在計(jì)量圈社群的微信群中，群友們分享了一些非常有趣的內(nèi)容，深受啟發(fā)，決定整理一下這些信息，以幫助初入實(shí)證研究的學(xué)者迅速了解全貌，同時(shí)也為那些在學(xué)術(shù)界摸爬滾打多年的學(xué)者提供鞏固和提升的機(jī)會(huì)。

這篇文章將全面探討內(nèi)生性檢驗(yàn)、穩(wěn)健性檢驗(yàn)、異質(zhì)性檢驗(yàn)和機(jī)制檢驗(yàn)，讓讀者能夠徹底弄懂這些重要的研究方法和概念。

內(nèi)生性檢驗(yàn)

內(nèi)生性問題是指在回歸模型中，解釋變量（自變量）與誤差項(xiàng)之間存在相關(guān)性。這種相關(guān)性會(huì)導(dǎo)致估計(jì)結(jié)果的偏差，從而影響模型的有效性和可靠性。

關(guān)于內(nèi)生性問題，參看：1.講座視頻: 模型內(nèi)生性分類, 檢驗(yàn)與處理，2.全能的內(nèi)生性問題處理方法ERMs, 強(qiáng)烈安利一下！3.補(bǔ)救實(shí)證中內(nèi)生性問題的21種方法, 來自國(guó)際頂級(jí)期刊的要求！4.前沿: 解決內(nèi)生性問題的無工具變量推斷法，5.你的內(nèi)生性解決方式out, CMP已一統(tǒng)天下而獨(dú)領(lǐng)風(fēng)騷！6.不強(qiáng)調(diào)內(nèi)生性, 用極簡(jiǎn)截面數(shù)據(jù)和交互項(xiàng), 就將經(jīng)濟(jì)學(xué)故事講到領(lǐng)域Top刊！7.六種定量方法解決內(nèi)生性問題, 附stata代碼操作，8.天下回歸, 無內(nèi)生性不破, 唯此神文不破, 練就內(nèi)生性處理的終極大法！9.搞懂因果推斷中內(nèi)生性問題解決方法必讀的書籍和文獻(xiàn)已搜集好！10.實(shí)證研究中自選擇基礎(chǔ)上的內(nèi)生性問題回顧, 建議和糾正措施！11.簡(jiǎn)潔的內(nèi)生性問題處理思維流程圖, 并且還附上檢驗(yàn)的代碼！12.內(nèi)生性問題: 微觀和宏觀經(jīng)濟(jì)學(xué)研究中的關(guān)鍵因果識(shí)別問題，13.控制變量的內(nèi)生性需要處理嗎？如何處理呢？理呢？

1.用"因果關(guān)系圖"來進(jìn)行因果推斷的新技能，2.因果推斷專題：因果圖，3.因果推斷專題：有向無環(huán)圖DAG，4.confounder與collider啥區(qū)別? 混淆 vs 對(duì)撞，5.三張圖秒懂, 混淆, 中介, 調(diào)節(jié), 對(duì)撞, 暴露, 結(jié)果和協(xié)變量的復(fù)雜關(guān)系，6.中介效應(yīng)檢驗(yàn)流程, 示意圖公布, 不再畏懼中介分析，7.圖靈獎(jiǎng)得主Pearl的因果推斷新科學(xué)，Book of Why?8.前沿: nature刊掀起DAG熱, 不掌握就遭淘汰無疑！因果關(guān)系研究的圖形工具!9.前沿: 衛(wèi)星數(shù)據(jù)在實(shí)證研究中的應(yīng)用, 用其開展因果推斷的好處！10.7大因果推斷大法精選實(shí)證論文, 可用于中國(guó)本土博士課堂教學(xué)！11.隨機(jī)分配是什么, 為什么重要, 對(duì)因果關(guān)系影響幾何？12.應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)現(xiàn)狀: 因果推斷與政策評(píng)估最全綜述，13.疫情期計(jì)量課程免費(fèi)開放！面板數(shù)據(jù), 因果推斷, 時(shí)間序列分析與Stata應(yīng)用，14.Python做因果推斷的方法示例, 解讀與code，15.內(nèi)生轉(zhuǎn)換模型vs內(nèi)生處理模型vs樣本選擇模型vs工具變量2SLS，16.不用IV, 基于異方差識(shí)別方法解決內(nèi)生性, 賜一篇文獻(xiàn)等等。

