楼主可否介绍下招聘机构的情况？

另外，教育财政与劳动经济学（含教育经济学）其实差别还是挺大的。研究前者的不一定懂后者，反之亦然。如果我没有理解错：教育财政研究偏宏观，以年鉴数据（或其他高度综合的数据）为基础；而劳动经济学（尤其是教育经济学）在国内偏微观实证（当然，宏观劳动经济学在国际上也是宏观经济学的一个很重要部分）。

不知道楼主所在单位招聘的重点是：两者皆可（A或B），还是两者兼备的复合人才（A+B）？

谢谢ls的提问，对你的问题回答如下：
1、南京财经大学财税学院现有本科财政和税务两个专业，财政学硕士点，今年新立项有博士方向，学院专职教师不到40人，规模在学校排在中等，但应用经济学科是南财的两个优势学科之一。公共财政研究中心为校级研究机构，现与学院合署办公，为江苏省高校哲社重点研究基地。专业研究现设有教育财政研究方向，但科研人员缺乏，我本人长期从事教育经济与财政学研究，所以想看看有没有朋友愿意一起进行长期合作。现在华东地区（包括江苏、浙江、上海等省市）的教育经济和财政研究力量比较薄弱，而且南财科研氛围比较宽松，没有太多的传统，所以年轻学者还是有比较多的发展机会。其他情况，可以看学校和学院网站进行了解，或直接与我email联系，具体沟通。
2、因为是财税学院，所以研究的议题应该围绕教育财政，教育财政的议题虽然偏宏观，但也离不开微观与经验研究，例如，就某一财政资助对于学生学业成绩或学生升学意愿有何意愿，这就涉及到教育生产和学生受教育需求函数的估计，这就属于微观问题，又如研究ZF间教育财政转移支付又与教育对个人收入和就业的影响，以及教育外部性表现有关。因此，我想如果有较强的教育经济或劳动经济理论背景，同时又以教育财政为主要研究方向是最好的。不过这也不是硬性条件，我想搞教育财政的应该对我们的研究对象“教育”或多或少有一定了解吧。谢谢！

谢谢详尽的解答。

关于合作的问题，您可以参考https://bbs.pinggu.org/forum.php?mod=group&fid=1975

另，你举得两个例子，应变量确实是微观层面的（个人），但最后的落脚点是自变量（宏观政策）的影响。这种类型的研究，一般政策变量是两元的，可能未必能产生足够的variation。除非财政转移到个人的数量（如助学金）在个体之间是有差异的连续变量。但这里会有严重的内生性偏误问题，因为助学金显然是发给家庭情况（socioeconomic status）较差的学生——因此遗漏变量（如个人的能力）既与自变量（助学金发放）有关，又与应变量升学意愿或者成绩有关系。

类似的情况，在目前的文献中并非很容易解决。第一，工具变量不好找（什么变量是只影响助学金而不影响成绩的？除非有大的外生政策变化）；第二，由于没有面板数据（调研难度大），无法使用个体固定效应消除不随时间变化的、不可观测的能力。第三，调研设计中（经费问题）基本难以实现能力测评。两种方法，一是IQ测试，二是标准化考核。但都不具备可操作性。第四，寻找断点回归的可能性比较难（样本量太小）。假设助学金是按照家庭人均月收入低于X元发放的，那么在X元这个断点两侧的家庭，我们可以假设他们具有很大的相似性（在控制其他变量的前提下）。如果有足够大的样本量，我们就可以（起码近似地）识别出助学金对学生的影响。但一般而言，调研数据大体不会超过2000个样本，在某断点两侧的样本肯定会非常有限。

当然，这些研究本身是非常有意义，在技术上也是很有意思的。欢迎楼主经常来与大家交流经验，分享成果。

谢谢夸克的评论。当前中国的教育财政宏观层面的研究比较多，且多以省级面板数据进行分析，个人觉得基本没有太多的研究价值了，反倒是县级数据可能有更多的空间可以挖掘，但县级数据可获性比较差，成本较高，且口径问题很难得到很好的解决。基于个人微观层面的调查研究数据近年来开始增多，但正如你所说的，一是在现有的人文社科项目资助标准下，调查的成本相对较高，样本容量必定不大，我曾经在农村地区自己进行农户入户调查，不到2000户，不到4000的individual cases，就花费将近15万元，还不包括一些间接和隐形的成本，二是多为事后的、非追踪性的观测数据，这样的数据结构势必面临计量方法上的内生问题，难以处理政策与结果之间的因果关系。对于这一问题，我谈谈我的经验，供大家批评指正。以中职学生助学金是否会影响农村学生升学意愿估计为例，助学金的标准一般是由中央ZF制定的统一标准，通常是全国统一或东中西各地区统一，所以正如夸克说的，它是一种categorical varaible，在回归中只能作为dummy varaible进行分析，并且因为中国的中职助学金是针对农村中职学生全员发放，根本就不存在variance，因此调查只能调查升学前学生，询问他们是否知晓资助信息，以及他们未来是否会升学，进行意愿分析。在这种情况下，可能的处理方法有以下几种：
1、放弃因果关系分析，以有限因变量做最大似然估计回归，进行相关关系分析，这是下策。此种方法胜在成本低，当政策分析急需你拿出意见的时候，这种方法不失为一种“应急”方法。虽然学界学者对相关关系的结果与因果关系的结果到底有多大差异有质疑，但始终无法绕开因果关系的批评；
2、不纳入财政资助变量，而是以家庭经济收入作为自变量，观测收入变量对学生升学意愿的影响，其背后的假设时如果家庭收入会影响学生升学意愿，那么财政资助作为一种影响家庭收入的财政手段，也应具有影响。家庭收入变量是连续变量，因此就可以采用工具变量的方法来回避内生问题，但这里依然有一个问题，即家庭收入约束对学生选择的影响是否与财政资助的影响相同，事实上，财政资助是专项的，只能用于学生教育支出，而家庭收入则没有支出约束，两者影响是否在方向上保持一致，值得质疑
3、就观测数据在技术上进行事后的弥补，例如采用倾向得分法（PSM）进行匹配分析，此种方法显然要比前一种方法可靠，但对case数的要求比较高。在小样本的情况，根据个人经验，其结果也不稳健，在匹配上也是存在很大的人为主观性的东西
4、花大力气实行跟踪性的随机试验，这种东西的成本很高，不是一般人玩得起的，而且周期很长，据我所知，国内有学者就unconditional grant对学生升学意愿的影响做完全随机试验，好像几千个cases（包括控制组），就花了几百万港币。
总的来看，做经验和实证研究，特别是做中国的研究，个人觉得要在数据可获性与方法、分析成本和效率方面求得一种平衡，虽然现在现成的数据越来越多，例如CHNS，数据条件要比原先好得多，但说实话，这些现有的数据毕竟不是专为某个研究议题而设计，研究者势必会遇到这样或那样的问题，这种数据的先天缺陷，只好通过计量方法来弥补，但计量方法真能解决数据所有的先天问题吗。做经验研究的应该都知道，在一篇文章中该报告什么，不该报告什么，这真的是很无奈的事情。
一点个人的想法，可能有点消极，哈哈，供批评指正。