稳健性检验！稳健性检验！
Stata连享会 主页 || 视频 || 推文
http://qr06.cn/B9EOq8 (二维码自动识别)
Note: 助教招聘信息请进入「 课程主页」查看。
阅读本文最新版 → 稳健性检验！稳健性检验！
Stata 系列推文：
- 全部 | Stata入门 | Stata教程 | Stata资源 | Stata命令
- 计量专题 | 论文写作 | 数据分享 | 专题课程
- 结果输出 | Stata绘图 | 数据处理 | Stata程序
- 回归分析 | 面板数据 | 交乘项-调节 | IV-GMM
- 内生性-因果推断 | 倍分法DID | 断点回归RDD | PSM-Matching | 合成控制法
- Probit-Logit | 时间序列 | 空间计量 | 分位数回归 | 生存分析 | SFA-DEA
- 文本分析-爬虫 | Python-R-Matlab | 机器学习
- Markdown | 工具软件 | 其它
目录
- 1. 什么是稳健性检验？
- 2. 为什么要做稳健性检验？
- 3. 变量替换法
- 3.1 替换因变量
- 3.2 替换自变量
- 3.3 放宽因变量或自变量条件
- 4. 补充变量法
- 4.1 加入遗漏变量
- 4.2 加入各类虚拟变量
- 5. 分样本回归法
- 6. 调整样本期
- 6.1 扩展时间窗口
- 6.2 缩短时间窗口
- 6.3 滚动窗口法
- 7. 改变样本容量法
- 7.1 选择子样本
- 7.2 缩尾处理
- 7.3 扩充样本容量
- 8. 内生性问题
- 8.1 工具变量法
- 8.2 加入滞后变量
- 8.3 样本自选择问题
- 9. 其它方法
- 9.1 验证前提条件
- 9.2 模型替换法
- 9.3 更换新的数据源
- 10. 总结
1. 什么是稳健性检验？
论文中，我们常常要求要做稳健性检验，那么什么是稳健性检验呢？
根据 百度百科的解释，稳健性检验考察的是评价方法和指标解释能力的强壮性，也就是当改变某些参数时，评价方法和指标是否仍然对评价结果保持一个比较一致、稳定的解释。
简单来说，当我们得出一个结论时，需要通过一系列方法来验证所得的结论是否可靠。当我们改变了一些条件或者假设发现所得结论依然不变，那么我们的结论就是稳健的，反之，所得结论有待商榷，我们需要找出使结论发生改变的原因并进行解释。
在较早的文献中，一般很少涉及稳健性检验，但近年来，大家对稳健性检验的重视程度越来越高，这也体现了大家对所得结论准确性的要求越来越高。做好稳健性检验，是使结论得到广泛接受的重要步骤之一。
遗憾的是，目前关于如果做稳健性检验并没有统一的标准，也没有一个明确的说明告诉我们在文章中我们到底应该要从哪些角度去做稳健性检验。因此，每篇文章根据自己的研究目的不同，稳健性检验的角度也会大不相同。比如当你的文章着重于研究方法的设计时，稳健性检验则应该更多关注于研究方法成立的前提条件和假设；而当你的文章数据处理时，则应该更多的关注于数据本身的稳健性。
为研究目前研究中稳健性检验常用的角度，笔者通过搜集经济研究、管理世界以及中国工业经济三个目前被广泛认可的期刊 2014-2020年 共六年的文献，从中随机挑选了包含实证研究内容的文章共117篇，经粗略统计发现其中将稳健性检验作为单独一个章节的文献共51篇，占比达到43.6% (注：许多文章在进行结论分析时会将稳健性检验放入结论讨论部分，但是这里笔者因为统计方便的原因并没有将其纳入统计中，只统计了单独将稳健性检验作为一个章节的文献，因此实际进行稳健性检验的文章远大于43.6%，该结论需谨慎使用)。
根据总结发现，在这51篇文献中，常用的稳健性检验的角度包括变量替换法，改变样本容量法，分样本回归法，补充变量法等，下一章节中笔者将按照该角度使用的频率从大到小进行排序并进行介绍 (注：每个角度的使用频率仅根据这51篇文献里出现的频率进行粗略估计，并不能代表所有稳健性检验的情况)。
2. 为什么要做稳健性检验？
Seattle University的 Nick Huntington-Klein 教授在他的文章 Robustness Tests: What, Why, and How 中写到：
当我们在课上学习到一个新方法时，老师会不断强调每个方法都有自己的假设和前提条件，而稳健性检验就是针对这些假设的。我们想要知道如果其中一个假设或者前提条件改变时，我们所得的结论是否依然可靠，这就是稳健性检验存在的意义。每当我们做稳健性检验时，我们应该思考以下问题：
- 我的研究假设是 A.