1. x 和 y 互為因果

• 定義：在這種情況下，x和y之間存在雙向因果關(guān)系。這意味著x不僅影響y的值，同時(shí)y也會(huì)反過來影響x。這種關(guān)系使得我們很難確定哪個(gè)是因，哪個(gè)是果。
• 示例：假設(shè)x代表教育水平，y代表收入。教育水平提高可能導(dǎo)致收入增加（x影響y），而收入增加也可能使人們有更多的資源和時(shí)間去接受更高的教育（y影響x）。在這種情況下，如果不恰當(dāng)?shù)乜刂七@種雙向關(guān)系，可能會(huì)導(dǎo)致誤導(dǎo)性的結(jié)果。

2. 遺漏變量

• 定義：遺漏變量問題指的是在回歸模型中沒有包括所有可能影響y的變量。雖然我們可能只控制了3-5個(gè)變量，但實(shí)際上可能還有其他重要的因素沒有被考慮，這會(huì)導(dǎo)致模型的估計(jì)結(jié)果偏差。
• 示例：假設(shè)我們?cè)谘芯拷逃龑?duì)收入的影響時(shí)，僅控制了教育年限和工作經(jīng)驗(yàn)，但忽略了其他重要變量，如家庭背景、地區(qū)經(jīng)濟(jì)狀況等。這些遺漏變量可能與教育和收入都相關(guān)，從而導(dǎo)致我們對(duì)教育影響的估計(jì)不準(zhǔn)確。

3. 樣本選擇偏差

• 定義：樣本選擇偏差發(fā)生在樣本中的觀察數(shù)據(jù)不是隨機(jī)選擇的，而是根據(jù)某些特征或條件選擇的。這種偏差會(huì)導(dǎo)致研究結(jié)果不具備代表性，從而影響結(jié)論的有效性。
• 示例：假設(shè)在研究求職者的工資時(shí)，僅使用了已經(jīng)找到工作的求職者的工資數(shù)據(jù)，這樣就可能忽視那些未找到工作的求職者的工資狀況。這會(huì)導(dǎo)致對(duì)整體工資水平的誤估，因?yàn)槲凑业焦ぷ鞯那舐氄呖赡苡胁煌奶卣骱凸べY水平。

4. 測(cè)量誤差

• 定義：測(cè)量誤差指的是在收集數(shù)據(jù)過程中，變量的真實(shí)值與觀測(cè)值之間存在偏差。這種誤差可以源于多種原因，例如調(diào)查問卷設(shè)計(jì)不當(dāng)、回答者的理解錯(cuò)誤、工具的精度不足等。
• 示例：如果我們?cè)谘芯咳藗兊腻憻掝l率時(shí)，依賴于自我報(bào)告的數(shù)據(jù)，受訪者可能會(huì)高估自己的鍛煉時(shí)間，這種測(cè)量誤差將導(dǎo)致我們對(duì)鍛煉對(duì)健康影響的估計(jì)不準(zhǔn)確。

1. 工具變量法（IV）

• 定義：工具變量法用于處理內(nèi)生性問題，特別是當(dāng)自變量x與誤差項(xiàng)存在相關(guān)性時(shí)。通過引入一個(gè)工具變量z來替代x，這個(gè)工具變量應(yīng)與x高度相關(guān)，但不直接影響因變量y。
• 示例：假設(shè)我們研究教育（x）對(duì)收入（y）的影響，但教育與收入之間的關(guān)系受到未觀察到的因素（如能力）的影響。我們可以使用“距離最近大學(xué)的距離”（z）作為工具變量。這個(gè)變量與教育相關(guān)（距離近可能導(dǎo)致受教育年限長(zhǎng)），但不直接影響收入。

