凡是搞计量经济的，都关注这个号了
稿件： econometrics666@126.com
所有计量经济圈方法论 丛的code程序 , 宏微观 数据库和各种软 件都放在社群里.欢迎到计量经济圈社群交流访问 .
正文
关于下方文字内容，作者：张纯一 ，中山大学国际金融学院 ，通信邮箱： zhangchy76@mail2.sysu.edu.cn
合成控制法， 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.
Guo, Jing & Zhang, Zhengyu, 2019. "Does renaming promote economic development? New evidence from a city-renaming reform experiment in China," China Economic Review,
To explore the impact of city-renaming reform on economic growth, we compare the empirical performance of the synthetic control method, panel data approach and machine learning method (LASSO and elastic net) by the case of Xiangyang, which was officially renamed in 2010. We find that for the data on real GDP growth, the panel data approach reveals the best performance under the criteria of evaluating the quality of a model. The estimation results show that Xiangyang's real GDP growth rate rose by about 1.43% annually after the renaming reform. However, further discussions show that the annual growth rate of the tertiary industry decreased by 1.59%, which contradicts the mechanism of the brand effect of the reform. The statistical inference demonstrates that even if a city did not implement the city-renaming reform in 2010, the probability of obtaining an effect as large as Xiangyang's would be 25.9%. Therefore, the effect of the city-renaming reform is insignificant and other policy interventions—rather than the city-renaming reform—promote economic growth in Xiangyang. In summary, policymakers cannot win a “Promotion Tournament” by renaming cities.
