2016年-世界发展银行全球_Do_Returns_to_Education_Depend_on_How_and_Who_You_Ask__40页_905kb

总结：教育回报是否取决于调查方法和受访者？

核心内容

本研究探讨了教育回报估计是否受到调查方法和受访者类型的影响。通过在坦桑尼亚进行的调查实验，作者分析了两种常见的调查设计（长问卷与短问卷）以及两种受访者类型（自我报告与代理报告）对教育回报估计的影响。研究发现，问卷设计对教育回报的估计有显著影响，而受访者类型（自我或代理报告）则没有明显差异。

主要观点

• 问卷设计影响教育回报估计：使用长问卷和短问卷时，教育回报的估计结果存在显著差异，这种差异在不同性别和教育水平的人群中表现不一。
• 代理报告与自我报告无显著差异：无论由受访者本人还是由代理报告者回答，教育回报的估计结果没有显著差异。
• 调查方法对结构性参数估计的重要性：调查设计可能引入系统性测量误差，从而影响结构性参数（如教育回报）的估计，因此在跨调查或跨时间的比较中需谨慎。
• 教育回报的非线性与内生性：研究考虑了教育回报的非线性特征和内生性问题，使用了控制函数方法进行估计，以提高准确性。

关键信息

调查设计对教育回报的影响

• 问卷长度：长问卷包含就业筛选问题，而短问卷仅包含一个关于是否从事工作的简单问题。
• 结果差异：
  • 最高教育水平的男性使用短问卷时，教育回报高出6个百分点。
  • 最低教育水平的女性使用短问卷时，教育回报高出14个百分点。
• 非线性影响：教育回报可能呈现非线性特征，特别是在不同教育阶段。

代理报告与自我报告的比较

• 代理报告的可靠性：代理报告与自我报告在教育回报估计上无显著差异。
• 代理报告的潜在偏差：尽管代理报告可能存在系统性偏差，但在本研究中并未观察到这种偏差对教育回报估计的影响。

教育回报估计的挑战

• 数据可比性问题：不同调查方法可能导致样本覆盖差异，进而影响教育回报估计。
• 非随机测量误差：测量误差可能影响结构性参数的估计，特别是当误差来源于受访者的战略猜测时。
• 内生性与非线性：使用普通最小二乘法（OLS）估计教育回报时，可能忽略内生性和非线性，导致偏差。

调查实验设计

• 样本选择：随机选择家庭并分配到四种调查组合（长问卷/短问卷 × 自我报告/代理报告）。
• 问卷内容：
  • 长问卷包含三个就业筛选问题：是否在户外工作、是否在户内农场工作、是否在非农户内企业工作。
  • 短问卷仅包含一个是否从事工作的简单问题。
• 参考周期：所有问题均基于过去7天的活动，若未报告，则扩展至过去12个月。

估计方法

• 基准模型：使用OLS估计教育回报，模型为：
  $$
  \ln W_i = \beta_0 + \beta_1 S_i + \beta_2^j (S_i \times T_i^j) + \beta_3 T_i^j + \beta_4 X_i + \beta_5 D_i + \varepsilon_i
  $$
• 非线性模型：使用样条函数考虑教育回报的非线性特征，模型为：
  $$
  \ln W_i = \gamma_0 + g(S_i) + (g(S_i) \times T_i^j) + \gamma_4 T_i^j + \gamma_2 X_i + \gamma_3 D_i + \varepsilon_i^{\prime \prime}
  $$
• 控制函数方法：用于处理内生性问题，模型为：
  $$
  \ln W_i = \delta_0 + g(S_i) + (g(S_i) \times T_i^j) + \delta_1 T_i^j + \delta_2 X_i + \delta_3 D_i + \delta_4 \widehat{c}_i + \nu_i
  $$
  其中 $\widehat{c}_i$ 是第一阶段估计得到的控制函数项。

实验设计与样本

• 样本范围：所有10岁及以上家庭成员均可参与调查。
• 代理选择：随机选择至少15岁的家庭成员作为代理报告者，并报告其他两位家庭成员的就业情况。
• 识别变量：使用社区特征（如距离全年无休道路的距离）作为识别变量，以隔离社区特定效应。

结论

本研究强调了调查设计对教育回报估计的重要性，特别是在不同性别和教育水平的人群中，问卷设计的影响更为显著。因此，在进行跨调查或跨时间的比较时，应更加注意调查方法的一致性，以确保估计结果的可靠性。