2. 雙重差分法（DID）

• 定義：雙重差分法通過比較處理組和非處理組在政策實(shí)施前后的變化，來控制時(shí)間固定效應(yīng)和組間差異。它有助于消除內(nèi)生性問題，特別是在自然實(shí)驗(yàn)或政策評(píng)估中。
• 示例：假設(shè)我們研究某項(xiàng)教育政策對(duì)學(xué)生成績(jī)的影響。我們可以將實(shí)施政策的學(xué)校作為處理組，未實(shí)施政策的學(xué)校作為非處理組。比較兩組在政策前后的成績(jī)變化，以評(píng)估政策的實(shí)際影響。

3. 傾向性得分匹配（PSM）

• 定義：傾向性得分匹配用于解決樣本選擇偏差的問題。它通過計(jì)算每個(gè)觀察值接受處理的概率（傾向性得分），然后將具有相似傾向性得分的處理組和對(duì)照組進(jìn)行匹配，以控制混雜因素。
• 示例：在研究某種培訓(xùn)對(duì)就業(yè)的影響時(shí)，我們可以計(jì)算每個(gè)求職者接受培訓(xùn)的概率，并將接受培訓(xùn)的求職者與相似的未接受培訓(xùn)的求職者匹配，比較他們的就業(yè)率。

4. 動(dòng)態(tài)面板回歸法

• 定義：動(dòng)態(tài)面板回歸法通過引入滯后變量（如x的滯后值）來控制內(nèi)生性問題，尤其是當(dāng)期自變量與因變量之間存在相互影響時(shí)。這個(gè)方法在找不到合適的工具變量時(shí)特別有用。
• 示例：假設(shè)我們研究某種政策對(duì)經(jīng)濟(jì)增長(zhǎng)的影響。如果經(jīng)濟(jì)增長(zhǎng)在不同時(shí)間段之間存在滯后效應(yīng)，可以在模型中加入之前的經(jīng)濟(jì)增長(zhǎng)值（L.growth），以消除當(dāng)前政策影響的混淆。

穩(wěn)健性檢驗(yàn)

實(shí)證研究中，基準(zhǔn)回歸分析提供了初步的結(jié)論，但為了確保這些結(jié)論的可靠性和穩(wěn)健性，研究者需要進(jìn)行進(jìn)一步的驗(yàn)證。

①實(shí)證應(yīng)用經(jīng)濟(jì)學(xué)中的穩(wěn)健性檢驗(yàn)是什么? 怎么做？哪些策略呢？，②穩(wěn)健性檢驗(yàn)如何做? 有哪些穩(wěn)健性檢驗(yàn)常用思路？③RDD經(jīng)典文獻(xiàn), RDD模型有效性穩(wěn)健性檢驗(yàn)，④審稿人質(zhì)問: 通篇都基于OLS估計(jì), 卻把它放到穩(wěn)健性檢驗(yàn)或進(jìn)一步討論中！⑤如何量化因果推斷的穩(wěn)健性？6??實(shí)證研究中穩(wěn)健性檢驗(yàn)思路指南

1. 替換被解釋變量或核心解釋變量

• 定義：通過使用不同的變量度量方式來檢驗(yàn)研究結(jié)論的穩(wěn)健性。這樣可以評(píng)估結(jié)論是否依賴于特定的變量選擇。
• 示例：如果原本研究“學(xué)習(xí)時(shí)間對(duì)考試成績(jī)的影響”時(shí)使用的是“每天學(xué)習(xí)小時(shí)數(shù)”，可以嘗試用“每周學(xué)習(xí)小時(shí)數(shù)”來代替，看看結(jié)論是否一致。如果替換后結(jié)論不變，說明模型的穩(wěn)健性較強(qiáng)。

2. 更換固定效應(yīng)

• 定義：在模型中考慮不同層級(jí)的固定效應(yīng)，以控制可能影響因變量的不可觀測(cè)因素。
• 示例：在研究“天氣對(duì)冰淇淋銷量的影響”時(shí)，不僅要考慮天氣，還要控制不同城市的影響（城市固定效應(yīng)），甚至不同時(shí)間（如節(jié)假日）的影響，這樣可以更準(zhǔn)確地評(píng)估天氣的作用。

