2026年实证金融方法试题及答案

2026年实证金融方法试题及答案一、单项选择题（每题3分，共30分）1.以下哪项不是内生性问题的主要来源？A.遗漏变量（遗漏与解释变量和被解释变量均相关的变量）B.测量误差（解释变量存在系统性测量偏差）C.样本选择偏差（样本进入观测的过程与被解释变量相关）D.异方差性（误差项方差随解释变量变化）答案：D2.对于平衡面板数据（BalancedPanelData），若个体效应与解释变量相关，应优先选择以下哪种估计方法？A.混合OLS（PooledOLS）B.随机效应模型（RandomEffectsModel）C.固定效应模型（FixedEffectsModel）D.一阶差分法（FirstDifference）答案：C3.工具变量（InstrumentalVariable）需满足的核心条件是：A.工具变量与内生解释变量相关，且与误差项无关B.工具变量与被解释变量直接相关，且与内生解释变量无关C.工具变量与误差项强相关，且与内生解释变量弱相关D.工具变量需为外生变量，且与被解释变量完全无关答案：A4.双重差分法（Difference-in-Differences,DID）识别因果效应的关键假设是：A.处理组与对照组在政策实施前存在显著差异B.处理组与对照组在政策实施后的趋势变化一致（平行趋势假设）C.处理组样本量远大于对照组D.政策实施时间对所有个体外生且随机答案：B5.倾向得分匹配（PropensityScoreMatching,PSM）的主要目的是：A.消除样本选择偏差，使处理组与对照组在协变量分布上相似B.提高模型拟合优度（R²）C.解决异方差问题D.检验变量间的非线性关系答案：A6.断点回归设计（RegressionDiscontinuityDesign,RDD）中，关键识别假设是：A.个体无法精确操纵断点变量（SharpRDD）或操纵概率连续（FuzzyRDD）B.断点前后样本量必须相等C.被解释变量在断点处存在跳跃性变化D.解释变量与断点变量完全独立答案：A7.在贝叶斯计量经济学中，后验分布的计算依赖于：A.先验分布与似然函数的乘积B.样本均值与方差的无偏估计C.极大似然估计的渐近性质D.工具变量的外生性检验答案：A8.以下哪项不是面板数据模型中处理动态内生性（DynamicEndogeneity）的常用方法？A.引入滞后被解释变量作为解释变量，使用系统GMM（SystemGMM）估计B.对模型进行一阶差分，消除个体固定效应C.使用Arellano-Bond检验自相关D.采用随机效应模型并加入时间趋势项答案：D9.在异质性处理效应（HeterogeneousTreatmentEffects）分析中，以下哪种方法可以估计不同子群体的处理效应？A.分位数回归（QuantileRegression）B.混合OLSC.Cochrran-Armitage趋势检验D.方差分析（ANOVA）答案：A10.当使用工具变量法时，若工具变量与内生解释变量的相关性较弱（弱工具变量问题），会导致：A.估计量无偏但效率降低B.估计量有偏且标准误被低估C.估计量渐近无偏但方差增大D.模型无法识别（Under-identification）答案：B二、简答题（每题8分，共40分）1.简述固定效应模型（FE）与随机效应模型（RE）的区别及选择依据。答案：固定效应模型假设个体效应（α_i）与解释变量（X_it）相关，通过组内离差（WithinTransformation）消除α_i，仅利用个体内变异（WithinVariation）估计系数；随机效应模型假设α_i与X_it不相关，将α_i视为随机误差的一部分，通过广义最小二乘法（GLS）同时利用个体内和个体间变异（BetweenVariation）。选择依据：若Hausman检验拒绝“α_i与X_it无关”的原假设，应选择固定效应模型；若不拒绝，随机效应模型更有效。2.双重差分法（DID）中如何检验平行趋势假设（ParallelTrendAssumption）？请列举至少两种方法。