2025年經(jīng)濟(jì)學(xué)調(diào)查與研究考試試題及答案一、名詞解釋（每題5分，共25分）1.自然實(shí)驗(yàn)自然實(shí)驗(yàn)是指利用現(xiàn)實(shí)中因外部因素（如政策變動、自然災(zāi)害、隨機(jī)制度安排等）偶然形成的近似隨機(jī)分組環(huán)境，通過比較處理組與對照組的差異來推斷因果關(guān)系的研究方法。其核心在于外部沖擊的“非人為操控性”，使分組接近隨機(jī)，從而減少選擇偏差，提高因果推斷的可信度。例如，某地區(qū)因地理隔離偶然未實(shí)施某項(xiàng)經(jīng)濟(jì)政策，可與鄰近實(shí)施政策的地區(qū)形成自然實(shí)驗(yàn)場景。2.工具變量法（IV）工具變量法是解決內(nèi)生性問題的計(jì)量經(jīng)濟(jì)學(xué)方法，通過引入一個(gè)與解釋變量高度相關(guān)（相關(guān)性）、但與誤差項(xiàng)不相關(guān)（外生性）的工具變量，間接估計(jì)解釋變量對被解釋變量的因果效應(yīng)。具體操作中，工具變量需滿足“排除限制”，即僅通過解釋變量影響被解釋變量。例如，研究教育對收入的影響時(shí)，可用“是否經(jīng)歷學(xué)制改革”作為教育年限的工具變量，因?qū)W制改革影響教育年限但不直接影響收入。3.雙重差分法（DID）雙重差分法通過構(gòu)造“時(shí)間”和“組別”兩個(gè)維度的差異，識別政策或干預(yù)的凈效應(yīng)?；具壿嬍牵罕容^干預(yù)組在政策前后的變化（一階差分）與對照組在同期的變化（另一階差分），兩者的差值即為政策的平均處理效應(yīng)（ATT）。其關(guān)鍵假設(shè)是“平行趨勢”，即干預(yù)組與對照組在政策實(shí)施前的變化趨勢一致。例如，評估某城市“消費(fèi)券政策”效果時(shí)，用未發(fā)放消費(fèi)券的同類城市作為對照，計(jì)算兩組消費(fèi)增長的差值。4.異質(zhì)性處理效應(yīng)異質(zhì)性處理效應(yīng)指同一政策或干預(yù)對不同個(gè)體、群體或情境的影響存在差異。傳統(tǒng)因果推斷多關(guān)注平均處理效應(yīng)（ATE），而異質(zhì)性分析進(jìn)一步考察處理效應(yīng)在年齡、地區(qū)、收入水平等維度的分布。例如，最低工資政策對中小企業(yè)的就業(yè)抑制效應(yīng)可能強(qiáng)于大型企業(yè)，對低技能勞動者的收入提升效應(yīng)可能高于高技能勞動者。5.合成控制法（SCM）合成控制法通過構(gòu)建一個(gè)由多個(gè)未受干預(yù)的“控制單元”加權(quán)組合而成的“合成對照組”，使其在干預(yù)前的關(guān)鍵特征（如經(jīng)濟(jì)增長率、產(chǎn)業(yè)結(jié)構(gòu)等）與受干預(yù)的“處理單元”高度匹配，從而估計(jì)干預(yù)的凈效應(yīng)。該方法適用于小樣本（尤其是單個(gè)處理單元）場景，如評估某國“貿(mào)易開放政策”對經(jīng)濟(jì)增長的影響時(shí)，用多個(gè)未開放國家的加權(quán)組合模擬該國未開放的反事實(shí)狀態(tài)。二、簡答題（每題10分，共50分）1.因果推斷中“潛在結(jié)果框架”的核心思想是什么？請舉例說明其應(yīng)用。潛在結(jié)果框架（Rubin因果模型）的核心思想是：對于每個(gè)個(gè)體i，存在兩種潛在結(jié)果——接受處理（Y_i^1）和未接受處理（Y_i^0），因果效應(yīng)為兩者的差值（τ_i=Y_i^1-Y_i^0）。