3. 補(bǔ)充變量法

• 定義：在模型中增加額外的控制變量，以排除潛在的混雜因素，增強(qiáng)模型的解釋力。
• 示例：在研究“天氣”和“冰淇淋銷量”之間的關(guān)系時(shí)，可以擔(dān)心廣告活動(dòng)的影響。此時(shí)，可以在模型中加入“廣告活動(dòng)”這個(gè)控制變量，檢查其對(duì)結(jié)果的影響，從而提高結(jié)果的穩(wěn)健性。

4. 剔除特殊樣本

• 定義：剔除樣本中可能存在顯著經(jīng)濟(jì)差異的特殊數(shù)據(jù)，以避免這些異常樣本對(duì)研究結(jié)果的影響。
• 示例：在考察政治對(duì)企業(yè)債務(wù)融資的影響時(shí)，可以剔除北京地區(qū)的企業(yè)樣本，因?yàn)樵摰貐^(qū)的經(jīng)濟(jì)環(huán)境和政策可能與其他地區(qū)存在顯著差異，這樣可以更準(zhǔn)確地分析結(jié)果。

5. 縮尾或截尾

• 定義：通過去除或調(diào)整異常值，以減少其對(duì)回歸結(jié)果的影響，確保結(jié)果更加可靠。
• 示例：在研究“學(xué)生身高”時(shí)，可能存在幾個(gè)極端的高個(gè)子學(xué)生。通過縮尾操作，可以去除這些異常值，避免它們對(duì)整體分析結(jié)果的影響。

6. 更換回歸模型

• 定義：使用不同類型的回歸模型進(jìn)行分析，以檢驗(yàn)結(jié)果的穩(wěn)健性。
• logit回歸：適用于被解釋變量為分類變量的情況。
• Tobit回歸：適用于被解釋變量受限于某個(gè)上下限的情況。
• PSM：用于減少內(nèi)生性或樣本不平衡帶來的偏誤。
• 負(fù)二次項(xiàng)回歸：適用于被解釋變量是計(jì)數(shù)變量或事件發(fā)生概率不一致的情況。
• Poisson回歸：適用于數(shù)據(jù)滿足泊松分布或事件發(fā)生彼此獨(dú)立的情況。

7. Heckman兩階段模型

• 定義：用于解決樣本選擇偏差的問題，尤其是在某些觀察缺失時(shí)。
• 示例：在研究“教育對(duì)收入的影響”時(shí)，部分人群因?yàn)槲唇邮芙逃鴶?shù)據(jù)缺失，使用Heckman模型可以糾正這種偏差，確保估計(jì)結(jié)果的有效性。

8. 更換研究樣本

• 定義：在得出結(jié)論后，使用不同的數(shù)據(jù)庫或樣本進(jìn)行檢驗(yàn)，以確認(rèn)結(jié)果的一致性和穩(wěn)健性。
• 示例：如果使用某個(gè)特定的調(diào)查數(shù)據(jù)得出結(jié)論，隨后可以通過使用其他相關(guān)數(shù)據(jù)庫的樣本進(jìn)行相同的分析，確保結(jié)果的一致性。

9. Bootstrap重抽樣

• 定義：通過多次抽樣生成多個(gè)樣本數(shù)據(jù)集，分別進(jìn)行分析，并比較結(jié)果的穩(wěn)健性。
• 示例：可以通過重復(fù)抽樣（如1000次）來生成新的樣本集，然后對(duì)每個(gè)樣本進(jìn)行回歸分析，以評(píng)估參數(shù)估計(jì)的穩(wěn)定性。

