2008年-世界发展银行全球_The_Econometrics_of_Finance_and_Growth_45页_321kb

报告摘要

《金融发展与增长的计量经济学》总结

核心内容

本文探讨了金融发展与经济增长之间关系的计量经济学方法，重点在于如何识别因果关系并解决潜在的内生性问题。作者Thorsten Beck分析了多种估计方法，包括横截面和面板数据的工具变量（IV）方法、时间序列方法、双重差分法（DID）以及企业与家庭层面的数据分析。文章强调了在估计过程中识别问题的重要性，并讨论了如何通过不同的方法克服这一问题。

主要观点

金融发展与经济增长的关系
理论认为，有效的金融机构和市场通过减少信息不对称和交易成本，能够通过多个渠道促进经济增长，如提高支付效率、聚集储蓄、提供信息、监督投资和分散风险等。然而，也有模型表明，更有效的资源配置可能降低储蓄率，从而减缓经济增长。
相关性不等于因果性
金融发展指标与经济增长之间的正相关并不能证明因果关系。因此，需要采用更严谨的计量方法来识别因果关系，如工具变量法、时间序列分析、双重差分法等。
OLS估计的局限性
OLS估计在存在遗漏变量、反向因果关系和测量误差的情况下会不一致。因此，需要使用其他方法，如工具变量法，来解决这些问题。
工具变量方法的应用
工具变量方法通过使用与金融发展相关但与经济增长无关的变量来解决内生性问题。常见的工具变量包括法律起源、殖民者死亡率、纬度等历史和地理因素。此外，还利用子国家层面的银行限制指标进行分析。
动态面板模型
动态面板模型通过使用滞后变量作为工具变量来解决反向因果和遗漏变量问题，同时控制弱外生性。Arellano和Bond提出的GMM差分估计方法是其中的代表。
方法论挑战
工具变量的强度和有效性是关键问题。弱工具变量可能导致IV估计结果偏向OLS，并且可能使过度识别检验出现误拒。此外，企业与家庭层面的数据虽然提供了更深入的机制分析，但也带来了新的方法论挑战。

关键信息

基本模型：
本文讨论的简单回归模型为：
$$
g(i, t) = y(i, t) - y(i, t - 1) = \alpha + \beta_i f(i, t) + C(i, t) \gamma_i + \mu(i) + \varepsilon(i, t)
$$
其中，$g$ 表示经济增长率，$y$ 表示人均实际GDP或福利指标，$f$ 表示金融发展指标，$C$ 为条件变量，$\mu(i)$ 为国家特定效应，$\varepsilon(i, t)$ 为误差项。
OLS估计的条件：
OLS估计只有在以下正交性条件下才是无偏一致的：
$$
E[C(i)'\varepsilon(i)] = 0; E[\gamma(i, t)'\varepsilon(i)] = 0; E[f(i)'\varepsilon(i)] = 0
$$
工具变量方法：
工具变量方法通过引入外部变量（如法律起源）来解决内生性问题。TSLS和GMM是常用的估计方法，但都依赖于工具变量的质量。
过度识别检验：
Sargan和Hansen的J检验用于检验工具变量的有效性，但这些检验在小样本中可能不够可靠，尤其当工具变量较弱时。
动态面板模型：
动态面板模型通过使用滞后变量作为工具变量来解决反向因果问题，但需要满足弱外生性假设。Arellano和Bond提出的GMM差分估计方法是该模型的典型应用。
方法论挑战：
企业与家庭层面的数据提供了更细致的机制分析，但同时也带来了数据收集和处理上的挑战。此外，工具变量的选择和强度是估计结果是否可靠的关键。