应用DID评估政策效应的基本步骤是利用面板数据建立双固定效应模型并估计参数： 其中，Tit=1表示实验组对象，反之则表示控制组对象；Ait=1表示政策实施后的区段，反之亦然；TitAit
应用DID评估政策效应的基本步骤是利用面板数据建立双固定效应模型并估计参数：
其中，Tit=1表示实验组对象，反之则表示控制组对象；Ait=1表示政策实施后的区段，反之亦然；TitAit是交叉项，其系数β3表示实验组对象在接受政策后结果变量的变动程度，反映了政策变动的效应，是目标变量。参数β1表示没有政策干预时，实验组与控制组的经济行为如何随时间变动，而参数β2则反映实验组和控制组中任何不随时间变动的差异。应用DID评估政策效应的一个关键假设是：当不存在政策干预时，β3=0，这一假设只有在实验组与控制组性质非常接近时才是合理的。表1概括了DID方法的基本原理。
表1DID方法的基本原理
Heckman 等（1985，1986）最早提出使用DID方法对社会公共政策的实施效应进行评估，此后对DID方法的研究和应用成果层出不穷，典型的有：Card 等（1990，1994）对移民政策、最低工资制度对工资和就业的影响进行了研究；Puhani（2000）对波兰1991年实施的失业救济政策改革对失业持续期的影响进行了评估；Stewart（2004）对英国1999—2001年引入的最低工资制度对就业的影响进行了评估；Donohue 等（2005）发现美国与加拿大的谋杀率之间具有相同的变化趋势，从而以取消死刑的加拿大作为控制组，评估了美国恢复死刑制度对降低谋杀率的影响，结果表明美国执行的死刑政策并未对社会谋杀发生率起到遏制作用；Chen 等（2008）使用中国2000个家庭的数据对世界银行发展项目的效应进行了评估。
国内学者近年来也开始运用DID方法对政策效应进行评估，主要的研究有：周黎安等（2005）就农村税费改革对农民收入增长所产生的影响进行了评估；朱宁宁等（2008）对我国建筑节能政策的实施效应进行了评估；黄清（2009）对2002—2005年电力行业放松规制的政策效应进行了实证检验和研究；刘生龙等（2009）评估了西部大开发对于西部地区经济增长及中国区域经济收敛的作用；聂辉华等（2009）使用全国层面的企业数据，胥佚萱等（2011）使用上市公司数据分别对2004年开始在东北地区实行的增值税转型政策的影响进行了研究；俞红海等（2010）基于上市公司数据，对股权分置改革的有效性进行了实证分析；李楠等（2010）利用中国工业行业数据，对国有企业改革的绩效进行了评估。
DID方法允许不可观测因素的存在，而且允许不可观测因素对个体是否接受干预的决策产生影响，从而放松了政策评估的条件，使得政策评估的应用更接近于经济现实，因而应用更广。但是，研究者在应用中也应该充分认识到DID方法的局限性：
（1）数据要求更加苛刻。DID方法以面板数据模型为基础，不仅需要横截面单位的数据，还需要研究个体的时间序列数据，特别是政策实施前的数据。因此，相比于Matching，DID方法要求更多的数据。（2）个体时点效应μit未得到控制。DID要求很强的识别假设，它要求在政策未实施时，实验组和控制组的结果变量随时间变化的路径平行，这一假设并没有考虑个体时点效应μit的影响。由于μit的影响，在项目实施前后，实验组和和控制组个体行为的结果变量并不平行，此时应用传统的DID方法就会出现系统性误差。
（3）未考虑个体所处的环境对个体的不同影响。DID方法假定环境因素的冲击对处于相同环境中的个体会产生相同的影响，即θt对所有个体都相同。但实际中，实验组和控制组个体可能因为某些不可观测因素的影响，使得其在面临相同的环境因素的冲击时做出不同的反应，此时DID的应用就会出现问题。
针对以上问题，国外学者在使用DID的过程中，逐步对其进行了扩展，扩展的方向主要有两个：一是考虑DID中未控制的因素，从而进一步放松其应用条件；二是将DID与Matching等其他政策评估方法结合起来，提出新的估计量。比如：Bell 等（1999）考虑了个体所处的环境对个体的不同影响，提出了经趋势调整的估计量；Heckman 等（1997）提出了“条件DID”这一新的估计量（conditional DID estimator），将 Matching与DID方法结合起来应用，不仅能大大降低选择偏差，且结果更为可信。但不容忽视的是，条件DID仍要满足“共同支撑域”假定。
4.匹配方法
匹配是一种非实验方法，是对于一些没有采用或不方便采用实验方法区分实验组和控制组的数据采用的一种近似实验的方法。匹配方法假定，控制协变量之后，具有相同特征的个体对政策具有相同的反应。换句话说，不可观测因素不影响个体是否接受政策干预的决策，选择仅仅发生在可观测变量上。因此，对每一个实验组个体而言，可以根据可观测特征为其选择一个控制组个体构成反事实。
在实证分析中，根据选择控制组时匹配方法的不同，Matching又可分为协变量匹配（covariant Matching， CVM）和倾向得分匹配（propensity score matching， PSM）等。其中，CVM涉及多个协变量，会导致“维度灾难”、计算过于复杂等问题。Rosenbuam 等（1983）指出，如果协变量能使得条件独立假设（conditional independence assumption，CIACIA是由Lechner1999年提出的概念，又被称为unfoundedness （Rosenbaum et al， 1983）或selection on observables（Heckman et al，1985）。匹配方法的基本前提可表示为：Y(0),Y(1)⊥D|X或者Y(0),Y(1)⊥D|P(X)，二者分别是CVM和PSM下条件独立假设的不同表示形式。CIA意味着所有能同时影响干预分配机制和结果变量的混杂因素都能被观察到，这样就可消除由不可观测因素引起的选择偏差，进而估计政策效应。 ）成立，那么倾向得分（propensity score，PS）作为协变量的一个函数，当然也能使得CIA成立。通过将协变量中蕴含的信息转移至PS中，PSM可以克服CVM的劣势，成功降维，从而在实践中应用更多。
Rusenbaum 等（1983）提出的利用PSM来消除混杂因素所引起的偏差，在提出之初并没有受到很大关注，但是近些年被广泛应用于医药、经济、政策评估等领域，成为政策效应评价中最常用的方法。Perkins 等（2000）讨论了此方法在流行病药效学上的应用，Gilligan 等（2007）对在埃塞俄比亚农村实施的应急食品救援政策的效应进行了评估，Sandra 等（2009）对法国的一项再就业培训项目的效应进行了评估。国内学者近年来也开始运用PSM方法对社会公共政策的效应进行评估。陈玉萍等（2010）运用PSM方法研究了滇西南山区改良陆稻技术的采用对农户收入的影响，解决了应用传统方法分析农业技术效应时，因农户技术采用存在的自我选择而带来的因果干涉问题；李佳路（2010）运用PSM方法，采用S省30个国家扶贫开发重点县2009年的农村贫困监测数据，对扶贫项目的减贫效应进行了评估。(责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）
顶一下
(14)
100%
踩一下
(0)
0%
版权声明：因本文均来自于网络，如果有版权方面侵犯,请及时联系本站删除.
