2002年-世界发展银行全球_Micro-Level_Estimation_of_Welfare_64页_2mb

报告摘要

微观层面的福利估计总结

核心内容

本文提出了一个结合小规模家庭调查数据和人口普查或大规模样本数据的统计方法，用于在微观层面进行福利估计。该方法利用家庭调查中详细的收入或消费信息和人口普查的全面覆盖，能够在非常细粒度的层面上进行分析。这种方法不仅具有清晰的解释性，而且可以通过标准统计理论评估其可靠性。

主要观点

数据融合的重要性
家庭调查数据通常具有较高的信息量，但样本量较小，难以代表整个群体。而人口普查数据虽然覆盖全面，但往往缺乏关于收入或消费的详细信息。通过将两者结合，可以克服这些局限性，提高福利估计的精度。
福利指标的定义
福利指标（如贫困率或不平等指数）基于家庭层面的变量分布。通过估计这些变量的联合分布，可以生成任意子群体的福利分布，从而实现对贫困和不平等的更细致分析。
模型构建与估计方法
作者提出了一种基于广义最小二乘（GLS）的模型，用于估计消费函数。模型包括一个扰动项，允许非正态性、空间自相关性和异方差性。通过使用标准化残差和伪最大似然估计，可以更准确地估计扰动项的分布。
误差分析
福利估计的误差由三个部分组成：
- 异质误差：来自家庭层面的未观测消费变量。
- 模型误差：来自第一阶段参数估计的不准确性。
- 计算误差：由于使用模拟或数值积分方法计算福利指标时的近似误差。
误差的性质与影响
- 异质误差随着目标群体规模减小而增大，限制了微观层面的估计精度。
- 模型误差不随目标群体规模变化而系统性变化，主要取决于第一阶段参数估计的精度。
- 计算误差可以通过提高计算资源来减小，且与模型误差和异质误差不相关。
实际应用
该方法已在厄瓜多尔、南非、巴西、巴拿马、马达加斯加和尼加拉瓜等国家进行测试，显示出在微观层面（如小镇）进行福利估计的可行性。这有助于更精确地检验福利分布与经济增长、社会经济和政治结果之间的关系。

关键信息

数据来源：使用厄瓜多尔1990年人口普查的单位记录数据，以及小规模家庭调查数据。
估计方法：通过估计消费函数的联合分布，结合家庭调查和人口普查数据，生成福利指标的估计。
误差分解：福利估计误差分为异质误差、模型误差和计算误差三部分。
误差性质：
- 异质误差：随着目标群体规模减小而增大。
- 模型误差：与样本规模无关，取决于第一阶段模型的估计精度。
- 计算误差：可通过计算资源优化，且与其他误差不相关。
适用性：该方法适用于对贫困和不平等进行微观层面分析，有助于政策制定和资源分配，特别是在发展援助和地方治理中。
研究意义：该方法为研究福利分布与经济增长、社会经济和政治结果之间的关系提供了新的工具，使研究人员能够在更精细的层面上进行分析。