2025年经济学调查与研究考试试题及答案

2025年经济学调查与研究考试试题及答案一、名词解释（每题5分，共25分）1.自然实验自然实验是指利用现实中因外部因素（如政策变动、自然灾害、随机制度安排等）偶然形成的近似随机分组环境，通过比较处理组与对照组的差异来推断因果关系的研究方法。其核心在于外部冲击的“非人为操控性”，使分组接近随机，从而减少选择偏差，提高因果推断的可信度。例如，某地区因地理隔离偶然未实施某项经济政策，可与邻近实施政策的地区形成自然实验场景。2.工具变量法（IV）工具变量法是解决内生性问题的计量经济学方法，通过引入一个与解释变量高度相关（相关性）、但与误差项不相关（外生性）的工具变量，间接估计解释变量对被解释变量的因果效应。具体操作中，工具变量需满足“排除限制”，即仅通过解释变量影响被解释变量。例如，研究教育对收入的影响时，可用“是否经历学制改革”作为教育年限的工具变量，因学制改革影响教育年限但不直接影响收入。3.双重差分法（DID）双重差分法通过构造“时间”和“组别”两个维度的差异，识别政策或干预的净效应。基本逻辑是：比较干预组在政策前后的变化（一阶差分）与对照组在同期的变化（另一阶差分），两者的差值即为政策的平均处理效应（ATT）。其关键假设是“平行趋势”，即干预组与对照组在政策实施前的变化趋势一致。例如，评估某城市“消费券政策”效果时，用未发放消费券的同类城市作为对照，计算两组消费增长的差值。4.异质性处理效应异质性处理效应指同一政策或干预对不同个体、群体或情境的影响存在差异。传统因果推断多关注平均处理效应（ATE），而异质性分析进一步考察处理效应在年龄、地区、收入水平等维度的分布。例如，最低工资政策对中小企业的就业抑制效应可能强于大型企业，对低技能劳动者的收入提升效应可能高于高技能劳动者。5.合成控制法（SCM）合成控制法通过构建一个由多个未受干预的“控制单元”加权组合而成的“合成对照组”，使其在干预前的关键特征（如经济增长率、产业结构等）与受干预的“处理单元”高度匹配，从而估计干预的净效应。该方法适用于小样本（尤其是单个处理单元）场景，如评估某国“贸易开放政策”对经济增长的影响时，用多个未开放国家的加权组合模拟该国未开放的反事实状态。二、简答题（每题10分，共50分）1.因果推断中“潜在结果框架”的核心思想是什么？请举例说明其应用。潜在结果框架（Rubin因果模型）的核心思想是：对于每个个体i，存在两种潜在结果——接受处理（Y_i^1）和未接受处理（Y_i^0），因果效应为两者的差值（τ_i=Y_i^1-Y_i^0）。但实际中只能观测到其中一种结果（Y_i=D_iY_i^1+(1-D_i)Y_i^0，D_i为处理状态），因此需要通过随机分组或其他方法构造反事实（Counterfactual）。例如，评估“职业培训”对收入的影响时，随机抽取部分人参加培训（D_i=1），其余不参加（D_i=0），则平均处理效应（ATE）为E[Y_i^1-Y_i^0]=E[Y_i|D_i=1]-E[Y_i|D_i=0]，因随机分组保证了D_i与潜在结果独立。2.面板数据（PanelData）在经济学研究中的主要优势有哪些？面板数据包含“个体-时间”二维信息，主要优势包括：（1）控制个体固定效应，消除不随时间变化的异质性（如地区文化、企业管理风格），减少遗漏变量偏差；（2）捕捉动态效应，分析变量随时间的演变（如政策效果的滞后性）；（3）增加样本量，提高估计效率；（4）识别因果关系，通过时间序列维度检验变量间的先后顺序（如先有教育投入增加，后有经济增长）。例如，研究“环境规制”对企业创新的影响时，使用企业层面的面板数据可控制企业自身技术基础（固定效应），并观察规制政策实施后3-5年的创新变化趋势。3.设计一份居民消费行为调查问卷时，如何保证信度与效度？请给出具体方法。信度指问卷结果的一致性和稳定性，效度指问卷测量目标的准确性。