2025年大学《统计学》专业题库- 因果关系分析在统计学专业的应用

2025年大学《统计学》专业题库——因果关系分析在统计学专业的应用考试时间：______分钟总分：______分姓名：______一、选择题（每题2分，共20分）1.以下哪项是区分相关性和因果性的关键特征？A.变量间的线性关系B.变量间的非线性关系C.一个变量变化导致另一个变量变化的可能性D.变量间的统计显著性2.在随机对照试验（RCT）中，对照组和实验组除了接受干预外，其他方面尽可能保持一致，其主要目的是为了消除：A.遗漏变量偏误B.测量误差C.样本选择偏误D.估计量方差3.倾向得分匹配（PSM）主要用于解决哪种类型的问题？A.双向因果关系B.遗漏变量偏误C.样本选择偏误D.测量误差4.在使用双重差分模型（DiD）进行政策评估时，核心逻辑在于比较处理组在政策实施前后的变化与哪些群体的变化差异？A.控制组在政策实施前后的变化B.处理组在政策实施后的变化C.控制组在政策实施后的变化D.总体样本在政策实施前后的变化5.当研究者无法随机分配处理时，准实验设计方法是一种重要的替代。以下哪项方法不属于常用的准实验设计？A.匹配（Matching）B.倾向得分匹配（PSM）C.工具变量法（IV）D.双重差分模型（DiD）6.在面板数据分析中，固定效应模型主要用来控制哪些类型的内生性问题？A.遗漏变量偏误B.测量误差C.时间不变的个体异质性D.随机误差7.工具变量法（IV）有效估计因果关系的关键条件之一是工具变量需要满足：A.与内生变量高度相关B.与外生变量高度相关C.与误差项不相关D.以上都是8.在进行时间序列因果关系检验时，Engle-Granger两步法与Bootstrap法的主要区别在于：A.模型设定形式B.对误差项同期相关性的处理C.检验统计量的计算方式D.数据类型要求9.因果图（DAG）在因果推断中的作用主要是：A.直接进行参数估计B.可视化变量间的因果关系假设C.选择最优的统计模型D.生成实验数据10.下列哪项是对因果推断结果进行稳健性检验的常用方法？A.增加样本量B.改变模型设定（如增减变量）C.使用不同的因果推断方法D.以上都是二、简答题（每题5分，共25分）1.简述内生性问题的三种主要来源及其对因果推断的影响。2.简述匹配（Matching）方法的基本思想和可能存在的问题。3.简述倾向得分匹配（PSM）的核心原理及其主要假设条件。4.简述双重差分模型（DiD）的核心逻辑和其面临的平行趋势假设。5.简述工具变量法（IV）估计因果效应的基本思路和面临的挑战。三、计算题（要求写出主要步骤和公式，不要求计算结果，6分）假设研究者想评估一项培训项目对员工生产效率（Y）的影响。研究者收集了参与培训的员工（处理组）和未参与培训的员工（控制组）在培训前（T0）和培训后（T1）的生产效率数据。考虑使用双重差分模型（DiD）进行评估。请写出DiD模型的设定形式（包含虚拟变量表示处理组和时间），并说明如何解释模型中系数的含义（β1,β2,β3）。四、应用分析题（每题8分，共16分）1.假设一项研究旨在评估某城市一项新的交通政策对居民出行时间（Y）的影响。研究者收集了政策实施前后该城市所有区的出行时间数据。由于政策是全市范围内推行的，没有随机分配。讨论在此情境下，可以考虑使用哪些准实验方法进行因果推断，并简述每种方法的基本思想和适用性。2.假设你想研究广告投入（X）对企业销售额（Y）的因果效应。但你担心除了广告投入外，时间趋势等其他因素也可能影响销售额，导致内生性问题。请提出至少两种解决此内生性问题的思路，并简述其原理和局限性。试卷答案一、选择题（每题2分，共20分）1.C*解析：因果性意味着一个变量的变化是另一个变量变化的原因。