1. 引言 1.1 motivation 在改革后的中国，促进地方经济增长的官员很可能会得到提拔。因此，中国各地方政府发起了一场刺激GDP的竞赛，称为“Promotion Tournament”。官员们使用包括城市更名在内的各种方法促进地方经济发展。城市名称就像广告，可以产生一定的品牌效应。城市品牌代表着一个城市的形象，提高城市的品牌效应可以促进城市的经济增长。因此，一个城市的官员有动机将其重新命名（或恢复其原有名称），以促进当地经济发展。 1949年后，由于襄阳和樊城的合并，这两个城市的第一个字被取了下来，新合并的城市改名为襄樊。出于保留城市名称的历史文化内涵和促进经济增长等多种原因，襄樊于2010年12月9日正式更名为襄阳，为检验城市更名改革效果提供了很好的案例。然而，这种影响可能是由其他因素引起的。因此作者对城市改名对经济的影响进行了研究，发现襄阳市在城市更名改革后的年实际GDP增长率为1.43%。但通过统计推断，作者证明了城市更名改革的效果并不显著。因此，这种影响是由其他干预而不是改革本身造成的。 1.2研究过程 为了考察2010年后更名对襄阳市实际GDP增长率的影响，需要估计反事实，然而由于反事实无法观测，估计非常困难的。参数法是估计反事实最简单和最常用的方法。然而OLS可能会由于忽略变量偏差而导致ρ的估计有偏。解决这个问题最常用的方法是工具变量技术，它假设工具变量对样本中的每个个体都有相同的影响。然而这种假设几乎不可能成立。 合成控制法、面板数据法和machine learning可代替参数方法来估计反事实。这三种方法的优点是，它们使用数据驱动的程序而非主观决定来选择合适的控制组，使研究者使用可观察变量来显示treated组和untreated组之间的差异。 合成控制法的思想是根据treat单元和控制单元之间干预前特征的相似性，为每个控制单元分配适当的权重。为避免外推，合成控制法要求每个权重为正且和为一。然而，作者发现。在城市更名改革之前采用合成控制法进行的拟合度非常差。而若拟合程度较差，则采用合成控制法构建的反事实是不合适的。因此，作者使用面板数据的方法作为替代评估重命名对襄阳经济增长的影响。 Ÿ 只使用结果变量为控制城市分配权重，排除了解释结果变量的协变量。 Ÿ 其次，面板数据方法允许使用Li和Bell（2017）得出的ATE的渐近分布进行传统推断。 此外，作者发现机器学习方法选择了太多的控制单元，因此它主要用于检查结果的稳健性。 通过使用面板数据方法，作者发现襄阳市的实际GDP增长率在城市更名改革后每年增长1.43%，且在1%的水平上显著。接着，作者通过添加预测因子，权衡估计偏差和预测误差，并使用人均实际GDP衡量经济增长，证明了这一结果是稳健的。然而，进一步的讨论表明，城市更名改革对第三产业的影响是负面的，这与城市更名改革的影响机制相矛盾，即城市名称所包含的历史文化内涵可以改善城市形象。反过来，城市形象将直接影响消费者的决策，尤其是在旅游业。 为研究上述结果是否受到其他政策干预的影响，作者使用推理技术构建ATE的分布，以确定城市更名改革的效果是否显著。统计推断表明，如果我们将城市更名改革随机分配给donor pool中的一个城市，获得与襄阳市一样大的treatment effect的概率为25.9%。因此，襄阳的估计影响相对于其他城市的估计影响分布较小。这些发现表明，城市更名的影响是微不足道的。因此，除了城市更名改革之外，其他政策干预促进了2010年后襄阳的经济增长。作者还研究了城市更名改革对普洱市经济增长的影响，得到了相同的结果。 2.数据描述 2.1样本窗口： 1984年10月，中共中央关于经济体制改革的决定颠覆了计划经济与商品经济对立的传统观念，并逐渐打破了计划经济的主导地位。此外，国务院于1986年1月23日颁布了《地名管理条例》，形成了较为完整的地名管理法规体系。本文使用1986年的一个样本期来比较三种项目评估方法。 邓小平南巡讲话指出，社会主义国家也可以实行市场经济；中共十四大确定的改革目标是建立社会主义市场经济体制；1993年，十四届三中全会通过了《中共中央关于建立社会主义市场经济体制若干问题的决定》，确立了社会主义市场经济体制的基本理论框架。经济改革进入了建立社会主义市场经济体制的新的历史阶段。因此，1992年前后中国的经济体制可能有所不同。因此，本文在第四节中使用了一个从1993年开始的样本期来仔细探讨襄阳更名改革的效果。 2.2 GDP数据来源： 实际GDP增长数据来自各城市统计年鉴和统计公报、各省统计年鉴和统计公报、《崛起之路——湖北辉煌60年》、《湖南经济社会发展60年》、河南和江西60年、《新中国60年》。人均GDP数据来自《中国区域经济统计年鉴》，缺失数据补充自各省统计年鉴。作者通过省级CPI调整名义人均GDP。 本文选择湖北、湖南、河南和江西省的地级市（包括省会城市）作为替代控制单元，一些城市由于无法获得实际GDP增长率或曾经更名不被包括在内。 Ÿ 四个省毗邻，均属于中部地区，因此在许多方面享受相同的优惠政策； Ÿ 1985年后各城市的年实际GDP增长率主要参考各城市的统计年鉴得出，但地级市的统计年鉴很难获取，没有必要花费大量时间精力从中国所有城市获取数据。 图1描绘了1986年至2016年襄阳市GDP增长率及二、三产业增长率。2010年12月襄樊更名时，所有增长率都在下降。由于影响经济增长的因素很多，只能通过比较城市更名后的实际经济增长与不更名的反事实得出结论。