答案：（1）事件研究法（EventStudy）：在模型中加入政策实施前各期的虚拟变量（如政策在t=0期实施，加入t=-3,t=-2,t=-1期的交互项），检验这些前定交互项的系数是否显著为0。若不显著，支持平行趋势。（2）反事实检验（PlaceboTest）：假设政策在实际实施前的某一期（如t=-1）“提前实施”，重新估计DID模型，若估计的处理效应不显著，说明原平行趋势假设可能成立。（3）图示法：绘制处理组与对照组在政策实施前的被解释变量时间趋势线，观察是否近似平行。3.倾向得分匹配（PSM）的主要步骤包括哪些？为何需要进行共同支撑检验（CommonSupport）？答案：主要步骤：（1）估计倾向得分：用Logit或Probit模型估计个体接受处理的概率P(X_i)=Pr(D_i=1|X_i)，其中D_i为处理虚拟变量，X_i为协变量。（2）匹配：根据P(X_i)对处理组与对照组个体进行匹配（如最近邻匹配、核匹配等）。（3）平衡性检验：检验匹配后处理组与对照组在协变量分布上是否无显著差异。（4）估计平均处理效应（ATT或ATE）。共同支撑检验要求处理组与对照组的倾向得分分布存在重叠区域，避免在无重叠的区域进行匹配（此时匹配结果不可靠，因缺乏反事实样本）。4.断点回归设计（RDD）中，SharpRDD与FuzzyRDD的区别是什么？如何估计FuzzyRDD的处理效应？答案：SharpRDD中，处理状态（D_i）完全由断点变量（R_i）是否超过临界值c决定（D_i=1ifR_i≥c，否则0），处理状态与R_i的关系是确定性的；FuzzyRDD中，处理状态与R_i的关系是概率性的（Pr(D_i=1|R_i)在c处不连续但非100%跳跃）。FuzzyRDD的处理效应通常通过两阶段最小二乘法（2SLS）估计：第一阶段用R_i是否超过c作为工具变量预测D_i，第二阶段用预测的D_i（D̂_i）回归被解释变量Y_i，系数即为局部平均处理效应（LATE）。5.简述工具变量法中过度识别检验（Over-identificationTest）的原理及步骤。答案：过度识别检验用于检验多个工具变量（Z_1,Z_2,…,Z_k）是否均外生（即与误差项无关）。原理：若工具变量外生，则用不同工具变量估计的系数应无显著差异。步骤：（1）估计2SLS模型，得到残差ê；（2）将ê对所有外生变量（包括工具变量和外生解释变量）回归，计算拟合优度R²；（3）构造统计量nR²，在原假设（所有工具变量外生）下服从χ²(k-1)分布（k为工具变量数量，-1为内生解释变量数量）；（4）若统计量超过临界值，拒绝原假设，说明至少有一个工具变量内生。三、计算题（每题15分，共30分）1.假设我们有2018-2023年中国A股上市公司的面板数据（N=300，T=6），研究企业数字化转型（Digit_i,t）对全要素生产率（TFP_i,t）的影响。模型设定为：TFP_i,t=α+βDigit_i,t+γSize_i,t+δLeverage_i,t+μ_i+λ_t+ε_i,t其中，μ_i为个体固定效应，λ_t为时间固定效应，ε_i,t为随机误差。已知Digit_i,t可能存在内生性（如企业因预期TFP提升而主动转型），拟用“所在城市5G基站密度”（5G_i,t）作为工具变量。（1）写出固定效应模型的离差变换（WithinTransformation）形式；（2）若使用2SLS估计，写出第一阶段和第二阶段回归方程；（3）若第一阶段回归结果为Digit̂_i,t=0.25+0.85G_i,t+0.1Size_i,t0.05Leverage_i,t（F统计量=25），第二阶段结果为TFP_i,t=3.2+1.5Digit̂_i,t+0.3Size_i,t0.2Leverage_i,t（R²=0.65），解释β的估计值（1.5）的经济含义，并判断是否存在弱工具变量问题（临界值经验规则：F>10则无弱工具变量）。（3）若第一阶段回归结果为Digit̂_i,t=0.25+0.85G_i,t+0.1Size_i,t0.05Leverage_i,t（F统计量=25），第二阶段结果为TFP_i,t=3.2+1.5Digit̂_i,t+0.3Size_i,t0.2Leverage_i,t（R²=0.65），解释β的估计值（1.5）的经济含义，并判断是否存在弱工具变量问题（临界值经验规则：F>10则无弱工具变量）。