2017年-世界发展银行全球_Estimation_and_Inference_for_Actual_and_Counterfactual_Growth_Incidence_Curves_61页_1mb

总结：实际与反事实增长影响曲线的估计与推断

核心内容

本文探讨了实际和反事实增长影响曲线（Growth Incidence Curve, GIC）的估计与推断方法。GIC用于衡量不同收入分位数上的收入增长情况，是分析经济增长对收入分配影响的重要工具。作者提出了一种基于潜在结果过程的通用函数来定义GIC，并开发了相应的估计与推断方法，适用于实际和反事实情况。

主要观点

• GIC的定义：GIC表示在特定分位数上收入增长的比率，用于描述经济增长的分布效应。
• 实际与反事实GIC：实际GIC反映观察到的收入增长分布，而反事实GIC则假设解释变量的分布不变，用于分析经济增长的结构性变化。
• 识别条件：识别GIC需要满足潜在结果的可忽略性假设（ignorability assumption），即在给定协变量的情况下，处理分配是随机的。
• 估计方法：提出了一种三步半参数估计方法，包括：
  1. 估计倾向得分（propensity score）；
  2. 使用加权分位数回归（weighted quantile regression）估计潜在结果的分位数；
  3. 根据估计的分位数计算GIC。
• 推断方法：通过重抽样方法（如自助法和子抽样）计算检验统计量的临界值，以实现对GIC的统计推断。
• 理论贡献：建立了GIC估计量的渐近性质，证明了其一致性和弱收敛性，并展示了其在结构效率下的表现。

关键信息

• GIC的公式：对于实际GIC，定义为 $ GIC(\tau) = \frac{q_{A1}(\tau) - q_{B0}(\tau)}{q_{B0}(\tau)} $；对于反事实GIC，定义为 $ GIC^*(\tau) = \frac{q_{B1}(\tau) - q_{B0}(\tau)}{q_{B0}(\tau)} $。
• 应用案例：通过比较美国和巴西1995-2007年的实际和反事实GIC，发现美国的收入增长主要集中在高收入群体，而巴西的收入增长则主要集中在中低收入群体，导致美国不平等上升，巴西不平等下降。
• 分位数处理效应：本文方法可扩展用于估计其他分位数处理效应（如QTE、QTT、QTU），并提供了对这些效应的统计推断手段。
• 数学工具：使用分位数回归和倾向得分估计，结合重抽样方法进行统计推断，确保估计结果的稳健性和有效性。

方法结构

• 步骤1：估计倾向得分 $ p(\mathbf{X}) $，可以是参数或非参数方法。
• 步骤2：利用加权分位数回归估计潜在结果的分位数。
• 步骤3：将估计的分位数代入GIC公式，计算实际和反事实GIC。

理论依据

• 识别条件：包括可忽略性假设（I.II）和倾向得分的非零概率条件（I.III）。
• 渐近性质：估计量在大样本下具有一致性和弱收敛性，且在结构效率下达到半参数效率边界。
• 推断方法：使用自助法和子抽样方法计算临界值，确保统计推断的有效性。

结论

本文为GIC的估计与推断提供了系统的方法论框架，不仅适用于实际经济增长分析，也适用于反事实情景下的结构变化研究。该方法在实证分析中展现出良好的适用性，并为研究者提供了灵活的工具来评估经济增长对收入分配的影响。