2010年-世界发展银行全球_A_Control_Function_Approach_to_Estimating_Dynamic_Probit_Models_with_Endogenous_Regressors_with_an_Application_to_the_Study_of_Poverty_Persistence_in_China_41页_1023kb

总结：动态二元响应模型的控制函数方法及其在中国农村贫困持续性研究中的应用

核心内容

本文提出了一种参数化方法，用于估计具有内生同期解释变量的动态二元响应面板数据模型。该方法在处理内生性问题和未观测异质性方面具有重要价值，尤其适用于研究内生处理对二元结果的影响。文章进一步将此方法应用于中国农村地区的贫困持续性研究，探讨了农村-城市迁移对家庭贫困状况的影响。

主要观点

• 动态二元响应模型在政策分析中具有广泛的应用，尤其是在识别状态依赖性和控制内生性方面。
• 本文提出的方法结合了Wooldridge（2005）提出的解决未观测异质性和初始条件问题的思路，以及Smith和Blundell（1986）与Rivers和Vuong（1988）推广的控制函数方法。
• 在处理内生解释变量时，控制函数方法通过引入同期解释变量的残差作为协变量，能够有效地控制内生性。
• 本文还考虑了误差项的序列相关性，并提出了一种修正方法，通过调整第一阶段误差项，使得第二阶段模型中的误差项不再具有序列相关性。

关键信息

模型设定

• 模型公式：
  $$
  y_{1it}^* = \mathbf{z}{1it}\boldsymbol{\beta}1 + \beta_2 y{2it} + \rho y{1i,t-1} + c_{1i} + u_{1it}
  $$
  $$
  y_{1it} = 1[y_{1it}^* \geq 0]
  $$
• 内生变量：$y_{2it}$ 为内生解释变量，其模型为：
  $$
  y_{2it} = \mathbf{z}_{it}\delta + \overline{\mathbf{z}}i \lambda + v{2it}
  $$
• 未观测异质性：引入 $c_{0i}$ 作为复合未观测效应，其定义为 $c_{0i} = c_{1i} - \theta a_{2i}$，其中 $a_{2i}$ 为 $y_{2it}$ 的未观测效应部分。

估计方法

• 纯随机效应模型：假设 $c_{0i}$ 与 $y_{1i0}$ 和 $\mathbf{z}i$ 独立，估计方法为将 $\overline{v}{2i}$ 作为协变量。
• 相关随机效应模型：允许 $c_{0i}$ 与 $y_{1i0}$ 和 $\mathbf{z}_i$ 相关，通过设定条件正态分布来处理。
• 第一阶段误差处理：若 $u_{2it}$ 存在序列相关性，采用AR(1)过程进行建模，并使用最小距离估计法估计参数 $\pi$、$\sigma_{a_2}^2$、$\sigma_{e_2}^2$ 和 $\sigma_2^2$。
• 修正后的第二阶段模型：通过将 $u_{2it}^*$ 引入模型，确保误差项无序列相关性，从而提高估计的准确性。

应用背景

• 本文应用该方法研究中国农村家庭贫困持续性问题。
• 研究表明，迁移对减少贫困具有显著影响，不仅有助于贫困家庭脱贫，也减少了非贫困家庭陷入贫困的可能性。
• 若忽略未观测异质性，可能导致对迁移劳动力市场对贫困影响的低估。

研究意义

• 本文方法在处理内生性和未观测异质性方面具有灵活性和计算优势。
• 在政策分析中，特别是在使用二元贫困指标时，该方法提供了更准确的估计工具。
• 该方法为研究农村-城市迁移对家庭贫困的影响提供了坚实的计量经济学基础。