撰写规范的计量实证研究论文讲义(很全面).ppt

计量实践的十诫 3、熟悉经济现象（Know the context） 实证研究者应该知道所研究现象的历史、制度与文化背景，以及数据的来源与产生过程。换言之，你应该知道得比计算机更多。 比如，如果你研究中国的失业问题，那么你应该知道，中国的失业率指的是“城镇登记失业率”，其统计口径与标准教科书中以及西方国家的“失业率”概念很不相同。 计量实践的十诫 4、察看数据（Inspect the data） 研究者的一个常见误区是，只知道按电脑键盘，而不去熟悉“原始数据”（raw data）。 查看数据的方法包括，计算数据的“主要统计量，比如，均值、最大最小值、标准差、相关系数等；画图；以及增加对数据的“感觉”（get a feel for the data）。 在查看数据的过程中，还要注意观察数据中是否存在不一致的地方（inconsistency）。比如，出现了不可能、不现实或可疑的取值，如果发现，则要须进行处理（比如，可能是数据输入错误），这被称为“数据清理”（data cleaning）。 计量实践的十诫 5、模型应尽量简洁（Keep It Sensibly Simple, KISS） 尽量不要把模型搞得太复杂。 “从小到大”（specific-to-general）的建模方法简单易行，但可能偏差较大（因为存在遗漏变量）。而“从大到小”（general-to-specific）的建模方法偏差小，但却不易执行。通常的折衷方案是，选择简单而有解释力的模型。 计量实践的十诫 6、理解计量结果（Use the interocular trauma test） 计算机输出的计量结果常常很多页，包含密密麻麻的表格与数字。如果你尝试了各种不同的计量方法与控制变量（alternative specifications），则结果就会更复杂。 如何看这些结果？只能用双眼一个字一个字地看，直到看明白为止。比如，系数的符号对吗？大小合理吗？主要变量在统计上显著吗？与经济理论矛盾吗？如果把你的结果告诉外行，他会发笑吗（the laugh test）？ 计量实践的十诫 7、理解数据挖掘的成本与收益（Understand the costs and benefits of data mining） 不好的“数据挖掘”（data mining）指的是，根据数据的特征来设定计量模型。这种数据挖掘之所以不好，是因为模型设定是由数据产生的，如果再用这个数据去检验由它产生的模型，那么就不是客观的检验。 比如，进行回归之后，发现主要变量的系数不显著，有些研究者就想使用“何种方法”，能使得它变得显著。事实上，“系数不显著”本身也是一种结果，也可以在论文中汇报。如果数据本身没有问题，则它或许预示着，实证数据与理论相矛盾，故可能需要对当前的理论进行修正。 计量实践的十诫 7、理解数据挖掘的成本与收益（Understand the costs and benefits of data mining） 好的“数据挖掘”指的是，对数据进行各种“实验”，以期发现数据中的某种规律性，发现模型设定的错误，以此改进理论。 事实上，一定程度的数据挖掘是不可避免的，而这两种形式的数据挖掘的界限并不清晰。 计量实践的十诫 8、权衡理论与现实（Be prepared to compromise） 在一般情况下，计量实践中的问题与理论计量经济学中最接近的情形会有一定的距离。 比如，使用的代理变量，是否满足教科书中对代理变量的要求？内生解释变量问题是否严重？单位根检验的结果是否可信？因此，通常需要在现实与理论之间找到一个适当的妥协。 计量实践的十诫 9、区分统计显著性与经济显著性（Do not confuse statistical significance with meaningful magnitude） 通常，样本容量越大，则估计值的标准差越小，该系数的“统计显著性”（statistical significance）就越高。但如果该系数估计值为0.001，则可能不具有“经济显著性”（economic significance），即这个解释变量的变化对被解释变量的影响不大，尽管这种影响的幅度被估计得很精确。 计量实践的十诫 10、进行敏感度分析（Report a sensitivity analysis） 为了得到论文的结果，研究者通常需要做一系列的假定。问题是，论文的主要结果是否对这些假定很敏感？为此，很有必要放松论文的假定，看结果是否稳健（基本不变），这被称为“敏感度分析”（sensitivity analysis）。比如，改变样本区间、函数形式、控制变量等。只有稳健的结果才是有说服力的。 结束语 在很多情况下，经济理论并不能给我们确切的答案。 比如，有关“中国的内需不足问题”，学界与媒体已经