10. 聚類穩(wěn)健標(biāo)準(zhǔn)誤差

• 定義：考慮數(shù)據(jù)中存在的群組效應(yīng)，使用聚類標(biāo)準(zhǔn)誤差來調(diào)整標(biāo)準(zhǔn)誤差估計(jì)。
• 示例：在研究“班級(jí)大小對(duì)學(xué)習(xí)成績(jī)的影響”時(shí)，同一班級(jí)的學(xué)生可能受到相似的影響。使用聚類標(biāo)準(zhǔn)誤差可以更準(zhǔn)確地估計(jì)模型參數(shù)的穩(wěn)健性。

11. 排除其他理論依據(jù)或假說

• 定義：在面對(duì)與他人研究結(jié)果不一致的情況時(shí)，可以使用數(shù)據(jù)實(shí)證來檢驗(yàn)和推翻對(duì)方的假說，從而提升自身結(jié)論的穩(wěn)健性。
• 示例：如果你的研究結(jié)果與已有理論相悖，可以通過實(shí)證數(shù)據(jù)證明自己的觀點(diǎn)，從而增強(qiáng)研究的說服力和可信度。

異質(zhì)性檢驗(yàn)

一、概念

• 定義：異質(zhì)性分析是用于考察不同群體或條件下研究結(jié)果差異的實(shí)證研究方法。研究對(duì)象的不同特性（如性別、年齡、地區(qū)等）可能導(dǎo)致對(duì)同一問題的不同反應(yīng)，因此通過異質(zhì)性分析，研究者可以更深入地理解這些差異。
• 示例：例如，在藥物效果研究中，發(fā)現(xiàn)藥物對(duì)男性和女性的療效不同。這提示研究者不能簡(jiǎn)單地將男女患者的數(shù)據(jù)混合分析，而應(yīng)分別建立模型，以更精確地評(píng)估藥物對(duì)各性別的影響。

二、目的

• 更全面地了解研究對(duì)象的多樣性：通過識(shí)別和分析不同群體之間的差異，研究者能夠更全面地理解研究對(duì)象的多樣性，從而提高研究的有效性和適用性。
• 確定研究結(jié)果的局限性，提供更針對(duì)性的建議：了解不同特性群體的影響，可以幫助研究者識(shí)別研究結(jié)果可能適用的特定條件或環(huán)境，從而為政策建議或?qū)嵺`應(yīng)用提供更精準(zhǔn)的指導(dǎo)。
• 發(fā)現(xiàn)新的研究問題，提供新方向：通過分析不同反應(yīng)模式，研究者能夠發(fā)現(xiàn)潛在的新研究問題，從而推動(dòng)更深入的研究探索，拓寬研究領(lǐng)域。

三、常用方法

1. 分組回歸
• 引入交叉項(xiàng)（Chow檢驗(yàn)）：用于檢驗(yàn)不同組之間的回歸系數(shù)是否相等。

  

• 基于似無相關(guān)模型的檢驗(yàn)（suest）：檢驗(yàn)不同組的回歸模型系數(shù)是否有顯著差異。


• 費(fèi)舍爾組合檢驗(yàn)：用于比較不同組的回歸結(jié)果的一致性。

2. 加入交互項(xiàng)
• 優(yōu)點(diǎn)：通過加入交互項(xiàng)，研究者可以更容易獲得顯著的結(jié)果，且不需要單獨(dú)進(jìn)行組間的差異性檢驗(yàn)。