具体方法：（1）信度：①重测信度：间隔2-4周对同一群体重复施测，计算两次结果的相关系数（通常需＞0.7）；②分半信度：将问卷题目分为奇数题和偶数题，计算两半得分的相关系数；③内部一致性信度：用Cronbach’sα系数检验（α＞0.8为高信度）。（2）效度：①内容效度：邀请消费经济学专家评估题目是否覆盖消费动机、支出结构、价格敏感度等核心维度；②结构效度：通过因子分析检验题目是否聚为理论预期的维度（如“日常消费”“耐用品消费”“服务消费”）；③效标效度：将问卷结果与可观测的客观数据（如家庭收支记账本）对比，计算相关系数。4.倾向得分匹配（PSM）的主要步骤是什么？匹配后需进行哪些检验？PSM步骤：（1）估计倾向得分：用Logit或Probit模型，以协变量（如年龄、收入、教育）为自变量，估计每个个体接受处理的概率（P(X)=Pr(D=1|X)）；（2）匹配：选择匹配方法（如最近邻匹配、核匹配），为每个处理组个体找到倾向得分相近的对照组个体；（3）平衡检验：检查匹配后处理组与对照组在协变量上的分布是否无显著差异（t检验或标准化偏差＜10%）；（4）计算处理效应：比较匹配后两组的结果变量均值差。匹配后需检验：（1）协变量平衡：确保匹配消除了选择偏差；（2）共同支撑假设：处理组与对照组的倾向得分分布有重叠，避免外推偏差；（3）敏感性分析：检验结果对未观测变量的稳健性（如Rosenbaum界值法）。5.经济学研究中内生性问题的主要来源有哪些？请分别举例说明。内生性问题主要来源：（1）遗漏变量：模型未包含与解释变量和被解释变量均相关的变量。例如，研究“教育年限对收入的影响”时，若遗漏“个人能力”（能力高者教育年限长且收入高），则教育年限与误差项相关，导致估计偏误。（2）反向因果：被解释变量反过来影响解释变量。例如，“企业研发投入对利润的影响”中，利润高的企业可能增加研发投入，导致研发投入与利润存在双向因果。（3）测量误差：解释变量或被解释变量的测量不准确。例如，用“自我报告的月收入”衡量实际收入时，低报现象会导致收入变量与误差项相关，估计系数向下偏误。三、论述题（每题15分，共30分）1.结合具体案例，论述随机对照试验（RCT）在经济学研究中的应用局限。随机对照试验通过随机分组创造理想的反事实，被称为“因果推断的黄金标准”，但在实际应用中存在以下局限：（1）外部效度不足：实验样本可能无法代表总体。例如，某发展经济学实验在印度某村庄随机分配农业技术培训，因该村庄地理、文化特殊，结果可能无法推广至其他气候或社会结构不同的地区。（2）伦理与可行性限制：部分干预无法随机分配。例如，研究“最低生活保障政策”时，若对低收入群体随机分配保障资格，未获得保障的个体可能陷入贫困加剧，违反伦理；再如，货币政策调整具有全局影响，无法对不同地区随机实施。（3）实验效应（Hawthorne效应）：被试因意识到参与实验而改变行为。例如，在“员工激励实验”中，实验组因被关注而更努力工作，导致估计的激励效应包含“被观察”的干扰，而非真实激励效果。（4）成本高昂：长期跟踪实验需大量人力财力。例如，评估“早期教育干预”对成年收入的影响，需跟踪样本20年以上，资金和时间成本远超观测性研究。（5）动态干预难题：现实中政策可能随时间调整，而RCT通常假设干预固定。例如，某扶贫实验中，对照组可能因观察到实验组的福利而游说政府提前实施政策，破坏随机分组的稳定性。2.数字经济时代，微观数据收集面临哪些新挑战？研究者可采取哪些应对策略？数字经济时代，数据呈现“海量、高频、非结构化”特征，微观数据收集的挑战及应对策略如下：（1）隐私保护与数据获取矛盾：用户对个人信息（如消费记录、位置数据）的保护意识增强，企业和政府因法律（如《个人信息保护法》）限制难以共享数据。应对：采用差分隐私技术（在数据中添加随机噪声，保留整体特征但无法识别个体）；推动“数据信托”模式，由第三方机构管理数据，研究者通过申请获取匿名化数据。