第15章 動(dòng)態(tài)因果效應(yīng)的估計(jì)

? ? ? ? 本章解答了X的變化對(duì)Y的現(xiàn)在或?qū)?lái)效應(yīng)的估計(jì)問(wèn)題,即X變化對(duì)Y的動(dòng)態(tài)因果效應(yīng)(dynamic causal effect)

? ? ①利用OLS估計(jì)分布滯后模型的系數(shù)

? ? ②建立誤差項(xiàng)中序列相關(guān)的自回歸模型辅斟,然后利用這個(gè)自回歸模型推導(dǎo)分布滯后模型(ADL)


一禽翼、橘子汁數(shù)據(jù)初探


二蹲坷、動(dòng)態(tài)因果效應(yīng)

? ? 1.因果效應(yīng)與時(shí)間序列數(shù)據(jù)

? ? ? ? 在1.2節(jié)中绿聘,我們將因果效應(yīng)定義為理想化隨機(jī)對(duì)照試驗(yàn)的結(jié)果爬凑;在時(shí)間序列數(shù)據(jù)中级解,需要修改這種用理想化隨機(jī)對(duì)照試驗(yàn)描述的因果效應(yīng)定義

? ? ? ? 在時(shí)間序列數(shù)據(jù)中冒黑,將隨機(jī)對(duì)照試驗(yàn)看作是由在不同時(shí)間點(diǎn)上,給予不同處理的同一對(duì)象組成的有利于我們的分析蠕趁。在這個(gè)框架內(nèi)薛闪,單個(gè)對(duì)象在不同時(shí)間點(diǎn)上分別扮演了處理組和對(duì)照組兩種角色。由于數(shù)據(jù)是隨時(shí)間收集的俺陋,因此可以估計(jì)動(dòng)態(tài)因果效應(yīng)豁延,即感興趣處理對(duì)結(jié)果效應(yīng)的時(shí)間路徑

? ? ? ? 因?yàn)閯?dòng)態(tài)效應(yīng)必定是隨時(shí)間發(fā)生的,所以估計(jì)動(dòng)態(tài)因果效應(yīng)的計(jì)量經(jīng)濟(jì)學(xué)模型中必須包含滯后項(xiàng)腊状。為此诱咏,Y_t可表示為X_t當(dāng)前和r個(gè)過(guò)去值的分布滯后形式:

Y_t=\beta_0+\beta_1X_t+\beta_2X_{t-1}+...+\beta_{r+1}X_{t-r}+u_t

? ? 2.兩類外生性

? ? ? ? 外生性的第一個(gè)概念是過(guò)去和現(xiàn)在外生性(past and present exogeneity),即:

\mathbb{E}(u_t|X_t,X_{t-1},...)=0

? ? ? ? 外生性的第二個(gè)概念是嚴(yán)格外生性(strict ecogeneity)缴挖,即:

\mathbb{E}(u_t|...,X_{t+1},X_t,X_{t-1},...)=0


三袋狞、含外生回歸變量時(shí)的動(dòng)態(tài)因果效應(yīng)估計(jì)

? ? 1.分布滯后模型的假設(shè)

? ? ①X是外生的,即\mathbb{E}(u_t|X_t,X_{t-1},...)=0

? ? ②隨機(jī)變量Y_t,X_t具有平穩(wěn)分布映屋,且當(dāng)j變大時(shí)苟鸯,(Y_t,X_t)(Y_{t-j},X_{t-j})獨(dú)立

? ? ③Y_t,X_t有大于八階的非零有限矩

? ? ④不存在完全多重共線性

? ? 2.自相關(guān)的u_t、標(biāo)準(zhǔn)誤差和推斷

? ? ? ? 在分布滯后回歸模型中棚点,誤差項(xiàng)u_t可能是自相關(guān)的早处,即u_t與其滯后值相關(guān)

? ??????u_t的自相關(guān)不會(huì)影響OLS的一致性,也不會(huì)引入偏差瘫析;但若誤差是自相關(guān)的砌梆,則常用的OLS標(biāo)準(zhǔn)誤差一般是非一致的,必須采用不同的公式

? ? 3.動(dòng)態(tài)乘數(shù)和累積動(dòng)態(tài)乘數(shù)

? ? ? ? 動(dòng)態(tài)乘數(shù):X變化一個(gè)單位對(duì)h期后的Y的效應(yīng)贬循,即\beta_{h+1}

? ? ? ? 累積動(dòng)態(tài)乘數(shù):X變化一個(gè)單位對(duì)接下來(lái)h期的累積效應(yīng)咸包,即\beta_1+...+\beta_{h+1}

? ? ? ? 累計(jì)動(dòng)態(tài)乘數(shù)可以通過(guò)下式中的分布滯后回歸模型直接估計(jì)得到,即:

Y_t=\delta_0+\delta_1\Delta X_t+\delta_2\Delta X_{t-1}+...+\delta_{r}\Delta X_{t-r+1}+\delta_{r+1}X_{t-r}+u_t