• 缺點(diǎn)：交互項(xiàng)的回歸假設(shè)較為嚴(yán)格，可能增加模型復(fù)雜性，導(dǎo)致結(jié)果的解釋性降低。

關(guān)于交互項(xiàng)，參看：1.交互項(xiàng)! 交互項(xiàng)! 固定效應(yīng)回歸模型中的交互項(xiàng)！2.未引入交互項(xiàng)主效應(yīng)為正, 引入后變?yōu)樨?fù), 解釋出來的故事特別好, 主效應(yīng)符號(hào)確實(shí)增強(qiáng)了故事性，3.異質(zhì)性分析用來檢驗(yàn)中間傳導(dǎo)機(jī)制, 分組回歸或交互項(xiàng)就可以完成機(jī)制分析，4.交互項(xiàng)有什么用？為啥要做異質(zhì)性分析？ 5.不強(qiáng)調(diào)內(nèi)生性, 用極簡(jiǎn)截面數(shù)據(jù)和交互項(xiàng), 就將經(jīng)濟(jì)學(xué)故事講到領(lǐng)域Top刊！ 6.計(jì)量社群里關(guān)于使用交互項(xiàng)還是中間效應(yīng)分析開展機(jī)制研究的討論，7.DID中行業(yè)/區(qū)域與時(shí)間趨勢(shì)的交互項(xiàng), 共同趨勢(shì)檢驗(yàn), 動(dòng)態(tài)政策效應(yīng)檢驗(yàn)等，8.空間計(jì)量和交互項(xiàng)如何使用, 將空間計(jì)量進(jìn)行到底，9.交互項(xiàng)模型的發(fā)現(xiàn), 多大程度上可信呢? 10.交互項(xiàng)中主效應(yīng)不顯著, 交互項(xiàng)顯著可怕嗎? 11.交互項(xiàng)與分組回歸的區(qū)別是什么? 異質(zhì)性分析，12.面板數(shù)據(jù)中去中心化的交互項(xiàng)回歸什么情況，13.內(nèi)生變量的交互項(xiàng)如何尋工具變量, 交互項(xiàng)共線咋辦，14.計(jì)量經(jīng)濟(jì)學(xué)中"交互項(xiàng)"相關(guān)的5個(gè)問題和回應(yīng)，15.計(jì)量回歸中的交互項(xiàng)到底什么鬼? 捎一本書給你

四、常見分組方式（什么才是一個(gè)好的調(diào)節(jié)變量或分組變量? TOP5如是說）

1. 地區(qū)特征
• 地區(qū)分布：例如，研究可以根據(jù)東部、中部和西部地區(qū)進(jìn)行分組，以考慮地域經(jīng)濟(jì)、文化差異對(duì)研究結(jié)果的影響。
• 城市發(fā)展水平：城市的經(jīng)濟(jì)發(fā)展程度可能影響研究對(duì)象的行為或反應(yīng)。
• 金融發(fā)展水平：不同地區(qū)的金融環(huán)境差異可能影響經(jīng)濟(jì)行為。
• 信息基礎(chǔ)建設(shè)：信息技術(shù)的普及程度可能對(duì)研究結(jié)果產(chǎn)生影響。
• 市場(chǎng)化程度：市場(chǎng)化程度高的地區(qū)可能與低市場(chǎng)化地區(qū)在經(jīng)濟(jì)行為上存在差異。
• 營(yíng)商環(huán)境：營(yíng)商環(huán)境的優(yōu)劣會(huì)直接影響企業(yè)的決策與績(jī)效。
2. 行業(yè)特征
• 勞動(dòng)密集型、技術(shù)密集型、資本密集型：不同類型的行業(yè)在勞動(dòng)力、技術(shù)和資本的使用上存在顯著差異，可能導(dǎo)致對(duì)研究問題的不同反應(yīng)。
• 行業(yè)集中度：行業(yè)集中度高的行業(yè)與低集中度行業(yè)在市場(chǎng)行為上可能表現(xiàn)不同。
• 環(huán)境監(jiān)管力度：環(huán)境政策的強(qiáng)度可能影響企業(yè)的經(jīng)營(yíng)決策。
• 污染水平：不同行業(yè)的環(huán)境影響可能導(dǎo)致政策效果的異質(zhì)性。
3. 企業(yè)特征
• 產(chǎn)權(quán)性質(zhì)：國(guó)有企業(yè)與非國(guó)有企業(yè)在經(jīng)營(yíng)目標(biāo)和政策響應(yīng)上可能存在差異。
• 企業(yè)規(guī)模：大型企業(yè)與中小企業(yè)在資源獲取和市場(chǎng)策略上可能有不同的表現(xiàn)。
• 生命周期：企業(yè)在不同發(fā)展階段（成長(zhǎng)期、成熟期、衰退期）對(duì)外部環(huán)境的響應(yīng)可能不同。
• 技術(shù)水平：高新技術(shù)企業(yè)和傳統(tǒng)企業(yè)在市場(chǎng)創(chuàng)新和反應(yīng)上存在顯著差異。
• 融資約束：融資約束的不同會(huì)影響企業(yè)的投資決策與發(fā)展策略。
• 內(nèi)部控制水平：內(nèi)部控制水平高的企業(yè)在管理效率和風(fēng)險(xiǎn)應(yīng)對(duì)上可能優(yōu)于內(nèi)部控制水平低的企業(yè)。