这是区分相关性和因果性的核心，即变量间变化的可能性关系。2.A*解析：RCT通过随机分配确保处理组和对照组在实验开始前除了接受干预外，其他特征（包括未观测的混淆变量）在统计上相似，从而消除由这些未观测因素引起的平均处理效应偏差，即遗漏变量偏误。3.C*解析：PSM通过构造倾向得分来匹配处理组和控制组中具有相似可观测特征的单位，主要目的是消除由可观测特征不同导致的样本选择偏误。4.A*解析：DiD的核心是比较处理组相对于控制组的“变化量”，即处理组的变化量（T1Y_T0-T0Y_T0）与控制组的变化量（T1Y_C-T0Y_C）之差。5.D*解析：双重差分模型（DiD）是一种在准实验设计中常用的方法，用于评估政策或干预效果。匹配（Matching）、倾向得分匹配（PSM）和工具变量法（IV）都是常用的准实验设计方法。6.C*解析：固定效应模型能够控制不随时间变化但影响结果的个体异质性，这类异质性往往与个体未观测的、随时间不变的遗漏变量相关，从而控制由这些遗漏变量引起的内生性问题。7.D*解析：工具变量法有效性的核心条件（相关性条件）要求工具变量与内生变量相关，同时（排他性条件）与误差项不相关。因此，A、C都是必要条件。8.B*解析：Engle-Granger法通常要求估计误差项的同期相关性（如通过Newey-West标准差调整），而Bootstrap法则不需要对同期相关性做特定假设，可以通过重抽样来近似分布。9.B*解析：因果图（DAG）的主要作用是图形化地表示研究者对变量间因果关系的假设，帮助明确因果结构，指导模型选择和识别。10.D*解析：稳健性检验需要采用多种方法或改变条件来验证核心结论的一致性。增加样本量、改变模型设定、使用不同方法都是常见的稳健性检验手段。二、简答题（每题5分，共25分）1.内生性问题主要来源于：*遗漏变量偏误：存在一个未观测变量同时影响自变量和因变量，且未被模型包含。*测量误差：自变量或因变量的测量存在误差。*样本选择偏误：样本的选取方式导致样本结构与总体结构不同，样本特征与处理分配相关。*解析思路：内生性意味着模型中的解释变量与误差项相关，导致估计量有偏且不一致，无法准确识别真实的因果效应。需要识别内生来源并采用特定方法进行处理（如工具变量、固定效应、匹配等）。2.匹配（Matching）的基本思想是：根据每个处理单位（如个体）在一系列可观测特征上的信息，在控制组中找到一个或多个特征相似的单位进行匹配，使得处理组和控制组在匹配后的可观测特征分布上尽可能相似。然后，比较匹配后的处理组和控制组在结果变量上的差异。可能存在的问题包括：找到完美匹配困难、选择合适的匹配方法（如一对一、多对一）、匹配可能无法消除所有混淆、结果可能因匹配质量而具有选择性偏误、计算量大等。*解析思路：匹配的核心是“相似性”原则，通过构建相似性度量并执行匹配过程。强调其目标是平衡可观测特征，但也指出其局限性和潜在问题。3.倾向得分匹配（PSM）的核心原理是：首先，使用处理分配的外生变量（协变量）构建一个预测模型（通常是逻辑回归或线性回归），估计每个单位接受处理的概率（即倾向得分）。倾向得分是在给定可观测特征条件下接受处理的条件概率。然后，利用估计出的倾向得分作为代理变量，进行类似于匹配的过程，通常使用倾向得分进行加权或匹配。主要假设条件包括：①处理分配的外生性（即处理分配仅取决于可观测特征，与未观测因素无关）；②模型设定正确（即倾向得分模型正确地捕捉了处理分配与可观测特征的关系）；③标准化良好（倾向得分在0和1之间且分布不集中）。*解析思路：PSM的关键在于“倾向得分”这个代理变量，它量化了给定观测特征下接受处理的可能大小。强调其依赖的假设（尤其是外生性假设）和需要满足的条件。