面板研究——纵向面板设计
- 提出者
- Social science and econometric traditions; systematized by Cheng Hsiao and others from the 1970s-1980s
- 年份
- 1970s-1980s (econometric formalization); earlier social survey use from 1940s
- 类型
- Quantitative longitudinal observational design
- 类别
- Survey / observational design
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
面板研究是一种定量纵向设计,在两次或多次测量时点上对相同个体、组织或其他单位进行重复测量。与捕捉单一时间点的横截面调查不同,面板研究跟踪单位内部的变化,使研究人员能够区分单位内部的真实变化与单位之间的差异,并对随时间变化的因果动态进行建模。
方法背后的直觉
可以设想一下,连续十年每年跟踪同一个2000个家庭,记录他们的收入、就业状况和健康状况。因为你总是回到同一个家庭,所以你观察到的任何变化都是真实的个体或家庭内部的变化,而不是不同时间点测量的不同人之间的差异。这就是面板研究的核心优势:你不仅可以问谁的收入更高,还可以问是什么原因导致同一个人的收入随时间而上升或下降。固定效应和随机效应估计量利用这种重复结构来控制那些否则会混淆横截面比较的未观测到的、时间稳定的特征。
历史学
面板方法于20世纪40年代在社会科学中出现,保罗·拉扎斯菲尔德(Paul Lazarsfeld)的选举研究开创了使用重复访谈方法研究态度变化。经济学家在20世纪60年代至80年代将面板数据计量经济学理论系统化;亚伊尔·蒙达拉克(Yair Mundlak)(1961, 1978)和程学(Cheng Hsiao)的里程碑式1986年教科书(2003年修订)确立了固定效应和随机效应估计作为标准工具。主要的国家面板研究——美国收入动态面板研究(PSID,始于1968年)和德国社会经济面板(SOEP,始于1984年)——巩固了面板研究作为经验社会科学和经济学基石的地位。
何时使用
当核心问题涉及同一单位内部随时间的变化时,或者当你想控制横截面设计无法解决的未观测个体水平异质性时,请使用面板研究。面板设计适用于研究收入、健康、态度、公司绩效或教育成果的轨迹。它们需要能够跨波次跟踪和重新联系相同的单位,有足够的资源进行重复数据收集,以及一个预期结果会发生变化的有意义的时间跨度。如果重复测量可能使参与者敏感并改变他们的行为(面板效应),如果人群高度流动且随时间难以追踪(高结构性流失风险),如果研究问题涉及单一时间点的患病率(使用横截面调查代替),或者如果只关心不同样本的总体趋势(使用趋势或重复横截面设计),则不要使用面板设计。
局限与注意事项
- 面板流失如果与结局或预测变量相关,则会引入潜在的选择偏差。
- 面板效应——重复测量可能会改变受访者的态度或行为,损害外部效度。
- 固定效应模型无法估计不随时间变化的预测变量(例如,性别、种族、出生国家)的影响,因为它们在差分过程中被消除了。
- 成本高昂且后勤要求高:多年或数十年维持面板联系需要大量基础设施。
- 如果未观测单位效应与预测变量相关,则随机效应估计量会产生偏差——这一假设常常被违反。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 通过固定效应估计控制所有不随时间变化的未观测混淆因子,从而实现单位内部的因果推断。
- 捕捉变化的动态和顺序,而不仅仅是某一时刻的结局。
- 在估计变化方面比独立的横截面研究更具统计效率,因为单位内部的变化通常小于单位之间的变化。
- 允许同时研究多个结局及其随时间的关系。
- 支持亚组轨迹分析;可以比较不同队列或群体的变化路径。
应用
- 跟踪同一家庭数十年的收入和就业轨迹,以研究贫困动态和社会流动性。
- 通过跟踪学生跨越学年,并控制未观测的学生水平特征,来估计教育政策的因果效应。
- 研究公司层面的生产力增长以及技术采纳在公司内部多年内的影响。
- 跟踪患者在反复的临床就诊过程中,评估治疗依从性如何改变同一患者的健康结局。
- 分析选民在选举周期内的政治态度变化,以区分代际更替和真实观点变化。
- 使用多国、多年面板数据集,在比较政治经济学中模拟国家层面的政策效应。
使用方式
使用方式