? ? 其中\delta_0=\beta_0,\delta_1=\beta_1,\delta_2=\beta_1+\beta_2,...,\delta_{r+1}=\beta_1+\beta_2+...+\beta_{r+1}


四杖虾、異方差和自相關(guān)一致的標(biāo)準(zhǔn)誤差

? ? ? ? 若誤差項(xiàng)u_t是自相關(guān)的烂瘫,則OLS是一致的,但截面數(shù)據(jù)的常用OLS標(biāo)準(zhǔn)誤差一般不是一致的奇适;這意味著基于常用OLS標(biāo)準(zhǔn)誤差的常用統(tǒng)計(jì)推斷坟比,假設(shè)檢驗(yàn)和置信區(qū)間一般是錯(cuò)誤的

? ? ? ? 本節(jié)集中討論了時(shí)間序列數(shù)據(jù)中的HAC標(biāo)準(zhǔn)誤差

? ? 1.誤差自相關(guān)時(shí)的OLS估計(jì)量的分布

? ? ? ? 考慮不含滯后項(xiàng)的分布滯后回歸模型,即如下包含單個(gè)回歸變量X_t的線性回歸模型:

Y_t=\beta_0+\beta_1X_t+u_t

? ? ? ? OLS估計(jì)量\hat{\beta}_1可以表示為:\hat{\beta}_1=\beta_1+\frac{\sum(X_t-\overline{X})u_t/T}{\sum(X_t-\overline{X})^2/T}

? ? ? ? 注意到\overline{X}\xrightarrow{p}\mu_X,\sum(X_t-\overline{X})^2/T\xrightarrow{p}\sigma_X^2

? ? ? ? 記v_t=(X_t-\mu_X)u_t,\overline{v}=\sum v_t/T

? ? ? ? 則\hat{\beta}_1-\beta_1\xrightarrow{p}\overline{v}/\sigma_X^2,var(\hat{\beta}_1)\xrightarrow{p}var(\overline{v})/\sigma_X^4

? ? ? ? 若u_tX_t不隨時(shí)間獨(dú)立分步滤愕,則v_t 一般是序列相關(guān)的温算,于是var(\overline{v})\ne var(v_t)/T

? ? ? ? 若v_t序列相關(guān),則\overline{v}的方差為:

\begin{align*}
var(\overline{v})
&=var[(v_1+...+v_T)/T]\\
&=[Tvar(v_t)+2(T-1)cov(v_t,v_{t-1})+...+2cov(v_T,v_1)]/T^2\\
&=\frac{\sigma_u^2}{T}f_T
\end{align*}

? ? 其中f_T=1+2\sum_{j=1}^{T-1}\frac{T-j}{T}\rho_j

? ? ? ? 且var(\hat{\beta}_1)=\frac{1}{T}\frac{\sigma_u^2}{\sigma_X^4}f_T

? ? 2.HAC標(biāo)準(zhǔn)誤差

? ??????\hat{\beta}_1方差的異方差和自相關(guān)一致(HAC)估計(jì)量為:\tilde{\sigma}_{\hat\beta_1}^2=\hat{\sigma}_{\hat\beta_1}^2\hat{f}_T

? ? ? ? 實(shí)際中使用的f_T估計(jì)量權(quán)衡了自相關(guān)階數(shù)的選取间影,即選擇包含的自相關(guān)階數(shù)依賴于樣本容量T注竿,即\hat{f}_T=1+2\sum_{j=1}^{m-1}\frac{m-j}{m}\overline{\rho}_j

? ? 其中\overline{\rho}_j=\sum_{t=j+1}^T\hat{v}_t\hat{v}_{t-j}/\sum_{t=1}^T\hat{v}_t^2,\hat{v}_j=(X_t-\overline{X})\hat{u_t}m=0.75T^{\frac{1}{3}}稱為HAC估計(jì)量的截?cái)鄥?shù)(truncation parameter)


五魂贬、含嚴(yán)格外生回歸變量時(shí)的動(dòng)態(tài)因果效應(yīng)估計(jì)

? ? ? ? 當(dāng)X_t嚴(yán)格外生時(shí)巩割,有兩個(gè)可選的動(dòng)態(tài)因果效應(yīng)估計(jì)量:第一個(gè)方法涉及自回歸分布滯后模型(ADL);第二種方法利用廣義最小二乘法(GLS)

? ? 1.AR(1)自回歸誤差的分布滯后模型

????????ADL(2,1)模型

????????假設(shè)X變化對(duì)Y的效應(yīng)只持續(xù)了兩期付燥,即Y_t=\beta_0+\beta_1 X_t+\beta_2X_{t-1}+u_t

? ? ? ? 假定u_t服從AR(1)模型u_t=\phi_1u_{t-1}+\tilde{u}_t

? ? ? ? 我們有Y_t=\alpha_0+\phi_1Y_{t-1}+\delta_0X_t+\delta_1X_{t-1}+\delta_2X_{t-2}+\tilde{u}_t

? ? 其中\alpha_0=\beta_0(1-\phi_1),\delta_0=\beta_1,\delta_1=\beta_2-\phi_1\beta_1,\delta_2=-\phi_1\beta_2

