經濟學雜誌
商業與經濟統計雜誌
發展經濟學雜誌
經濟教育雜誌
實證金融雜誌
環境經濟與管理雜誌
金融雜誌
衛生經濟學雜誌
人力資源雜誌
工業經濟學雜誌
國際經濟學雜誌
勞動經濟學雜誌
貨幣經濟學雜誌
貨幣、信貸和銀行雜誌
政治經濟學雜誌
公共經濟學雜誌
定量犯罪學雜誌
城市經濟學雜誌
國家經濟研究局工作論文系列
國家稅務雜誌
公共財政季刊
經濟學季刊
區域科學與城市經濟學
經濟研究評論
經濟學與統計評論

資料來源
世界各地有大量資料來源可供使用。大多數國家的政府都收集了大量數據；前面已經提到了美國的一些通用且易
於存取的資料來源，例如總統經濟報告、美國統計摘要以及縣市資料手冊。許多國家的國際金融數據每年都會在
《國際金融統計》中發布。各種雜誌，例如《商業周刊》
和《美國新聞與世界報道》，經常發布統計數據，例如首
席執行官的薪水和公司績效，或學術項目的排名 ‑
新穎且可用於計量經濟分析。
我們並沒有試圖在這裡提供一個列表，而是提供了一些互聯網地址，這些地址對於經濟學家來說是全面的
來源。賓州州立大學的 Bill Goffe 維護著一個對經濟學家非常有用的網站，稱為網路上的經濟學家資源。地址是
http://www.rfe.org。
該網站提供期刊、資料來源以及專業和學術經濟學家名單的連結。使用起來非常簡單。
另一個非常有用的網站是
http://econometriclinks.com，
其中包含許多資料來源以及實證經濟學家感興趣的其他網站的連結。
此外，《應用計量經濟學雜誌》和《商業與經濟統計雜誌》
擁有資料檔案，其中包含過去幾年在期刊上發表的大多數論文中使用的資料集。如果您找到感興趣的資料集，這
是一個好方法，因為資料的大部分清理和格式化工作已經完成。缺點是其中一些資料集用於計量經濟分析，這
些分析比我們在本文中了解到的更先進。另一方面，使用標準計量經濟學方法來估計更簡單的模型進行比較通
常很有用。
許多大學，例如加州大學柏克萊分校、密西根大學和馬裡蘭大學，都維護著非常廣泛的數據集以及各種數據
集的連結。
您自己的圖書館可能包含一組廣泛的商業、經濟和其他社會科學資料庫的連結。地區聯邦儲備銀行（例如聖路易
斯的聯邦儲備銀行）管理各種資料。國家經濟研究局發布了一些研究人員使用的數據集。州和聯邦政府現在發布
了大量可以透過網路存取的數據。人口普查數據可從美國人口普查局公開取得。（兩個有用的出版物是《經濟
普查》，在以 2 和 7 結尾的年份發布，以及《人口和住房普查》，在每個十年開始時發布。）
其他機構，例如美國
司法部，也提供數據‑ 能夠向公眾公開。


Wooldridge-IE6e-Chapter19 (2) (1) 11

Uploaded by

Copyright:

Available Formats

You might also like

Wooldridge-IE6e-Chapter19 (2) (1) 11

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Wooldridge-IE6e-Chapter19 (2) (1) 11

Uploaded by

Copyright:

Available Formats

Machine Translated by Google

Machine Translated by Google

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

高中品質 [Card 和 Krueger (1992) 和 Betts (1995)]、高中數學和科學的學習量 [Levine 和 Zimmerman (1995)] 以及

一旦你決定了一個研究領域，就有多種方法可以找到有關該主題的特定論文。 《經濟文獻雜誌》 （JEL）有一個詳細

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

對於面板數據，正如我們在第 13‑5 節中討論的那樣，最好每個橫斷面觀察的所有年份都是相鄰的並且按時間

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

操縱面板數據可能更具挑戰性。在第 13 章中，我們討論了差異資料上的合併 OLS，作為控制未觀察到的影響的一種

為了證明 OLS 的合理性，您還必須提供令人信服的案例，證明您的模型符合關鍵的 OLS 假設。正如我們已經詳細討

我們在第 7 章和第 15 章中討論的這一點通常是相關的。例如，在第 19‑3 節的 IRA 範例中，那些具有未被觀察到的儲蓄傾

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

正如我們在第 10 章、第 11 章和第 12 章中所強調的那樣，時間序列應用需要額外小心。

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

總體思路是要么從大型模型開始並保留p 值低於特定顯著性水平的變量，要么從簡單模型開始並添加具有顯著p 值的變

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

colGPA 5 b0 1 b1酒精1 b2hsGPA 1 b3SAT 1 b4女性1 u [19.1]