但實(shí)際中只能觀測到其中一種結(jié)果（Y_i=D_iY_i^1+(1-D_i)Y_i^0，D_i為處理狀態(tài)），因此需要通過隨機(jī)分組或其他方法構(gòu)造反事實(shí)（Counterfactual）。例如，評估“職業(yè)培訓(xùn)”對收入的影響時(shí)，隨機(jī)抽取部分人參加培訓(xùn)（D_i=1），其余不參加（D_i=0），則平均處理效應(yīng)（ATE）為E[Y_i^1-Y_i^0]=E[Y_i|D_i=1]-E[Y_i|D_i=0]，因隨機(jī)分組保證了D_i與潛在結(jié)果獨(dú)立。2.面板數(shù)據(jù)（PanelData）在經(jīng)濟(jì)學(xué)研究中的主要優(yōu)勢有哪些？面板數(shù)據(jù)包含“個(gè)體-時(shí)間”二維信息，主要優(yōu)勢包括：（1）控制個(gè)體固定效應(yīng)，消除不隨時(shí)間變化的異質(zhì)性（如地區(qū)文化、企業(yè)管理風(fēng)格），減少遺漏變量偏差；（2）捕捉動態(tài)效應(yīng)，分析變量隨時(shí)間的演變（如政策效果的滯后性）；（3）增加樣本量，提高估計(jì)效率；（4）識別因果關(guān)系，通過時(shí)間序列維度檢驗(yàn)變量間的先后順序（如先有教育投入增加，后有經(jīng)濟(jì)增長）。例如，研究“環(huán)境規(guī)制”對企業(yè)創(chuàng)新的影響時(shí)，使用企業(yè)層面的面板數(shù)據(jù)可控制企業(yè)自身技術(shù)基礎(chǔ)（固定效應(yīng)），并觀察規(guī)制政策實(shí)施后3-5年的創(chuàng)新變化趨勢。3.設(shè)計(jì)一份居民消費(fèi)行為調(diào)查問卷時(shí)，如何保證信度與效度？請給出具體方法。信度指問卷結(jié)果的一致性和穩(wěn)定性，效度指問卷測量目標(biāo)的準(zhǔn)確性。具體方法：（1）信度：①重測信度：間隔2-4周對同一群體重復(fù)施測，計(jì)算兩次結(jié)果的相關(guān)系數(shù)（通常需＞0.7）；②分半信度：將問卷題目分為奇數(shù)題和偶數(shù)題，計(jì)算兩半得分的相關(guān)系數(shù)；③內(nèi)部一致性信度：用Cronbach’sα系數(shù)檢驗(yàn)（α＞0.8為高信度）。（2）效度：①內(nèi)容效度：邀請消費(fèi)經(jīng)濟(jì)學(xué)專家評估題目是否覆蓋消費(fèi)動機(jī)、支出結(jié)構(gòu)、價(jià)格敏感度等核心維度；②結(jié)構(gòu)效度：通過因子分析檢驗(yàn)題目是否聚為理論預(yù)期的維度（如“日常消費(fèi)”“耐用品消費(fèi)”“服務(wù)消費(fèi)”）；③效標(biāo)效度：將問卷結(jié)果與可觀測的客觀數(shù)據(jù)（如家庭收支記賬本）對比，計(jì)算相關(guān)系數(shù)。4.傾向得分匹配（PSM）的主要步驟是什么？匹配后需進(jìn)行哪些檢驗(yàn)？