答案：（1）离差变换后模型：TFP_i,tTFP̄_i=β(Digit_i,tDigit̄_i)+γ(Size_i,tSizē_i)+δ(Leverage_i,tLeveragē_i)+(λ_tλ̄_t)+(ε_i,tε̄_i)其中，TFP̄_i为个体i的时间均值，其余变量同理，μ_i被消除。（2）第一阶段回归：Digit_i,t=π0+π15G_i,t+π2Size_i,t+π3Leverage_i,t+μ_i+λ_t+v_i,tDigit_i,t=π0+π15G_i,t+π2Size_i,t+π3Leverage_i,t+μ_i+λ_t+v_i,t第二阶段回归：TFP_i,t=α+βDigit̂_i,t+γSize_i,t+δLeverage_i,t+μ_i+λ_t+ε_i,tTFP_i,t=α+βDigit̂_i,t+γSize_i,t+δLeverage_i,t+μ_i+λ_t+ε_i,t（3）β=1.5表示，在控制企业规模（Size）、资产负债率（Leverage）、个体固定效应和时间固定效应后，企业数字化转型程度每提升1单位，全要素生产率平均提高1.5单位。第一阶段F统计量=25>10，根据经验规则，不存在弱工具变量问题。2.某研究考察“碳交易试点政策”对企业碳排放强度（CE_i,t）的影响，使用2016-2022年试点组（100家企业）与对照组（100家企业）的面板数据，其中政策在2020年实施（t=0）。模型设定为DID模型：CE_i,t=α+β1Treat_i+β2Post_t+β3Treat_iPost_t+γControls_i,t+ε_i,tCE_i,t=α+β1Treat_i+β2Post_t+β3Treat_iPost_t+γControls_i,t+ε_i,t其中，Treat_i=1（试点组），0（对照组）；Post_t=1（2020年后），0（2020年前）。（1）解释β3的经济含义；（2）若估计结果为β3=-0.08（标准误=0.03，t=-2.67），Controls包含企业规模、行业虚拟变量，判断政策是否显著降低了碳排放强度（显著性水平5%）；（3）为检验平行趋势假设，在模型中加入政策实施前各期的交互项（如Post_t=-2,Post_t=-1），得到β_{-2}=0.01（p=0.85），β_{-1}=0.02（p=0.72），β3=-0.08（p=0.008），说明这些结果是否支持平行趋势假设。答案：（1）β3为双重差分估计量，反映试点政策对企业碳排放强度的净效应（即处理组在政策实施后相对于对照组的变化量）。（2）t统计量绝对值2.67>1.96（5%显著性水平临界值），p值<0.05，因此政策显著降低了碳排放强度，效应大小为-0.08（即碳排放强度下降8%）。（3）政策实施前各期交互项（β_{-2},β_{-1}）的系数均不显著（p值>0.1），说明试点组与对照组在政策实施前的碳排放强度趋势无显著差异，支持平行趋势假设；政策实施后交互项（β3）显著为负，进一步验证了政策效果。四、论述题（20分）结合具体研究场景，论述断点回归设计（RDD）在因果推断中的优势与潜在挑战，并说明如何通过实证方法缓解挑战。答案：断点回归设计（RDD）的核心思想是利用断点变量（如考试分数、年龄、收入阈值）在临界值附近的不连续分配规则，将处理状态（如获得奖学金、享受政策）近似随机化，从而识别因果效应。其优势主要体现在：（1）因果识别的可信度高：在断点附近，个体无法精确操纵断点变量（或操纵概率连续），处理状态近似外生，避免了选择偏差；（2）无需依赖工具变量的强外生性假设，仅需断点处的局部随机化；（3）可通过图形法直观展示处理效应（如被解释变量在断点处的跳跃）。以“中考分数与大学入学率”研究为例：某地区规定中考分数≥500分的学生可进入重点高中（处理组），<500分进入普通高中（对照组）。假设学生无法精确操纵中考分数（如考试评分客观、无加分舞