样本选择模型和广义可加模型的非参数识别和估计的理论与方法

This study focuses on the following two models: i) Non-parametric identification and estimation of sample selection model, and non-parametric estimation of the average treatment effect. It is well known that sample selection models are widely used in Economics. It is desirable in the literature to obtain a robust estimator for this model under less restrictions. Based on the switching regression model framework, this study seeks to estimate the sample selection model without parametrically specifying the functional form and distribution of the errors in the model. Meanwhile, we also focus the dummy variable in the model to non-parametrically estimate the treatment effect. The motivation for estimating the treatment effect is that, as a tool for policy evaluation, treatment effect approach is now a standard econometric method in policy analysis and has a wide range of applications in micro-economics aspects. In recent years, it is also a hot research topic in Econometrics. Considering limitation of the existing literature, we will discuss these two issues in the same model, which will be a contribution to the existing literature. ii) Identification and estimation of a generalized additive model. From the existing literature, the traditional additive model has been introduced to overcome the dimensionality curse issue of non-parametric model. However, the main drawback of this model is that the explanatory variables are assumed to be separable in the model setting, which is very restrictive and may not correspond to the reality. In this study, while considering the curse of dimensionality, we also take into account the possible interaction of explanatory variables on the explained variable. Specific and interesting idea in this project is that explanatory variables are divided into several groups, allowing an arbitrary interaction among each group. This procedure largely relaxes the restrictions commonly imposed in the existing literature on non-parametric estimation, which may be very useful in real application (see main text).

本研究讨论两个模型： i）样本选择模型的非参数估计方法和平均处理效应的非参数估计。样本选择模型在经济学的各个领域有着广泛的应用，如何在较弱的假定下，得到稳健的估计是重要的研究课题。本研究设法在转换模型的框架下放松函数关系的假定来讨论模型的估计，并使用模型中的哑变量分析平均处理效应的估计。研究处理效应的意义在于：作为政策评价的工具，处理效应在经济学的各个分支有着广泛的应用，也是目前计量经济学研究的热点。我们试图在一个模型中同时讨论这两个问题来弥补现有文献的不足。 ii）广义可加非线性模型的识别和估计问题。传统的可加模型是用来克服非参数模型中的维数诅咒问题，因此要求解释变量在模型中没有交互作用，这往往与实际情况并不相符。本研究在考虑维数诅咒时，兼顾解释变量交互作用对被解释变量的影响，将解释变量分成若干子集合，允许集合内的变量任意相关，克服了现有文献的不足。在实际应用中有较大的意义（见正文）。

本项目系统研究了广义可加模型的识别和估计问题，并对系列理论结果结合中国我国具体实际问题进行了深入的探讨。本资助项目的主要理论贡献有：.（1）非参数样本选择模型；我们是在对称条件，在误差项的分布不做任何假定，函数形式也不做任何假定的前提条件下提出了一个新的估计量，这样设定在现有研究中还没有出现，大大放宽了文献中对这类模型的估计要求，我们给出了估计量的渐进性质，大样本模拟显示出估计量的良好性质。.（2）带有未知结构异方差截断模型；受限变量非线性模型的异方差问题，相较于线性模型，如果不考虑异质性会给模型估计带来严重的后果，本研究在tobit模型的假定下，在误差项形式未知，而且带有未知异方差结构的条件下，提出了一个便有应用的半参数估计方法，这在文献还没有看到类似的结果，应该说对文献有较大的贡献。.（3）Box-cox变换的随机系数结构模型；我们可加模型的假定条件下，同时考虑了模型的一般化和节约变量的维数，在半参数的假定下对该模型进行了研究，提出了随机系数估计量，避免了文献中已有方法可能会导致的局部极值问题。从monte carlo模拟来看，该估计量具有良好的有限样本性质。.（4）本研究给出了对经典问题政策评价常用假设 条件均值独立（unconfoundedness）提出了一个SK检验统计量，这是除了Hsu（2014）外的目前仅有的检验统计量。.本研究的实证部分主要是将理论研究与实际问题相结合，具 体来说： (1)将政策评价的相关研究应用于政府产业政策的在新型产业发展中的作用，得到了我国 产业政策的特点，并与传统行业的产业扶持政策进行了比较。 （2）通过上海财经大学千村社会调查数据，对农地的流转与农村劳动生产率的关系进行了研究，这一问题的目前文献讨论较少，有重要的现实意义。为可能的农村改革提供了一定的实证支持。（3）对与环境相关的房地产行业的绿色建筑、消费者的认可度，用政策评价的方法进行了较为全面的讨论。研究结果对绿色环保产品的发展以及政府的产业政策提供了实证建议。