PSM步驟：（1）估計(jì)傾向得分：用Logit或Probit模型，以協(xié)變量（如年齡、收入、教育）為自變量，估計(jì)每個(gè)個(gè)體接受處理的概率（P(X)=Pr(D=1|X)）；（2）匹配：選擇匹配方法（如最近鄰匹配、核匹配），為每個(gè)處理組個(gè)體找到傾向得分相近的對照組個(gè)體；（3）平衡檢驗(yàn)：檢查匹配后處理組與對照組在協(xié)變量上的分布是否無顯著差異（t檢驗(yàn)或標(biāo)準(zhǔn)化偏差＜10%）；（4）計(jì)算處理效應(yīng)：比較匹配后兩組的結(jié)果變量均值差。匹配后需檢驗(yàn)：（1）協(xié)變量平衡：確保匹配消除了選擇偏差；（2）共同支撐假設(shè)：處理組與對照組的傾向得分分布有重疊，避免外推偏差；（3）敏感性分析：檢驗(yàn)結(jié)果對未觀測變量的穩(wěn)健性（如Rosenbaum界值法）。5.經(jīng)濟(jì)學(xué)研究中內(nèi)生性問題的主要來源有哪些？請分別舉例說明。內(nèi)生性問題主要來源：（1）遺漏變量：模型未包含與解釋變量和被解釋變量均相關(guān)的變量。例如，研究“教育年限對收入的影響”時(shí)，若遺漏“個(gè)人能力”（能力高者教育年限長且收入高），則教育年限與誤差項(xiàng)相關(guān)，導(dǎo)致估計(jì)偏誤。（2）反向因果：被解釋變量反過來影響解釋變量。例如，“企業(yè)研發(fā)投入對利潤的影響”中，利潤高的企業(yè)可能增加研發(fā)投入，導(dǎo)致研發(fā)投入與利潤存在雙向因果。（3）測量誤差：解釋變量或被解釋變量的測量不準(zhǔn)確。例如，用“自我報(bào)告的月收入”衡量實(shí)際收入時(shí)，低報(bào)現(xiàn)象會導(dǎo)致收入變量與誤差項(xiàng)相關(guān)，估計(jì)系數(shù)向下偏誤。三、論述題（每題15分，共30分）1.結(jié)合具體案例，論述隨機(jī)對照試驗(yàn)（RCT）在經(jīng)濟(jì)學(xué)研究中的應(yīng)用局限。隨機(jī)對照試驗(yàn)通過隨機(jī)分組創(chuàng)造理想的反事實(shí)，被稱為“因果推斷的黃金標(biāo)準(zhǔn)”，但在實(shí)際應(yīng)用中存在以下局限：（1）外部效度不足：實(shí)驗(yàn)樣本可能無法代表總體。例如，某發(fā)展經(jīng)濟(jì)學(xué)實(shí)驗(yàn)在印度某村莊隨機(jī)分配農(nóng)業(yè)技術(shù)培訓(xùn)，因該村莊地理、文化特殊，結(jié)果可能無法推廣至其他氣候或社會結(jié)構(gòu)不同的地區(qū)。（2）倫理與可行性限制：部分干預(yù)無法隨機(jī)分配。例如，研究“最低生活保障政策”時(shí)，若對低收入群體隨機(jī)分配保障資格，未獲得保障的個(gè)體可能陷入貧困加劇，違反倫理；再如，貨幣政策調(diào)整具有全局影響，無法對不同地區(qū)隨機(jī)實(shí)施。（3）實(shí)驗(yàn)效應(yīng)（Hawthorne效應(yīng)）：被試因意識到參與實(shí)驗(yàn)而改變行為。例如，在“員工激勵(lì)實(shí)驗(yàn)”中，實(shí)驗(yàn)組因被關(guān)注而更努力工作，導(dǎo)致估計(jì)的激勵(lì)效應(yīng)包含“被觀察”的干擾，而非真實(shí)激勵(lì)效果。（4）成本高昂：長期跟蹤實(shí)驗(yàn)需大量人力財(cái)力。例如，評估“早期教育干預(yù)”對成年收入的影響，需跟蹤樣本20年以上，資金和時(shí)間成本遠(yuǎn)超觀測性研究。（5）動態(tài)干預(yù)難題：現(xiàn)實(shí)中政策可能隨時(shí)間調(diào)整，而RCT通常假設(shè)干預(yù)固定。