- 如果 A 不成立，那么我的结果 B 就可能出现有偏的估计 (可能估计值过高/过低/标准误过小/等等...)
- 我认为 A 在我的检验中可能不成立，因为 C 或者，D 是判断 A 是否成立的条件；
- 又如，D 是另外一种计量方法但是并没有 A 这个假设前提.
- 如果我们发现 A 不成立，那么我们则应该在稳健性检验中用 E 方法重新检验.
举一个简单的例子，假如我们现在准备研究政权的更替对于经济发展的影响，我们建立了一个简单的OLS回归模型将经济发展作为被解释变量，政权的更替作为核心解释变量进行估计：
- 我的分析假设是扰动项均值独立于所有解释变量，即变量外生，不受内部因素的影响，不存在遗漏变量的问题
- 如果存在遗漏变量问题，那么在回归中政权的更替这一变量的估计值就会过高或过低 (取决于遗漏了哪些变量)
- 我认为我们这个分析中存在遗漏变量问题问题，因为政权的更替通常会伴随着暴力事件的增加，而暴力事件的增加则会影响经济的发展，所以暴力事件是我们在随机扰动项中没有控制的变量
- 那么，增加暴力事件这一变量作为控制变量是我可以进行的稳健性检验之一。
- 如果我们发现，增加了这一控制变量之后，使得我的结果与原先的结果完全不同，那么我们之前的结果则是不稳健的，我们应该加入这一变量进行重新估计。
本例中所提及的稳健性检验方法就是我们下文将要介绍的「补充变量法」。
下面，我们介绍文献中在稳健性检验部分常用的一些应对方法。
原文 稳健性检验！稳健性检验！
https://www.lianxh.cn/news/32ae13ec789a1.html
陈冬华 (2018) 在研究产业政策对股价同步性影响文章中提出，产业政策的影响是一个循序渐进的过程，因此在稳健性检验部分基于滚动窗口的实证研究方法对产业政策进行了动态研究。
10. 总结
在我们进行完稳健性检验后，我想大家可能跟笔者一样也经常遇到不稳健的结果，因此，这里想跟大家分享一下 Cristobal Young (2015) 在针对稳健性检验时提出的一段话：
学者总是在努力能够通过他的文章采用无懈可击的证据来讲述一个“完美”的故事，但实际上我们必须承认，不稳健的结论有时可以引发我们更多深入的思考，也许一个重大的发现就隐藏在我们不稳健的结果背后。在稳健性检验时，我们需要更多的耐心来面对我们不稳健的结果，同时我们也需要更多的动力来揭秘不稳健结果背后隐藏的秘密。
因此，最后希望大家在面对不稳健的结果时，不要感到无措或者恐慌，静下心来思考一下背后的原因，这才是研究的意义所在。
Stata 系列推文：
- 全部 | Stata入门 | Stata教程 | Stata资源 | Stata命令
- 计量专题 | 论文写作 | 数据分享 | 专题课程
- 结果输出 Stata绘图 | 数据处理 | Stata程序
- 回归分析 | 面板数据 | 交乘项-调节 | IV-GMM
- 内生性-因果推断 | 倍分法DID | 断点回归RDD | PSM-Matching | 合成控制法
- Probit-Logit | 时间序列 | 空间计量 | 分位数回归 | 生存分析 | SFA-DEA
- 文本分析-爬虫 | Python-R-Matlab | 机器学习
文章被以下专栏收录