图1 1986年至2016年襄阳市GDP增长率及二、三产业增长率 2.3 结构干预时间序列分析 干预时间序列分析为政策干预建模提供了一种有效的方法。本文首先使用线性干预模型简单研究更名对襄阳市实际GDP增长率的影响：
本文使用Enders（2014）中描述的程序估计干预前最合适的ARMA模型。图2中干预前阶段的ACF和PACF显示，第一个自相关和偏自相关在5%的水平上显著，而其他自相关和偏自相关被认为为零。因此，考虑使用AR（1）和MA（1）模型。
图2 ACF和PACF计算了襄阳市1986年至2010年的实际GDP增长率。
上式残差似乎与Q（5）=3.34（0.6479）序列不相关（显著性水平在括号中）。
其中误差ϵt似乎是序列不相关的（Q（5）=5.90（0.3159））。 AR（1）中的所有估计系数都是显著的，而MA（1）中ϵt-1不是。此外，AIC和BIC都选择AR（1）而不是MA（1）。因此，本文采用以下模型研究更名对襄阳GDP增长的影响：
Q检验发现拟合残差ϵt（Q（5）=3.50（0.6238））中没有自相关。此外，Dt的系数在统计上不显著。可得出结论，更名对GDP增长没有显著影响。 经济增长由影响所有城市的共同潜在因素驱动。如果该政策长期持续或treatment effect需要很长时间才能显现，那么在此期间，某些因素可能已经发生了变化。在这种情况下，干预时间序列分析方法无法将重命名的影响与这些变化的影响分开，因此我们不知道上述结论是否正确。鉴于其他未更名城市的信息有助于构建襄阳的反事实，我们可以使用上述三种方法将更名的影响与这些因素变化的影响分开。 3. 三种方法的实证比较 由于实际宏观经济数据可能与模拟数据略有不同，作者重点使用襄阳市1986-2016年的实际GDP增长率进行比较。通常，可以使用两个标准来评估模型的质量。首先是预测精度。如果在城市更名改革之前未能拟合襄阳市的实际GDP增长，则2010年后实际GDP增长率与反事实之间的大部分差距是由于拟合不足而不是城市命名改革的影响造成的。由于此处未观察到重命名后的MSE，因此使用重命名前的MSE来测量预测精度。第二个标准是对模型的解释。简约模型关注的是结果和协变量之间的关系，从中估计的结果很容易解释。这里的目标是为实际GDP增长数据选择合适的模型。 表1和表2报告了2011年至2016年的估计treatment effect、ATE、pre-MSE以及选定控制城市的数量。与合成控制法和Elastic Net络法相比，面板数据法不仅具有较小的pre-MSE，而且选择的城市也较少。尽管LASSO选择的城市数量与面板数据方法相似，但pre-MSE要大得多。
图3显示，与其他方法相比，面板数据方法更适合城市更名改革前襄阳的经济状况。为了平衡预测精度和模型解释，面板数据方法是最佳选择。
表3和表4展示了使用面板数据方法和machine learning估算的系数，以及合成控制法donor pool中每个城市的权重。这些不同方法选择的城市包括鄂州、邵阳、益阳、怀化、南阳等。大多数方法选择怀化和南阳。
如表5所示，怀化和南阳具有最高的相关系数以及最高的回归系数或权重。这表明这三种方法选择了与襄阳关系最密切的城市来构建反事实。由于选择了不同的对照组，用这些方法估计的反事实的大小是不同的，而ATE大致相同，范围在1.2到1.6之间，除了两种特殊情况：包括预测因子的合成控制法和k=12的面板数据方法。尽管这三种方法选择了不同的对照组，但图3所示的2011-2016年期间的反事实路径非常相似。