例如，某扶貧實(shí)驗(yàn)中，對照組可能因觀察到實(shí)驗(yàn)組的福利而游說政府提前實(shí)施政策，破壞隨機(jī)分組的穩(wěn)定性。2.數(shù)字經(jīng)濟(jì)時(shí)代，微觀數(shù)據(jù)收集面臨哪些新挑戰(zhàn)？研究者可采取哪些應(yīng)對策略？數(shù)字經(jīng)濟(jì)時(shí)代，數(shù)據(jù)呈現(xiàn)“海量、高頻、非結(jié)構(gòu)化”特征，微觀數(shù)據(jù)收集的挑戰(zhàn)及應(yīng)對策略如下：（1）隱私保護(hù)與數(shù)據(jù)獲取矛盾：用戶對個(gè)人信息（如消費(fèi)記錄、位置數(shù)據(jù)）的保護(hù)意識增強(qiáng)，企業(yè)和政府因法律（如《個(gè)人信息保護(hù)法》）限制難以共享數(shù)據(jù)。應(yīng)對：采用差分隱私技術(shù)（在數(shù)據(jù)中添加隨機(jī)噪聲，保留整體特征但無法識別個(gè)體）；推動“數(shù)據(jù)信托”模式，由第三方機(jī)構(gòu)管理數(shù)據(jù)，研究者通過申請獲取匿名化數(shù)據(jù)。（2）非結(jié)構(gòu)化數(shù)據(jù)處理難度大：數(shù)字經(jīng)濟(jì)中大量數(shù)據(jù)以文本（評論）、圖像（商品圖片）、音視頻（直播）形式存在，傳統(tǒng)調(diào)查方法（問卷、訪談）難以捕捉。應(yīng)對：引入自然語言處理（NLP）技術(shù)提取文本中的情感傾向（如“滿意”“不滿意”）；用計(jì)算機(jī)視覺識別圖像中的商品特征（如品牌、價(jià)格標(biāo)簽）；通過機(jī)器學(xué)習(xí)模型將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化變量（如將直播觀看時(shí)長轉(zhuǎn)化為“用戶參與度”）。（3）數(shù)據(jù)質(zhì)量參差不齊：互聯(lián)網(wǎng)平臺數(shù)據(jù)可能存在“選擇性偏差”（如僅記錄活躍用戶行為）或“機(jī)器偽造”（如刷單產(chǎn)生的虛假交易）。應(yīng)對：交叉驗(yàn)證多源數(shù)據(jù)（如用支付寶交易記錄驗(yàn)證電商平臺的銷售數(shù)據(jù)）；開發(fā)異常值檢測算法（如通過交易時(shí)間、IP地址識別刷單行為）；與平臺合作時(shí)明確數(shù)據(jù)清洗規(guī)則（如剔除單日交易超過100次的賬戶）。（4）數(shù)據(jù)時(shí)效性要求提高：數(shù)字經(jīng)濟(jì)下市場變化快（如直播帶貨的爆發(fā)式增長），傳統(tǒng)年度/季度調(diào)查無法滿足實(shí)時(shí)分析需求。應(yīng)對：構(gòu)建實(shí)時(shí)數(shù)據(jù)采集系統(tǒng)（如通過API接口實(shí)時(shí)抓取電商平臺的銷售數(shù)據(jù)）；采用滾動抽樣方法（如每月抽取10%的用戶跟蹤其行為，全年覆蓋所有用戶）；利用大數(shù)據(jù)指數(shù)（如“淘寶消費(fèi)指數(shù)”）補(bǔ)充傳統(tǒng)統(tǒng)計(jì)指標(biāo)。四、案例分析題（25分）為評估2023年某省“新能源汽車購置補(bǔ)貼政策”（對省內(nèi)戶籍居民購買純電動汽車補(bǔ)貼3萬元）的實(shí)施效果，研究者收集了2021-2024年該?。