温馨提示: 定期 清理浏览器缓存,可以获得最佳浏览体验。
New!
lianxh
命令发布了:
随时搜索推文、Stata 资源。安装命令如下:
. ssc install lianxh
详情参见帮助文件 (有惊喜):
. help lianxh
⛳ Stata 系列推文:
作者:王一博 (东北师范大学)
邮箱:wangyb278@nenu.edu.cn
目录
世界史不过是一部伟人传记,很多证据都表明似乎一些政治领导人比另一些政治领导人更能为民众带来福祉。在 哈里·杜鲁门第二个任期时,美国经济的年增长率超过 6%,比战后的任何一位总统都要高;而在乔治·布什第二任期领导下的美国经济增长率平均不到 1%,是同期的最差纪录 (Blinder and Watson, 2016)。
哈里·杜鲁门应该为他任内发生的结果得到多少赞誉?而乔治·布什又是否以及应该承担多少责任?领导人的决定和行为会改变时间的进程吗?抑或者这只是一些幸运或不幸运的人,在特定的时代背景和制度框架下,不论是谁都会产生大致相同的结果?换句话说,领导者效应 (Leader Effects) 是否存在?
在以往的研究中,有学者使用政治领导人在任期内的意外死亡作为外生冲击并得出领导者效应存在的结论,但随后的学者陆续发现了一些不一致的研究结论。本文主要向大家介绍一个命令,rifle
,全称是 Randomization Inference for Leader Effects,指用 Randomization Inference 这种计量方法以验证 Leader Effects 是否存在。该方法优点如下:
Berry and Fowler (2021) 提出了随机推理法 (Randomization Inference) 用于解决上述问题。简单来说,该方法在保持原有单元的范围内随机打乱领导者的任职顺序,同时随机排序的过程会保证每位领导者的任期与实际相同,这样多次回归包含 Leader Fixed Effect 下的
下面进行简单推导,以证明随机推理法可以验证 Leader Effects 存在的原因。首先,回顾 R 方的计算公式:
根据定义,TSS 代表总离差平方和,反映的是样本实际观测值与均值偏差的平方和。可以理解,不论是真实数据,还是随机排序下的数据,TSS 不会发生变化。因此,为了理解随机推理法,就需要思考 Leader Effects、Time Effects 和 Random Noise 分别如何影响 RSS。RSS 表示残差平方和,反映样本观测值与基于模型得出的估计值的偏差大小。下面分别考虑三种情况下,RSS 在样本进行随机排序后发生的变化:
第一,存在 Time Effects。考虑到领导者排序的真实与否与 Time Effects 无关,因此可以预期在存在 Time Effects 时样本的随机排序不会导致 RSS 发生变化;
第二,存在 Random Noise。考虑到 Random Noise 不会受到领导者排序影响,否则 Random Noise 就不是 Random,由此可以预期在存在 Random Noise 时样本的随机排序也不会导致 RSS 发生变化;
第三,存在 Leader Effects。下面考虑一个最简单的例子理解一下。假设在某一国家内存在过两任领导,共计三届任期 (即 1 country,2 leaders and 3 periods)。假定真实情况是 Leader A 在 Period 1 和 Period 2 任职,Leader B 在 Period 3 任职。那随机排序后无非有两种情况:
可以理解,在第一种情况下,回归后得出的 RSS 即为真实数据的 RSS;而在第二种情况下,回归后得到的 RSS 必定要高于真实数据得到的 RSS,这是因为在 Leader Effects 存在的前提下,随机排序后数据的解释效力会下降,进而表现为离差平方和 (RSS) 更大,
由此可以看出,随机推理法的作用在于,真实数据与随机排序数据在
rifle
命令是 Berry and Fowler (2021) 根据以上估计方法所编写的 Stata 新命令。
*命令安装
cnssc install rifle, replace
*命令语法
rifle depvar {leader period unit} {if} [, rifle_options]
depvar
:被解释变量;leader
:类似于 Firm ID,领导者识别码;period
:类似于 Year,领导者的执掌年份;unit
:类似于 Area ID,领导者的执掌区域;Options
:进入选择模型的变量;
permnum
:设置随机排列次数,默认次数 100;report
:控制排列报告;nograph
: 不报告图;nostitch
:不使用跨时间段的「缝合」数据;saving
:将排列结果保存为新文件;growth
:将被解释变量由绝对值改为百分比变化值。
下面以 Berry and Fowler (2021) 文中使用的部分实例演示rifle
命令的用法,并进行结果解读。作者的目的是想验证一国领导人对本国经济增长是否具有显著影响,即被解释变量为 GDP 增长率,解释变量为由领导者 ID 生成的若干虚拟变量。通过从 Archigos 获取世界各国领导人数据,从 Maddison Project 获取各国 GDP 数据,得到的总样本的时间跨度为 135 年,涵盖 153 个国家。
. lxhuse rifle_replication_data, clear
. rename time year
. rename unit country
. rename growth gdpgrowth
. sencode leader, replace
. rifle gdpgrowth leader year country, permnum(200) report(50) nograph ///
saving(permuted) replace //设定随机排序200次
Permutations Completed:
50
100
150
200
(file permuted.dta not found)
file permuted.dta saved
--------------------------------------------------
R2 in real data: .275
Avg R2 in permuted data: .245
Difference: 0.0295
p-value: 5.0e-03
--------------------------------------------------
由上述结果可知,真实数据下的
领导者效应是否存在是理论界和实务界共同关注的重要话题。相较于以往文献所使用的计量方法, Berry & Fowler (2020) 提出了一种样本损失量更小、识别准确性更高的推理方法,即随机排列法,并基于此开发了新的 Stata 命令:rifle
。最后得出的结论是:一国领导人对于 GDP 增长的确很重要。在此基础上,作者发现,美国州长和市长对辖区内的居民收入和就业率没有显著影响,但是州长,而非市长,对辖区的公共财政和犯罪情况负有责任。
领导者效应 (Leader Effects) 是否存在是理论界和实务界共同关注的重要话题。相较于以往文献所使用的计量方法,Berry and Fowler (2021) 提出了一种样本损失量更小、识别准确性更高的推理方法,即随机推理法,并基于此开发了新的 Stata 命令:rifle
。需要说明的有三点:
Note:产生如下推文列表的 Stata 命令为:
lianxh 随机, m
安装最新版lianxh
命令:
ssc install lianxh, replace
免费公开课
最新课程-直播课
专题 | 嘉宾 | 直播/回看视频 |
---|---|---|
⭐ 最新专题 | 文本分析、机器学习、效率专题、生存分析等 | |
研究设计 | 连玉君 | 我的特斯拉-实证研究设计,-幻灯片- |
面板模型 | 连玉君 | 动态面板模型,-幻灯片- |
面板模型 | 连玉君 | 直击面板数据模型 [免费公开课,2小时] |
⛳ 课程主页
⛳ 课程主页
关于我们
课程, 直播, 视频, 客服, 模型设定, 研究设计, stata, plus, 绘图, 编程, 面板, 论文重现, 可视化, RDD, DID, PSM, 合成控制法
等
连享会小程序:扫一扫,看推文,看视频……
扫码加入连享会微信群,提问交流更方便
✏ 连享会-常见问题解答:
✨ https://gitee.com/lianxh/Course/wikis
New!
lianxh
命令发布了:
随时搜索连享会推文、Stata 资源,安装命令如下:
. ssc install lianxh
使用详情参见帮助文件 (有惊喜):
. help lianxh