很好啊 学习

赞同

虽然不做稳健性分析的文章是垃圾的说法大错特错，但国内对稳健性分析重视程度的确不足，谢谢楼主的文章推荐，辛苦了

楼主的心灵很美啊

很感谢版主做这样专业性的讨论工作，赞一个！宁静以致远。

版主威武

讲的不错，国内很多人乱用计量，乱搞一气。。。。

谢谢！！！！

好文！！！看后很过瘾！

xuexi

不错，收藏啦

内生，内生性，内生增长.......

因为自己量化分析能力不足，不知道可不可以建议一些自己觉得不错的文章，大家一起读，一起学习。

不知道你这里指的能力不足是指的哪一块。是计量不行还是数据处理能力不行。我个人认为，要做实证文章就要先用好一款软件，推荐你使用SAS，如果你不是做金融的，用STATA也不错，主要是处理数据能力的提高，其他像run个回归什么的，相对比较简单（当然如果你做微观计量，那又另当别论了）。找一篇国内的好杂志上的文章，模拟着做。找国内文章的原因是他们使用的数据相对好找到，duplicate别人文章的好处就是锻炼自己的数据分析能力，在做得过程中会有一些想法，想法多了也就成了一篇新文章了。总之，还是要提高自己的动手能力。

正好要读这篇文章，看楼主将其作为内生性问题实例，受益匪浅

thanks

楼主：您好，您的另一个版面：“内生性与工具变量：面板数据的例子”能否降低一点阅读权限啊，让我讲师级别（28）也能学习一下！

不好意思，那个帖子不是我发的，你得联系“夸克之一”

学习了

楼主的知识我看不懂啊

不太懂啊、

mark下慢慢看

一切罪恶源于我们研究的是观测数据，是数据的被动接受者，而不是数据的实际控制者。在生物学实验中不存在这个问题，他们可以将样本随机分为实验组和对照组，从而实现两组均质（微弱的随机性差异不影响统计显著性），或者说“其他条件一样”，然后通过实验组和对照组的均值差异来判断“处理”是否有统计意义上的显著效果。从逻辑上来讲，既然通过随机化实现了实验组和对照组的“其他情况相同”，那么两组均值的差异，只能归结为“处理”影响的效果。
内生性的问题，是观测数据的特点所导致的必然结果。
因此，如果数据这个根本性的问题不解决，其他所有的所谓解决内生性问题的方法，都只是亡羊补牢、隔靴搔痒。
那么，我们就应该悲观了吗？我认为大可不必。我的看法是：一是内生性问题导致系数估计偏误。有时候我们更关心的是系数显著为正还是显著为负，至于其大小是次要的。所以能够通过稳健性检验表明系数符号的正确性，就达到了我们的目的。至于其真实系数为0.2还是0.4，只有天知道，我们还是不要为此伤脑筋了吧。二是管用原则。探究内生性问题，有时候也就是在寻找真正的原因机制。在纷繁芜杂的现实世界中，各种变量的影响交织在一起，我们观察到的变量之间的相关，是不是具有真正的影响关系？说实话，这个很难，如果寻根问底，答案遥不可寻。但是如果在现有条件下，我们改变了X的值，Y的值确实发生了变动（管他是如何发生的），对于政策设计来说就是有意义的。当然，换成其他情况，可能X与Y的关系又会大不一样，但是人毕竟不是上帝，我们只能通过学习不断逼近真理，在错误的代价上衍生出新的智慧。

其实，有些地方我不是很理解。。。

对于测度误差，可以用差分方法处理

这好的帖子要认真学习啊

学习一下