機(jī)制檢驗(yàn)

1. 概念

2. 目的

• 揭示因果路徑：了解變量之間的因果關(guān)系是如何通過特定路徑發(fā)生的。
• 增強(qiáng)理論框架：機(jī)制檢驗(yàn)有助于建立和完善理論框架，使研究結(jié)果更具解釋力。
• 政策建議：通過識(shí)別有效機(jī)制，研究者可以為政策制定提供針對(duì)性的建議，強(qiáng)調(diào)哪些因素可以被干預(yù)以實(shí)現(xiàn)預(yù)期結(jié)果。

3. 常用方法

Method 1：先用Y對(duì)X做回歸，然后再用M對(duì)X進(jìn)行回歸，至于M對(duì)Y的影響，需要借助文獻(xiàn)進(jìn)行說明。①中國(guó)學(xué)界F4發(fā)表AER一篇! 知識(shí)青年上山下鄉(xiāng)與農(nóng)村教育問題！

Method 2：先用Y對(duì)X做回歸（也有文獻(xiàn)同時(shí)用M對(duì)X做回歸），然后再用Y對(duì)X和M做回歸，此時(shí)，X的系數(shù)需要變小或變大，或顯著性下降甚至不顯著。①我最近看到AER, JPE文章, 人家用的就是類似中介效應(yīng)三步走方法，②機(jī)制分析做到極致的JPE趣文, 身高與收入

Method 3：先用M對(duì)X進(jìn)行回歸，然后再用Y對(duì)M進(jìn)行回歸，這個(gè)就是對(duì)X——M——Y兩部分的影響分開進(jìn)行回歸。①實(shí)證機(jī)制分析那些事，機(jī)制分析什么鬼？

Method 4：用X與M的交互項(xiàng)進(jìn)行回歸；或用M進(jìn)行分組回歸，即用異質(zhì)性進(jìn)行機(jī)制檢驗(yàn)。①異質(zhì)性和機(jī)制檢驗(yàn)都用交互項(xiàng)做會(huì)被審稿人質(zhì)疑么? ②異質(zhì)性分析用來檢驗(yàn)中間傳導(dǎo)機(jī)制, 分組回歸或交互項(xiàng)就可以完成機(jī)制分析