研究人员指定面板单位(个体、公司、国家)、测量波次数量和时间安排,以及要跟踪的变量。波次间隔的选择必须能够捕捉有意义的变化;间隔太短会错过实质性变化,而间隔太长则有丢失参与者和错过波次之间动态变化的风险。
在基线(第一波)时招募目标人群的概率样本或目的样本。获得重复参与的知情同意。全面测量基线特征。在此阶段决定抽样权重和计划对稀有亚组进行过度抽样,因为整个面板分析策略依赖于在此建立的代表性。
在每个后续波次中,重新联系相同的单位并测量相同的核心变量,以及任何随时间变化的协变量。跨波次使用标准化工具以保持可比性。可以在波次之间添加新变量,但核心项目必须保持一致,以便在没有测量混淆的情况下跟踪单位内部的变化。
诊断面板流失——参与者在波次之间退出。研究人员将完成者与退出者在基线特征上进行比较,以评估流失是随机的(完全随机缺失)还是系统的(随机缺失或非随机缺失)。系统性流失会使估计产生偏差;补救措施包括多重插补、逆概率加权或敏感性分析。
应用面板特定估计量。固定效应(内部估计量)模型通过对每个单位内的数据进行差分或去均值来控制所有不随时间变化的未观测混淆因子。随机效应模型假设未观测单位效应与预测变量之间没有相关性,以牺牲该假设为代价来提高效率。豪斯曼检验常用于两者之间的选择。双重差分设计是一个突出的特例。
系数被解释为单位内部的变化:预测变量的单位增加与同一单位随时间变化的结局变量的给定变化相关,同时固定其不随时间变化的未观测特征。单位之间的解释需要随机效应或合并普通最小二乘法假设。因果声明需要额外的设计特征,如外生变异或工具变量。
常见陷阱
- 忽略流失模式:在未测试假设的情况下将退出视为随机会导致估计偏差;务必比较退出者和完成者在基线变量上的差异。
- 在波次之间更改核心工具:即使是微小的措辞变化也会破坏结局变量在不同时间的可比性,使单位内部的变化估计无效。
- 将合并普通最小二乘法应用于面板数据而不考虑单位内部聚类:标准误被低估,夸大了显著性;务必按面板单位聚类标准误或使用面板适用的估计量。
- 混淆面板研究与队列研究:队列研究跟踪在同一时间出生或进入某群体的个体;面板研究跟踪相同的样本个体,无论其队列成员身份——这些研究回答不同的问题。
- 过度声称因果关系:固定效应仅控制不随时间变化的混淆因子;随时间变化的混淆因子仍然威胁因果推断,除非通过设计(例如,工具变量、回归断点设计)来解决。
常见问题
面板研究与纵向研究有什么区别?
所有面板研究都是纵向研究,但并非所有纵向研究都是面板研究。面板研究专门在每个波次跟踪相同的样本单位。其他纵向设计——如趋势研究或重复横截面研究——在每个波次收集新的样本,因此无法估计单位内部的变化或应用固定效应估计量。
我应该何时使用固定效应而不是随机效应?
当您怀疑未观测的单位水平特征与您的预测变量相关时,请使用固定效应——这在观察性社会科学中很常见。固定效应通过从数据中移除不随时间变化的单位均值来消除这种相关性。仅当您可以可信地假设不存在这种相关性时才使用随机效应。豪斯曼检验提供了一个正式的统计检验:显著结果表明随机效应假设被违反,应优先选择固定效应。
我需要多少个波次才能进行面板研究?
估计单位内部的变化至少需要两个波次,但两个波次通常没有足够的空间来建模轨迹或检测非线性变化。需要三个或更多波次来建模增长曲线或变化率的变化。最佳数量取决于研究问题、所研究过程的速度以及预算和流失容忍度等实际限制。
我如何处理面板研究中的缺失数据?
首先,诊断数据缺失的原因:完全随机缺失(MCAR)、随机缺失(MAR)或非随机缺失(MNAR)。在MAR——实践中最可辩护的假设——下,多重插补或最大似然估计可以产生无偏估计。在MNAR下,需要使用选择模型或模式混合模型进行敏感性分析。只要退出不是MCAR,简单地删除不完整案例就会引入偏差。
面板数据可以证明因果关系吗?
固定效应面板估计量消除了所有不随时间变化的混淆因子,这比横截面设计具有显著优势,但它们不能消除随时间变化的混淆因子。为了加强因果声明,研究人员将面板数据与自然实验、工具变量、回归断点设计或具有平行趋势检验的双重差分相结合。面板数据比横截面数据能实现更强的因果推断,但不能替代实验变异。
相关方法
参考文献
Hsiao, C. (2003). Analysis of Panel Data (2nd ed.). Cambridge University Press.
ISBN:978-0521522717已复制。Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). MIT Press.
ISBN:978-0262232586已复制。