4.实证分析 使用从1993年开始的样本期探讨城市更名改革的经济效应。 Ÿ 在政策冲击之前，通过使用predictor为每个控制单元分配权重。因此，研究人员可以决定处理单元是否与合成控制法相似。 Ÿ 权重被限制为非负，并且必须总和为1，以防止外推。 然而，如果襄阳市与donor pool中的城市凸集相去甚远，或者预测值没有提供足够好的匹配，那么合成控制法可能会产生较差的拟合。由于面板数据法仅使用来自结果变量的数据，并依赖横截面GDP增长率之间的潜在相关性来选择控制组，在面板数据方法下，合成控制法的缺点不会出现。 4.1. 城市更名改革的效果评价 很难想象更名会在很大程度上影响其他城市的经济发展。因此可以有把握地认为，襄阳的更名对控制城市的影响微不足道。 由于城市间的相关性是由共同因素引起的，因此本文使用相关系数的大小来说明GDP增长率之间的相关性程度。表6显示了1993年至2010年襄阳市实际GDP增长率与其他城市实际GDP增长率之间的相关系数。大多数相关系数都在0.5以上，只有少数低于0.3：其他城市的GDP增长率与襄阳的GDP增长率之间存在着很强的相关性。
因此利用其他城市的GDP增长率构建襄阳市的反事实数据是合理的。 通过使用k=14的面板数据方法，本文选择邵阳、吉安、怀化和周口，构建了若襄阳市未发生更名改革在的GDP增长路径。表7报告了基于1993年至2010年实际GDP增长的控制组OLS估计权重。
表6和表7显示，邵阳、怀化和吉安不仅具有最高的相关系数，而且具有最高的回归系数。这表明这三个城市的经济增长与襄阳相似。 图4显示，控制组预测的襄阳市实际GDP增长率与城市更名改革前的实际增长率非常接近，R2为0.9342，pre-MSE为1.191。这表明面板数据方法提供了很好的拟合，并进一步说明了在这里使用这种方法的合理性。
表8报告了襄阳市的实际GDP增长率和控制组构建的预测反事实，二者之差为treatment effect。如表8所示，反事实增长率低于实际增长率。因此，2011年至2016年，襄阳的treatment effect为正。这一时期的ATE为1.43%，根据Li和Bell（2017）得出的渐近分布，这一结果在1%的水平上是显著的。
作者还发现图4中2011-2016年的反事实路径与图3类似。在第4.2小节中，合成控制法和机器学习方法没有显示这一特征，这进一步说明面板数据方法的估计对于GDP增长数据更为稳健。本文的分析得出了对城市更名改革效果的估计，这与Lu等人（2018）使用城市夜间灯光图像数据得出的结果相似。 4.2. 稳健性检验 从三个方面检查上述结果的稳健性：添加预测因子、权衡估计偏差和预测误差，以及使用人均实际GDP衡量经济增长。 4.2.1. 合成控制法的结果 襄阳市的合成控制被构建为donor pool中城市的凸集。本文选择就业人口在总人口中的比例，固定资产投资占GDP的比例、二、三产份额以及消费品零售额占GDP的比例作为预测指标。由于中国于2008年11月实行了4 trillion的经济刺激计划，因此将2008年和2009年作为独立的预测因素。此外，使用1997年、1998年、2002年、2008年、2009年和2010年的实际GDP增长率作为预测指标。表9比较了实际襄阳与合成襄阳的预处理特征以及37个控制城市的平均值。除了消费品零售额占GDP的比例、2009-2010年平均消费品零售额占GDP的比例以及1998年的实际GDP增长率外，综合襄阳的其他预测值比37个控制城市的平均值更接近实际预测值。
表10报告了donor pool中每个城市的权重，表明城市规划改革前襄阳的GDP增长趋势最好由荆门、咸宁、怀化、新乡、三门峡和新余重现。Donor pool中所有其他潜在控制城市的权重为零。
图5描绘了1993-2016年襄阳市及其综合对应地区的实际GDP增长率。
表11报告了襄阳市2011-2016年的GDP增长率和合成控制。如表11所示，treatment effect为正，ATE为1.00%。合成控制法获得的效果与面板数据获得的效果方向相同。
4.2.2. machine learning的结果 用LASSO和Elastic Net将相同的对照城市选为对照组来重新评估更名的treatment effect。因为机器学习方法选择了更多的控制城市，图6显示它们比面板数据提供了更好的拟合。
