报告时间：3月24日 周五 上午 10：00-11：00

报告地点：腾讯会议318-768-663

报告主题：对短时异质动态面板数据模型中平均处理效应的 Jackknife Mean Group 估计方法：最低工资政策对就业水平的影响。Jackknife Bias-Corrected Mean Group Estimator for Heterogeneous Dynamic Panels with Short T: An Application to Effects of Minimum Wages on Employment

主讲人介绍：杨丽颖，南加州大学经济学博士。研究方向：计量经济。

主办单位：北京师范大学湾区国际商学院

报告内容：本文针对横截面观测对象（cross-sectional units）样本量（n）大但观测时期（T）少的面板数据结构，研究如何对异质动态面板数据模型中的平均处理效应进行估计和推断，并通过 Jackknife 方法对 Mean Group 估计量进行偏差校正提出了新的 MG-JK 估计方法。文中证明了当 n 和 T 同时趋近于无穷并且 n/T4 趋近于零时，原 MG 估计方法中的一阶偏差（first-order bias）可消除，新的 MG-JK 估计方法具有根号 n 一致性（root-n consistency）。为了保证 Jackknife 方法在有限样本上的有效性，针对 ARX(1) 面板数据模型，本文对 MG 估计量 r 阶矩的存在提出了一个充分条件。同时，本文重新回顾最低工资政策对就业水平影响的研究，从计量理论角度解释了为何已有文献中不同估计结果之间存在差别。MG-JK 估计方法能有效解决结果变量的短期动态效应和短期处理效应（treatment effects）在不同横截面观测对象中的差异性（heterogeneity）给平均处理效应的估计造成的问题。与双向固定效应估计量（two-way fixed effects estimator）相对比，MG-JK 估计方法不需要假设不同横截面观测对象之间存在平行的时间变化趋势（parallel trends）或者逐步干预的实验设计（staggered treatment design）。本文将 MG-JK 估计方法应用于美国县级2002年–2011年的面板数据进行分析，结果表明实际最低工资对总体就业水平的长期影响接近于零，但是对青少年就业水平存在显著的长期负面影响。