（2）非结构化数据处理难度大：数字经济中大量数据以文本（评论）、图像（商品图片）、音视频（直播）形式存在，传统调查方法（问卷、访谈）难以捕捉。应对：引入自然语言处理（NLP）技术提取文本中的情感倾向（如“满意”“不满意”）；用计算机视觉识别图像中的商品特征（如品牌、价格标签）；通过机器学习模型将非结构化数据转化为结构化变量（如将直播观看时长转化为“用户参与度”）。（3）数据质量参差不齐：互联网平台数据可能存在“选择性偏差”（如仅记录活跃用户行为）或“机器伪造”（如刷单产生的虚假交易）。应对：交叉验证多源数据（如用支付宝交易记录验证电商平台的销售数据）；开发异常值检测算法（如通过交易时间、IP地址识别刷单行为）；与平台合作时明确数据清洗规则（如剔除单日交易超过100次的账户）。（4）数据时效性要求提高：数字经济下市场变化快（如直播带货的爆发式增长），传统年度/季度调查无法满足实时分析需求。应对：构建实时数据采集系统（如通过API接口实时抓取电商平台的销售数据）；采用滚动抽样方法（如每月抽取10%的用户跟踪其行为，全年覆盖所有用户）；利用大数据指数（如“淘宝消费指数”）补充传统统计指标。四、案例分析题（25分）为评估2023年某省“新能源汽车购置补贴政策”（对省内户籍居民购买纯电动汽车补贴3万元）的实施效果，研究者收集了2021-2024年该省（处理组）和相邻未实施该政策的甲省（对照组）的年度数据，变量包括：新能源汽车销量（Y，万辆）、居民人均可支配收入（X1，万元）、充电基础设施数量（X2，个）、汽油价格（X3，元/升）。部分数据如下表：|年份|处理组Y|处理组X1|处理组X2|处理组X3|对照组Y|对照组X1|对照组X2|对照组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）设计双重差分（DID）模型，写出具体形式并解释变量含义；（2）根据数据计算政策的平均处理效应（ATT）；（3）说明需要检验的关键假设及检验方法；（4）若发现处理组与对照组在2021-2022年的Y增长趋势不一致，应如何调整模型？（1）DID模型设计：设时间虚拟变量Post（政策后为1，2023、2024年取1；政策前为0，2021、2022年取0），组别虚拟变量Treat（处理组为1，对照组为0）。模型形式为：Y_it=α+β1Treat_i+β2Post_t+β3Treat_iPost_t+γ1X1_it+γ2X2_it+γ3X3_it+ε_it其中，Y_it为i地区t年的新能源汽车销量；Treat_iPost_t为核心解释变量，其系数β3即为政策的平均处理效应（ATT）；X1、X2、X3为控制变量（人均收入、充电设施、汽油价格），用于控制其他影响销量的因素；ε_it为随机误差项。（2）ATT计算：首先计算两组在政策前后的销量变化：处理组政策前平均销量（2021-2022）：(2.1+2.5)/2=2.3处理组政策后平均销量（2023-2024）：(5.8+6.3)/2=6.05处理组变化量：6.05-2.3=3.75对照组政策前平均销量（2021-2022）：(1.8+2.0)/2=1.9对照组政策后平均销量（2023-2024）：(2.3+2.6)/2=2.45对照组变化量：2.45-1.9=0.55ATT=处理组变化量-对照组变化量=3.75-0.55=3.2（万辆），即政策使处理组新能源汽车销量比对照组多增长3.2万辆。（3）关键假设及检验方法：关键假设是“平行趋势”，即政策实施前（2021-2022年）处理组与对照组的销量增长趋势一致。检验方法：①图形法：绘制2021-2024年两组销量的时间序列图，观察政策前两条线是否平行；②回归检验：在模型中加入政策前的时间交互项（如2022年的TreatPost_2022），若其系数不显著，则支持平行趋势。例如，将Post细化为各年虚拟变量（Post_2021=0,Post_2022=0,Post_2023=1,Post_2024=1）