ㄌ幚斫M）和相鄰未實(shí)施該政策的甲省（對照組）的年度數(shù)據(jù)，變量包括：新能源汽車銷量（Y，萬輛）、居民人均可支配收入（X1，萬元）、充電基礎(chǔ)設(shè)施數(shù)量（X2，個(gè)）、汽油價(jià)格（X3，元/升）。部分?jǐn)?shù)據(jù)如下表：|年份|處理組Y|處理組X1|處理組X2|處理組X3|對照組Y|對照組X1|對照組X2|對照組X3||------|---------|----------|----------|----------|---------|----------|----------|----------||2021|2.1|3.8|5200|7.2|1.8|3.6|4800|7.1||2022|2.5|4.1|6500|7.5|2.0|3.9|5100|7.3||2023|5.8|4.5|8200|8.1|2.3|4.2|5500|7.8||2024|6.3|4.8|9000|8.3|2.6|4.5|5800|8.0|要求：（1）設(shè)計(jì)雙重差分（DID）模型，寫出具體形式并解釋變量含義；（2）根據(jù)數(shù)據(jù)計(jì)算政策的平均處理效應(yīng)（ATT）；（3）說明需要檢驗(yàn)的關(guān)鍵假設(shè)及檢驗(yàn)方法；（4）若發(fā)現(xiàn)處理組與對照組在2021-2022年的Y增長趨勢不一致，應(yīng)如何調(diào)整模型？（1）DID模型設(shè)計(jì)：設(shè)時(shí)間虛擬變量Post（政策后為1，2023、2024年取1；政策前為0，2021、2022年取0），組別虛擬變量Treat（處理組為1，對照組為0）。模型形式為：Y_it=α+β1Treat_i+β2Post_t+β3Treat_iPost_t+γ1X1_it+γ2X2_it+γ3X3_it+ε_it其中，Y_it為i地區(qū)t年的新能源汽車銷量；Treat_iPost_t為核心解釋變量，其系數(shù)β3即為政策的平均處理效應(yīng)（ATT）；X1、X2、X3為控制變量（人均收入、充電設(shè)施、汽油價(jià)格），用于控制其他影響銷量的因素；ε_it為隨機(jī)誤差項(xiàng)。（2）ATT計(jì)算：首先計(jì)算兩組在政策前后的銷量變化：處理組政策前平均銷量（2021-2022）：(2.1+2.5)/2=2.3處理組政策后平均銷量（2023-2024）：(5.8+6.3)/2=6.05處理組變化量：6.05-2.3=3.75對照組政策前平均銷量（2021-2022）：(1.8+2.0)/2=1.9對照組政策后平均銷量（2023-2024）：(2.3+2.6)/2=2.45對照組變化量：2.45-1.9=0.55ATT=處理組變化量-對照組變化量=3.75-0.55=3.2（萬輛），即政策使處理組新能源汽車銷量比對照組多增長3.2萬輛。（3）關(guān)鍵假設(shè)及檢驗(yàn)方法：關(guān)鍵假設(shè)是“平行趨勢”，即政策實(shí)施前（2021-2022年）處理組與對照組的銷量增長趨勢一致。檢驗(yàn)方法：①圖形法：繪制2021-2024年兩組銷量的時(shí)間序列圖，觀察政策前兩條線是否平行；②回歸檢驗(yàn)：在模型中加入政策前的時(shí)間交互項(xiàng)（如2022年的TreatPost_2022），若其系數(shù)不顯著，則支持平行趨勢。例如，將Post細(xì)化為各年虛擬變量（Post_2021=0,Post_2022=0,Post_2023=1,Post_2024=1）