表12中报告的估计权重在不同的机器学习方法中略有不同。邵阳的相关系数最高，权重最大。同样的结果也出现在面板数据方法中。
表13显示了使用不同机器学习方法估计的treatment effect。ATE约为2%。这一结果高于面板数据法，面板数据法是合成控制法和机器学习方法的平均值。
4.2.3. 人均实际GDP 进一步使用经省级CPI调整的人均实际GDP来衡量经济增长并重新评估城市更名改革实验的效果。此处使用的预测值与第4.2.1小节中的预测值相同。地级市人均实际GDP的样本区间为1999-2016年。 如表14和表15所示，采用合成控制法和面板数据法选择的控制组有所不同。
然而，图7表明估计结果是类似的。两种方法都表明，2010年后襄阳市的实际人均实际GDP显著高于对照组。
上述检验结果表明，襄阳市改名后，年度实际GDP增长约1.43%这一结果是稳健的。 4.3. 再论城市更名改革的机制 城市更名改革的效果是通过旅游业的发展、城市交通网络的建设和轻工业产品在国内的销售扩张实现的，而轻工业产品是第二、三产业的私有组成部分。因此，进一步应用面板数据方法来估计城市改名改革对第二、三产业的treatment effect。
表16报告了1993年至2010年襄阳和其他城市第二和第三产业的相关系数。与实际GDP增长率相关系数一样，第二产业的相关系数大多高于0.5。尽管第三产业增长率的相关系数相对较小，但面板数据法非常适用，R2为0.9484。当某一因素对襄阳第三产业的影响与对其他城市的影响相反时，相关系数为负。
利用k=10的面板数据方法，本文选择邵阳和漯河构建了襄阳市第二产业在没有更名的情况下的假设增长路径。该方法选择了邵阳、开封、鹤壁和荆门四个城市来构建第三产业的反事实，且k=14。 表17根据1993-2010年第二和第三产业增长率的数据报告了控制组的OLS估计权重，并显示了控制组系数的t-statistics。
表18显示了2011年至2016年更名的估计影响。第二和第三产业的估计ATE分别为5.19%和-1.59%，t-statistics分别为4.98和-2.41。因此，更名对第二产业增长率的影响非常显著。对第三产业的影响是负面且显著的，这与导言中提到的城市更名改革的影响机制相矛盾。
因此，更名使襄阳的年实际GDP增长率提高了约1.43%的结论值得怀疑。 5.关于城市更名改革效果的推论 我们的分析和稳健性检验只能证明，2010年后襄阳市GDP增长较正常情况有显著提高，这种增长可能不仅仅是由于改名。合成控制法和面板数据法的一个基本假设是，在控制treat前协变量的影响后，政策冲击后观测到的数据仅为冲击的结果。如果观察到的结果同时受到两项或多项政策的影响，而其他城市不受这些政策的影响，则上述两种方法都会失败。传统的大样本推理技术不再适用。本文构建了ATE的分布，以确定更名的效果是否显著。 尽管donor pool中的城市没有重新命名，但我们可以通过将面板数据方法应用于donor pool中的每个城市来进行一系列安慰剂检验。接着，检验襄阳的估计效应相对于未重命名城市的估计效应分布是否较大。如果donor pool中城市的treatment effect与襄阳的相似，则可以说襄阳的treatment effect估计不是由城市更名改革产生的。另外，我们认为城市更名改革的效果是显著的。 如表19所示，39个控制城市的中位拟合优度为0.94，表明在城市更名改革之前，面板数据方法可以为donor pool中的大多数城市提供良好的拟合。
图9（a）显示了39个对照城市的ATE分布，获得正的treatment effect的概率为57.5%。获得与襄阳相同的ATE的概率为32.5%。由于襄阳市的ATE相对于未进行更名的城市的ATE分布而言并不异常大，因此实际GDP增长率的上升将归因于其他政策干预，而不是改名。 如果在城市更名改革之前的几年中，一些安慰剂检验未能拟合控制城市的实际GDP增长率，则ATE的分布无法准确地衡量襄阳较大的ATE的相对稀缺性。因此，我们放弃了R2小于0.90的13个城市。图9（b）显示了剩余26个控制城市的ATE分布。即使我们将重点放在适合的控制城市，获得正treatment effect的概率为51.9%，获得与襄阳效应一样大的效果的概率为25.9%。因此，作者证明了城市更名改革的效果是微不足道的。