描述大學 GPA 和飲酒量之間的關係，並在方程式中添加一些其他控制。據推測，這個方程式代表了一個總體，例如某所特定大學的所有

偷竊5 b0 1 b1unemt 1 b2unemt21 1 b3carst

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

是否應該基於平均 SAT 分數、大學畢業生比例、師生比例、教師平均教育程度、這些因素的某種組合，或者可能是其他

log1div/pop2 5 b0 1 b1mlb 1 b2 perCath 1 b3log1inc/pop2

log1div2 5 g0 1 g1mlb 1 g2 perCath 1 g3log1inc2 1 g4log1pop2

感興趣的參數g1乘以 100 後，得出離婚率、持有人口、天主教徒百分比、收入以及「其他因素」 中不變的其他因素之間的

log1div2 5 b0 1 b1mlb 1 b2 perCath 1 b3log1inc2 1 11 2 b3 2log1pop2

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

這顯示 (19.3) 是 (19.4) 的特例，其中g4 5 11 2 b3 2 和gj 5 bj , j 5 0, 1, 2, 3。

透過對宿舍、 hsGPA、 SAT和女性的酒精進行回歸，與酒精部分相關。 （詳情請參閱第 15 章。）

log1manufit 2 5 b0 1 d1d87t 1 d2d92t 1 b1taxit 1 p

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

如果您至少使用了兩種不同的方法，例如 OLS 和 2SLS，或者時間序列的水平和差分，或者匯總 OLS 與面板資料

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

從 Papke 和 Wooldridge (1996) 的表 I 中獲得的總統計表與 401K 中的資料類似，可以依表 19.2 所示進行設定。

log1salary2 5 2.45 1 .236 log1sales2 1 .008股本1 .061 ceoten

康普羅德 5 若是消費品公司則為 1，否則為 0

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

喋喋不休 .869 .167 .023 1

率 .746 .844 .011 5

採用 4,621.01 16,299.64 53 443,040

表 19.3 顯示了源自 Papke 和 Wooldridge (1996) 表 II 的結果樣本表。

表 19.3 OLS 結果。因變數：參與率

速率2 2.087 2.096

日誌（員工） 2.112 2.112 2.098

年齡 .0060 .0059 .0050

年齡2 2.00007 2.00007 2.00006

觀察結果 3,784 3,784 3,784

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

包估計係數為 0.54821059，您應該在論文中將其報告為 0.548，甚至 0.55。

然後，使用這些變數建立一個解釋 GPA 的模型。每週多工作一小時對 GPA 的影響有多大（如果有的話）？值得關注

更好的方法是在學期前收集累計 GPA，然後取得最近學期的 GPA、該學期的工作量以及其他變數。現在，累積

4 Low 和 McPheters (1983) 使用了關於警察工資率和死亡風險估計的城市橫斷面資料以及其他控制措施。這個想法是

版權所有 2016 聖智學習。版權所有。不得全部或部分影印、掃描或複製。由於電子版權的原因，電子書和/或電子章節中可能會禁止某些第三方內容。

6交通法規的變化是否會影響交通死亡人數？ McCarthy (1994) 包含加州每月時間序列資料的分析。一組虛擬變數可用於指

另一種方法是獲取美國各州的面板資料集，您可以在其中利用跨州和跨時間法律的變化。 Freeman (2007) 是州級分析

一旦你決定了一個研究領域，就有多種方法可以找到有關該主題的特定論文。《經濟文獻雜誌》（JEL）有一個詳細

感興趣的參數g1乘以 100 後，得出離婚率、持有人口、天主教徒百分比、收入以及「其他因素」中不變的其他因素之間的

透過對宿舍、 hsGPA、 SAT和女性的酒精進行回歸，與酒精部分相關。（詳情請參閱第 15 章。）