關(guān)于機(jī)制分析，參看，1.又被拒稿了！機(jī)制檢驗(yàn)除了中介效應(yīng)還有其他方法嗎？2.實(shí)證中如何做競(jìng)爭(zhēng)性假說的檢驗(yàn)？AER范本的方法還能當(dāng)機(jī)制分析用，3.這種機(jī)制分析方法受到經(jīng)濟(jì)學(xué)認(rèn)可, 曾出現(xiàn)在經(jīng)濟(jì)學(xué)TOP5期刊上！4.計(jì)量社群里關(guān)于使用交互項(xiàng)還是中介效應(yīng)分析開展機(jī)制研究的討論，5.關(guān)于影響機(jī)制的分析思路和實(shí)操策略, 我們能夠做的就只有這么多了！6.學(xué)習(xí)機(jī)制分析應(yīng)該閱讀的經(jīng)典材料有哪些？7.上雙一流大學(xué)能多賺多少錢? 學(xué)習(xí)斷點(diǎn)回歸RDD, 機(jī)制分析的經(jīng)典文章！8.Top5最新: 為什么富有的父母有富有的孩子? 一篇學(xué)好機(jī)制分析的佳作！9.必讀, 宗教是如何阻礙經(jīng)濟(jì)發(fā)展的? 基于DID, IV和各種機(jī)制分析的AER量化史分析！10.期刊明確規(guī)定: 機(jī)制檢驗(yàn)是本刊十分看中的實(shí)證內(nèi)容, 是不可或缺的，11.整理了34篇關(guān)于中介, 調(diào)節(jié)和機(jī)制分析的文章! 揭開事務(wù)間的機(jī)理就靠它了! 12.QA: 平方項(xiàng)的IV, 加時(shí)間固定符號(hào)相反, 滾動(dòng)窗口回歸, 面板分位數(shù)輸出圖, 機(jī)制分析中IV, pre5顯著咋辦？13.一篇滿足我所有DID幻想的最新AER, 交疊, 連續(xù)DID, 調(diào)節(jié), 機(jī)制分析等范文！14.主回歸與機(jī)制分析中的控制變量可以不同嗎？15.在機(jī)制分析中必須是正向的中間影響路徑嗎?負(fù)向的影響路徑可以嗎？16.這種機(jī)制分析方法受到經(jīng)濟(jì)學(xué)認(rèn)可, 曾出現(xiàn)在經(jīng)濟(jì)學(xué)TOP5期刊上！17.計(jì)量社群里關(guān)于使用交互項(xiàng)還是中介效應(yīng)分析開展機(jī)制研究的討論，18.必讀, 宗教是如何阻礙經(jīng)濟(jì)發(fā)展的? 基于DID, IV和各種機(jī)制分析的AER量化史分析！

4. 實(shí)例

• 教育是否提升了女性的工作技能？
• 受教育女性是否更傾向于選擇高收入工作？
• 教育是否影響了家庭對(duì)子女教育的投資，從而間接提升了家庭收入？

*可以到社群進(jìn)一步交流討論相關(guān)學(xué)術(shù)議題。

1??有意思的實(shí)證計(jì)量討論帖, 熬夜肝完了一直的計(jì)量困惑！2??QA: 平方項(xiàng)的IV, 加時(shí)間固定符號(hào)相反, 滾動(dòng)窗口回歸, 面板分位數(shù)輸出圖, 機(jī)制分析中IV, pre5顯著咋辦，3??主回歸不顯著, 分組回歸卻異常顯著的研究來了！4??城市*年份聯(lián)合的FE與他們分開的FE有什么區(qū)別? FE如何從一維進(jìn)化到二維, 三維的? 5??審稿人: 你這個(gè)文章實(shí)證結(jié)構(gòu)已經(jīng)過時(shí)了！過時(shí)了！6??當(dāng)把交互項(xiàng)加入后, 主項(xiàng)的系數(shù)符號(hào)竟變相反了, 這是咋回事? 如何處理呢？7??DID可以有2個(gè)處理組和1個(gè)對(duì)照組么? 有相關(guān)的參考文獻(xiàn)嗎? 8??12年試點(diǎn), 15年推廣到全國(guó)的政策, 回歸時(shí)是否包括16和17年數(shù)據(jù)？

一些討論，1??七大常見計(jì)量問題討論匯總, 涉及控制,異質(zhì),機(jī)制,DID,DDD,調(diào)節(jié),固定,平行,安慰等，2??關(guān)于雙重差分DID政策評(píng)估中的控制變量選取標(biāo)準(zhǔn)？3??在平行趨勢(shì)檢驗(yàn)中對(duì)政策前后系列年份進(jìn)行縮尾處理？4??使用異方差穩(wěn)健而不是聚類穩(wěn)健標(biāo)準(zhǔn)誤, 在固定效應(yīng)模型中能接受嗎？5??平行趨勢(shì)通不過, 該采取什么方法來更好地滿足平行趨勢(shì)呢？6??QA: 基尼太美, 農(nóng)業(yè)數(shù)據(jù), 機(jī)制檢驗(yàn), 組間差異, 博士論文創(chuàng)新, 控制函數(shù), FM回歸 7??審稿人: 你2SLS-IV回歸中為啥R方是負(fù)數(shù)呢？