最后，图10显示了控制城市的估计年度影响。如果城市更名改革真的促进了经济增长，那么代表襄阳年效应的黑线不仅应该在零线以上，而且应该在代表控制城市年效应的灰线以上。然而，虽然黑线在零线之上，但在许多灰线之下。这进一步表明，城市更名的影响是微不足道的。
对于主回归与稳健性检验中矛盾的结果，唯一的解释是其他政策干预促进了襄阳的经济增长。例如，襄阳在2010年提出建设东津新区，随后开始大规模建设道路和桥梁等基础设施。这与第4.3小节的结果一致，即2010年后襄阳市第二产业的年增长率增加了5.19%。 2007年1月21日，云南省思茅市更名为普洱市。通过同样的程序，作者研究了改名对普洱市经济增长的影响。估算结果表明，2006年后普洱市年实际GDP增长约为0.70%。然而，统计推断表明，如果将城市更名改革随机分配给donor pool中的一个城市，获得与普洱市同样大的效应的概率为41.7%。如果我们只考虑在城市更名前良好的安慰剂检验，概率是52.9%。进一步表明，城市更名改革的效果并不显著。 6.结论 本文发现，更名后襄阳市的年度实际GDP增长率约为1.43%，这一结果是稳健的。然而，进一步的讨论表明，城市更名改革对第三产业的影响是负面的，这与导言中提到的城市更名改革对经济增长的影响机制不一致。因此，本文研究结果是否会受到其他政策干扰仍然是一个问题。为了回答这个问题，作者构造了ATE的分布，然后进行统计推断。 统计推断表明，如果在donor pool中随机重新标记城市更名改革，获得与襄阳市一样大的效果的概率为25.9%。这表明，相对于其他城市，襄阳的treatment effect较小。因此，改名的treatment effect并不显著，2010年后，其他政策干预而非改名促进了襄阳的经济增长。作者还研究了更名对普洱市经济增长的影响，得到了相同的结果。 从讨论中我们得知，当使用合成控制法或面板数据法时，必须进行统计推断，否则可能会得出相反的结论。此外，本文的结论也有助于决策者决策。城市更名改革的经济效果并不显著。此外，城市更名改革将给当地居民的生活带来不便等一系列隐性成本。因此,城市更名并不是决策者用来赢得“Promotion Tournament”的好方法。 机器学习，1.机器学习之KNN分类算法介绍: Stata和R同步实现（附数据和代码） 机器学习对经济学研究的影响研究进展综述 陈硕: 回顾与展望经济学研究中的机器学习 最新: 运用机器学习和合成控制法研究武汉封城对空气污染和健康的影响! Top, 机器学习是一种应用的计量经济学方法, 不懂将来面临淘汰危险！ Top前沿: 农业和应用经济学中的机器学习, 其与计量经济学的比较, 不读不懂你就out了！ 前沿: 机器学习在金融和能源经济领域的应用分类总结 机器学习方法出现在AER, JPE, QJE等顶刊上了！ 机器学习第一书, 数据挖掘, 推理和预测 从线性回归到机器学习, 一张图帮你文献综述 11种与机器学习相关的多元变量分析方法汇总 机器学习和大数据计量经济学, 你必须阅读一下这篇 机器学习与Econometrics的书籍推荐, 值得拥有的经典 机器学习在微观计量的应用最新趋势: 大数据和因果推断 R语言函数最全总结, 机器学习从这里出发 机器学习在微观计量的应用最新趋势: 回归模型 机器学习对计量经济学的影响, AEA年会独家报道 回归、分类与聚类：三大方向剖解机器学习算法的优缺点（附Python和R实现） 关于机器学习的领悟与反思 机器学习，可异于数理统计 前沿: 比特币, 多少罪恶假汝之手? 机器学习测算加密货币资助的非法活动金额! 利用机器学习进行实证资产定价, 金融投资的前沿科学技术! 全面比较和概述运用机器学习模型进行时间序列预测的方法优劣！ 下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。 2.5年，计量经济圈近1000篇不重类计量文章，
可直接在公众号菜单栏搜索任何计量相关问题 ,
Econometrics Circle
计量经济圈组织了一个计量社群，有如下特征： 热情互助最多 、 前沿趋势最多 、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。