上海科技大学徐剑锋助理教授来我院/所作学术报告

时间:2019-10-29浏览:13设置

2019101410:00-11:30,上海科技大学创业与管理学院徐剑锋助理教授在十博体育红瓦楼236会议室作了题为“Measurement Error and Symmetric Instruments”的学术报告。报告由十博体育城市与区域科学学院/十博体育汪晨副教授主持。来自我院/所区域经济学、城市经济余管理等相关专业的多名博士生与硕士生参加了本次报告。

徐剑锋老师首先指出,在社会科学研究的实证分析中通常采用线性回归模型度量自变量X对因变量Y的影响,但由于测量误差的存在,导致误差项(error term)与自变量X产生相关性,从而最小二乘法估计(OLS)不再是无偏估计量而是有偏误的。测量误差往往会导致线性回归模型低估自变量X对因变量Y的影响,测量误差的标准差与自变量真值标准差之比度量了测量误差带来的影响。解决测量误差的经典方法是平均法(测量自变量多次取平均值)与工具变量法(用一次测量值作为另一次测量值的工具变量)。但以上两种方法同样存在缺陷:平均法在理论上永远是低估的,需无穷多次测量才可以达到无偏估计;工具变量法在理论上是无偏的,但是当样本数量较小时,工具变量估计系数不仅有偏差,而且离差(dispersion)会非常大,甚至可能大到一次实验中的估计值几乎不可信。

为解决测量误差导致的有偏估计与工具变量偏差较大的问题,徐剑锋老师通过蒙特卡罗模拟对比检验不同的额校正测量误差方法的效果,包括平均法、校正线性回归法、2SLS(两阶段最小二乘法)、GMM(广义矩估计法)、JIVEJack-knife 工具变量法)、LIML(有限信息最大似然法),同时提出了最小二乘法和广义矩估计法的改进版,即对称平均工具变量法(SAIV)和对称广义矩估计法(SGMM)。经大量蒙特卡罗模拟验证,在样本较小、测量误差较大的情况下,SAIV完全优于已有的工具变量法(偏差最小、离差最小),SGMM的离差小于SAIV但偏差略大于2SLS。当系统噪音变大(R2减小)时,SAIV的优势会进一步加大。平均工具变量法(SAIV)和对称广义矩估计法(SGMM)主要适用于实验经济学、心理学的应用场景(实验对象数量少且自变量X的测量难度大)。这种新的计量方法能够在不增加假设条件的情况下,提高分析数据的质量,因而预期存在非常广泛的应用前景。

报告结束后,现场师生就问卷调查设计、工具变量使用条件及对称工具变量应用范围等问题进行了充分的交流与热烈的讨论。最后,汪晨副教授对此次报告进行了总结与点评。

  

【报告人简介】

徐剑锋,复旦大学生物系本科毕业,美国托莱多大学数学与经济学硕士,美国伊利诺伊大学厄巴纳香槟分校经济学博士,2019年加入上海科技大学创业与管理学院。他的研究方向涉及教育经济学、发展经济学、资源与环境经济学及应用计量经济学方法等。他的博士论文基于大规模问卷调查和实地实验,研究了入学年龄对学生认知能力与非认知能力的影响、学生写字美丑对作文内容评分的影响及工具变量校正测量误差的一般方法等问题。

  

供稿、供图:黎思灏

  


返回原图
/

XML 地图 | Sitemap 地图