1702650410
公共领域的追踪调查 社会科学家感兴趣的美国主要的追踪调查包括：
1702650411
1702650412
·收入动态追踪调查（Panel Study of Income Dynamics，PSID）：http：//psidonline.isr.umich.edu
1702650413
1702650414
·全国追踪调查（National Longitudinal Survey，NLS）：http：//www.bls.gov/nls
1702650415
1702650416
·威斯康星追踪调查（Wisconsin Longitudinal Study，WLS）：http：//www.ssc.wisc.edu/wlsresearch
1702650417
1702650418
·健康和退休研究（Health and Retirement Study，HRS）：http：//hrsonline.isr.umich.edu
1702650419
1702650420
·全国青少年健康追踪研究［National Longitudinal Study of Adolescent Health（Add Health）］：http：//www.cpc.unc.edu/addhealth
1702650421
1702650422
重要的其他国家的追踪调查研究包括：
1702650423
1702650424
·中国健康和营养调查（China Health and Nutrition Survey，CHNS）：http：//www.cpc.unc.edu/china
1702650425
1702650426
·德国社会—经济追踪研究（German Socio-Economic Panel Study，SOEP）：http：//www.diw.de/english/sop/index.html
1702650427
1702650428
·印度尼西亚家庭生活调查（Indonesia Family Life Survey，IFLS）：http：//www.rand.org/labor/FLS/IFLS
1702650429
1702650430
·墨西哥家庭生活调查（Mexican Family Life Survey，MxFLS）：http：//www.radix.uia.mx/ennvih/main.php？lang=en
1702650431
1702650432
·墨西哥健康和老龄化研究（Mexican Health and Aging Study，MHAS）：http：//www.mhas.pop.upenn.edu/english/jome.htm
1702650433
1702650434
或多或少地与PSID相似的许多其他追踪调查见下面的网址：http：//psidonline.isr.umich.edu/Guide/PanelStudies.aspx。
1702650435
1702650436
现在考虑第二个例子。在印度尼西亚数据的一项分析中，Frankenberg和Mason（1995）研究了母亲的受教育程度对有益于子女健康行为的影响——包括卫生和保健行为，如饮用水的来源和处理，垃圾处理行为，等等。然而，在诸如印度尼西亚等发展中国家，母亲的受教育程度和安全水源的易得性或免受人类垃圾的污染在不同社区之间存在差别，这取决于社区的发展水平。在这种情况下，我们希望在母亲的受教育程度和涉及子女健康行为之间的关系中，排除各种社区特征的影响，这正是Frankenberg和Mason所做的。控制社区特征，对相同社区内的女性研究母亲的受教育程度的差异与子女健康行为的差异之间的关系。通过这种方法他们得以展示母亲的受教育程度对有益于子女健康行为的因果效应。
1702650437
1702650438
固定效应方法的局限性与应注意的事项
1702650439
1702650440
与所有其他统计方法一样，FE方法也有一组假设和条件。当这些假设和条件被违背时，FE系数会比简单地合并数据进行OLS估计更差（偏误更大）。遗憾的是，这些假设通常不能被检验。下面是一些需要注意的事项。
1702650441
1702650442
（1）如果未被测量到的效应随时间变化（或在刚才讨论的横截面数据的应用中，存在个体之间的变化），则FE估计不能解决偏误问题。因此，有必要仔细考虑不随时间变化的未测量效应的假设是否合理。对于家庭或社区固定效应模型，这一点更加重要——我们不得不假设在相同的家庭或社区内，所有影响结果的未测量因素都不随个体变化。这个假设经常是不可靠的，尤其是在家庭内。为了使你自己相信这一点，想想最近几届美国总统和他们无所事事的兄弟姐妹们，或者简单地想想你所知道的家庭中兄弟姐妹之间的差异。这些差异能解释家庭FE模型所研究的各种结果之间的差异吗？这是一个关键问题，但经常被研究者忽略。（当然，随时间变化的未测量效应也使OLS估计系数有偏。因此，在这些情况下，仅凭OLS回归是不能解决问题的。）
1702650443
1702650444
（2）在给定未观测变量的情况下，预测变量必须是严格外生的。也就是说，我们必须假设一旦控制了未观测变量，预测变量Xit和异质性误差εit之间就不再相关。严格外生性被违背的一种常见情况是，当一个或更多预测变量依赖于在前面时点测量的结果变量时。例如，如果我们研究犯罪率如何受警力大小变化的影响，而警力大小由过去年份的犯罪率决定，此时严格外生性假设就会被违背。
1702650445
1702650446
（3）相对于结果变量的变异，预测变量在不同时期间（或在横截面FE模型中的个体之间）必须有足够的变异。何谓足够？这是很难量化的。尽管如此，显而易见的是，不怎么变化的预测变量几乎对结果没有影响，就像OLS分析中不能用一个常数预测一个变量，也难以用一个近似常数预测一个变量。
1702650447
1702650448
（4）前面观点的一个推论是，仅以线性变换形式随时间变化的变量被看作是不随时间变化的。因此，比如年龄这类变量不能被纳入跨时间的FE分析中，因为在时点2的年龄等于在时点1的年龄加上一个常数。因此，纳入以某一近似线性变换形式随时间变化的变量会产生问题。
1702650449
1702650450
（5）预测变量必须被可靠地测量。正如Wooldridge指出的，“对一个测量较差的自变量进行差分后，相对于它与经典测量误差所导致的差分误差的相关度，其差异减小了，这会产生潜在的、可观的偏误”（Woold ridge，2006：245）。
1702650451
1702650452
1702650453
1702650454
1702650456
量化数据分析：通过社会研究检验想法 针对连续型变量的随机效应模型
1702650457
1702650458
因为FE模型不允许我们评估不随时间变化的变量（或在家庭、组织或社区的应用中，在这些单位内个体之间无变异的变量）的大小，所以人们很想找到能够产生这些变量估计值的模型。在这些模型中，一个被经常使用的模型是随机效应模型（random effects，RE）。像FE模型一样，RE模型可以由方程15.1导出。但是，随机效应模型和固定效应模型的假设不同。FE模型假设αi代表一组固定参数，通过差分，它们被排除出模型；而RE模型假设每个αi是均值为0、方差为常数的正态分布随机变量，且独立于zi、xit和εit。这是一个很强的假设。幸运的是，它可以用Hausman（1978）提出的检验方法检验。其策略是估计相应的FE和RE模型，并用Hausman检验比较其系数的相似性。如果系数无差异的零假设不被拒绝，我们可以得出结论，αi的独立性得到支持，这意味着RE模型产生的系数是无偏的。因为RE模型产生zi效应的估计值，所以如果独立性假设得到满足，那么用RE模型更好。如果不满足该假设，我们必须接受FE模型而放弃zi效应的估计。Hausman检验是非常严格的，经常不能支持RE模型。Bollen和Brand（2008）提供了一系列比较FE和RE模型的其他统计量，以及构建混合模型的方法。Bollen和Brand的方法基于结构方程模型，这已经超出了本书的范畴，但在下一章我们会简要地予以讨论。
1702650459
[
上一页 ]
[ :1.70265041e+09 ]
[
下一页 ]