用面板数据做因果分析

上一章的模型都假定X和Y之间为单向关系，也就是说，只有X影响Y，不存在相反的影响。在有些情况下，这一假定完全适用。例如，在分析种族等先天特征对个体收入变化的影响模型中，或者模拟成年前期的经历对后来的政治及社会取向的研究中，变量之间的时间顺序（进而潜在的因果次序 potential causal）是清楚的。在另一些情况下，理论原因将避免对交互因果关系的检验，如，在试图模拟一组被长期观察的国家中经济指标对政府声望的影响的研究中就是这样。在这种模型中 、 和（或） 可以被当作相应方程中的外生变量来对待，而参数估计可以通过OLS回归获得，或者，如果没有测量误差或自相关误差项的假定无法满足的话，通过后面章节即将讨论的其他方法来获得。不过在很多分析中，单向因果（unidirectional causality）假定是站不住脚的，而且实际上，之所以要进行跟踪数据分析的主要原因之一就是为了确定所关心变量之间的因果顺序。例如，在前面的章节中我们假设群体成员资格会影响一个人的抗议行为倾向，而个体长期的政党认同会决定其在一次竞选过程对总统候选人的感觉；但是有关的参与及组织动员理论认为参与抗议活动可能会导致个体参与更多具有抗议倾向的组织，而政治参与理论认为对政治候选人的态度也会改变个体长期的政党认同。在这些情况下，不同理论将导致我们怀疑X和Y之间为交互因果关系。相对于截面分析，面板数据在检验变量间可能的交互因果作用上具有绝对优势。由于截面数据是在一个时点上收集的，交互效应模型中只能设定一个变量对另一个变量的同步或同时因果作用，而且对交互因果作用的估计需通过将外部变量整合进“工具变量（instrumental variables）”分析或两阶段*小二乘分析来进行（Berry，1984）。不过，下面我们将看到，这些方法成功与否取决于模型是否满足几个有关这些外部变量与X、Y及相应方程的扰动项（disturbance terms）的关系的严格假定。如在第2章中看到的，面板设计的历时特性允许研究者估计带滞后因果作用的模型，在这种模型中X的早前值会影响Y的未来取值（或Y的变化），或者相反（Y的早前值会影响X的未来值）。另外，带有同步或同时因果作用的模型可以在不对外部工具变量的影响做出假定的情况下得到识别和估计，这些假定可能是靠不住的，但在截面研究中却是必要的。