? ? ? ? 可用ADL模型的GLS估計(jì)直接估計(jì)該模型


? ? ? ? 令準(zhǔn)差分\tilde{Y}_t=Y_t-\phi_1Y_{t-1},\tilde{X}_t=X_t-\phi_1X_{t-1}宣谈,則

? ??????\tilde{Y}_t=\alpha_0+\beta_1\tilde{X}_t+\beta_2\tilde{X}_{t-1}+\tilde{u}_t

? ? ? ? 即具有自回歸誤差的分布滯后模型的準(zhǔn)差分表示

? ? ? ? 由X_t的嚴(yán)格外生性,可推得\tilde{X}_t的過(guò)去現(xiàn)在外生性:

\mathbb{E}(\tilde{u}_t|X_t,X_{t-1},...)=\mathbb{E}(u_t|X_t,X_{t-1},...)-\phi_1\mathbb{E}(u_{t-1}|X_t,X_{t-1},...)=0

? ? 2.可行GLS估計(jì)

? ? ? ? 可行GLS估計(jì)量(feasible GLS estimators)

? ? ①首先利用OLS估計(jì)二階分布滯后回歸模型中的殘差\hat{u}_t键科,再利用殘差\hat{u}_t估計(jì)AR(1)自回歸誤差模型中\phi_1的估計(jì)值\hat{\phi}_1

? ? ②其次通過(guò)利用\phi_1的初始估計(jì)值\hat{\phi}_1計(jì)算準(zhǔn)差分估計(jì)闻丑,得到\alpha_0,\beta_1,\beta_2的估計(jì)值

? ? ? ? 反復(fù)迭代漩怎,得迭代Cochrane-Orcutt估計(jì)量

????????一般當(dāng)X_t嚴(yán)格外生時(shí),GLS估計(jì)量是一致的嗦嗡,且大樣本下是BLUE勋锤;但若X_t只是過(guò)去現(xiàn)在外生的,則不是一致的

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末侥祭,一起剝皮案震驚了整個(gè)濱河市叁执,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌矮冬,老刑警劉巖谈宛,帶你破解...
    沈念sama閱讀 219,539評(píng)論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異胎署,居然都是意外死亡吆录,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,594評(píng)論 3 396
  • 文/潘曉璐 我一進(jìn)店門硝拧,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)径筏,“玉大人,你說(shuō)我怎么就攤上這事障陶∽烫瘢” “怎么了?”我有些...
    開封第一講書人閱讀 165,871評(píng)論 0 356
  • 文/不壞的土叔 我叫張陵抱究,是天一觀的道長(zhǎng)恢氯。 經(jīng)常有香客問(wèn)我,道長(zhǎng)鼓寺,這世上最難降的妖魔是什么勋拟? 我笑而不...
    開封第一講書人閱讀 58,963評(píng)論 1 295
  • 正文 為了忘掉前任,我火速辦了婚禮妈候,結(jié)果婚禮上敢靡,老公的妹妹穿的比我還像新娘。我一直安慰自己苦银,他們只是感情好啸胧,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,984評(píng)論 6 393
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著幔虏,像睡著了一般纺念。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上想括,一...
    開封第一講書人閱讀 51,763評(píng)論 1 307
  • 那天陷谱,我揣著相機(jī)與錄音,去河邊找鬼瑟蜈。 笑死烟逊,一個(gè)胖子當(dāng)著我的面吹牛渣窜,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播焙格,決...
    沈念sama閱讀 40,468評(píng)論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼图毕,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼夷都!你這毒婦竟也來(lái)了眷唉?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,357評(píng)論 0 276
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤囤官,失蹤者是張志新(化名)和其女友劉穎冬阳,沒(méi)想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體党饮,經(jīng)...
    沈念sama閱讀 45,850評(píng)論 1 317
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡肝陪,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,002評(píng)論 3 338
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了刑顺。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片氯窍。...
    茶點(diǎn)故事閱讀 40,144評(píng)論 1 351
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖蹲堂,靈堂內(nèi)的尸體忽然破棺而出狼讨,到底是詐尸還是另有隱情,我是刑警寧澤柒竞,帶...
    沈念sama閱讀 35,823評(píng)論 5 346
  • 正文 年R本政府宣布政供,位于F島的核電站,受9級(jí)特大地震影響朽基,放射性物質(zhì)發(fā)生泄漏布隔。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,483評(píng)論 3 331
  • 文/蒙蒙 一稼虎、第九天 我趴在偏房一處隱蔽的房頂上張望衅檀。 院中可真熱鬧,春花似錦霎俩、人聲如沸哀军。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,026評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)排苍。三九已至,卻和暖如春学密,著一層夾襖步出監(jiān)牢的瞬間淘衙,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,150評(píng)論 1 272
  • 我被黑心中介騙來(lái)泰國(guó)打工腻暮, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留彤守,地道東北人毯侦。 一個(gè)月前我還...
    沈念sama閱讀 48,415評(píng)論 3 373
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像具垫,于是被迫代替她去往敵國(guó)和親侈离。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,092評(píng)論 2 355