4.双重差分模型（DiD）的核心逻辑是比较处理组在政策实施前后的变化量与控制组在同期变化量之差。其面临的平行趋势假设是指：在政策实施之前，处理组和控制组在结果变量上的趋势是平行的，即两组的结果变化模式一致。这个假设可以通过绘制政策实施前的结果变量随时间变化的趋势图进行可视化检验，或通过统计检验（如交互项的显著性）进行检验。如果平行趋势假设不成立，则DiD估计的结果可能是有偏的。*解析思路：DiD基于一个关键假设——政策实施前的平行趋势。理解其机制在于比较“变化的变化”，即政策带来的净效应。平行趋势是使用DiD的前提。5.工具变量法（IV）的基本思路是：寻找一个外生的“工具变量”（Z），这个工具变量满足两个条件：①与内生解释变量（X）相关；②与误差项不相关。工具变量通过影响内生变量X，间接影响因变量Y，从而提供了一种识别X对Y因果效应的途径。通常使用两阶段最小二乘法（2SLS）进行估计。面临的挑战包括：①寻找有效的工具变量非常困难，需要满足上述两个条件；②工具变量的相关性可能较弱，导致估计标准误较大，结论不显著；③存在工具变量不可观测性或动态问题等。*解析思路：IV的核心在于找到满足特定条件的“工具变量”。强调工具变量的作用机制（影响X，进而影响Y）和寻找工具变量的难度以及由此带来的估计效率和信息量损失。三、计算题（要求写出主要步骤和公式，不要求计算结果，6分）模型设定形式：Y_it=β0+β1*Treat_i+β2*Post_t+β3*Treat_i*Post_t+ε_it其中：Y_it：第i个单位在第t时期的结果（生产效率）Treat_i：虚拟变量，若单位i接受培训则为1，否则为0Post_t：虚拟变量，若时期t为培训后则为1，否则为0ε_it：误差项β0：常数项β1：处理效应（政策评估中，即培训对生产效率的因果效应）β2：时间趋势效应（培训后相对于培训前的平均变化）β3：交互项系数，衡量处理效应随时间的变化（或处理组相对于控制组的额外变化）解析思路：DiD模型包含处理虚拟变量、时间虚拟变量以及两者的交互项。交互项β3捕捉了培训政策带来的净效应，即培训组在培训后相对于培训前的变化量与控制组在同期变化量之差。四、应用分析题（每题8分，共16分）1.在此情境下，可以考虑使用的准实验方法包括：*倾向得分匹配（PSM）：根据各区在政策实施前的相关特征（如人口结构、经济发展水平、交通基础等）计算倾向得分，进行匹配，然后比较匹配后的区在出行时间上的变化差异。*双重差分模型（DiD）：如果能够找到政策实施前后可用于比较的“控制组”（例如，未实施该交通政策的邻近城市或城市内部未受影响区域），则可以使用DiD方法。比较政策实施组在政策前后的变化与控制组在同期变化之差。*差分GMM（若为面板数据）：如果收集了政策实施前后每个区的出行时间数据（面板数据），可以使用差分GMM方法，该模型能够处理个体固定效应和时间趋势，并可以处理一些动态内生性问题。*解析思路：核心是解决没有随机对照，但想比较“变化”的问题。PSM通过匹配平衡特征，DiD通过比较平行趋势变化，GMM利用面板数据结构控制不变和动态因素。选择取决于数据可得性。2.解决内生性问题的思路：*工具变量法（IV）：寻找一个外生的变量作为广告投入X的工具变量Z。该工具变量Z应满足：①与广告投入X相关；②与误差项（包含时间趋势等其他未观测因素）不相关。例如，可以考虑城市层面的节假日安排变化（可能随机影响广告投入）作为工具变量。原理是通过工具变量Z间接估计X的因果效应。局限性在于找到有效工具变量非常困难。*双重差分模型（DiD）：如果广告投入的变化与某个外生的、冲击了广告投入但未直接影响销售额的其他事件（冲击需要发生在政策实