day3 Recent site activity 慶應義塾大学パネルデータ解析セミナー

パネルデータ解析セミナー

第3日講義資料

2013^年3^月6^日

演習のねらい

• ^{分析結果のとりまとめ}

 論文等で利用可能な形で結果を出力させる

• ^{パネルデータの分析例}

 ^{分析の意義}

 固定効果・変量効果モデル

 ^{差分の差分推定量 (DID)}

分析結果のとりまとめ (1)

• ^{エクセルを使った方法}

 ^{Resultウインドウ}  ^{右クリックから} “Copy Table”

分析結果のとりまとめ (2)

• エクセルを使った方法（続き）

 各項目が別個のセルに入力される

分析結果のとりまとめ (3)

• estout ^{コマンドを使った方法}

 追加インストールで提供

 ssc install estout^で追加

 付随してインストールされる_esttabコマンド

 ^使い方

 estimates storeコマンドで推計結果を保存

 ^esttabコマンドでレイアウトを指定して表示

 ^resultウインドウに表示させるほか、_csv形式等での

分析結果のとりまとめ (4)

分析結果のとりまとめ (5)

• ^{以下のコマンドで} CSV ^{ファイルに結果を保存}

 esttab all male female using result.csv, b(%9.4f) se(%9.4f) mtitles(all male female) nogaps

• ^{その他の使い方は} help esttab ^参照

 ^{rtf形式、tex形式 etc.}

• 他にも類似のコマンドが利用可能

 ^outregなど

 目的と好みに応じて選択

第6章：

パネルデータ分析（1）

第6章: パネルデータ分析 (1)

統計データの類型 (1)

• 時系列・横断面集計データ マクロデータ

• 横断面個票データ（家計・企業等を対象としたミクロデータ） クロスセクションデータ

パネルデータ

情 報 量

第6章: パネルデータ分析 (1)

統計データの類型 (2)

クロスセクション

データ ^{パネルデータ}

マクロ集計データ ^{時系列データ}

時系列情報

個票情報

あり なし

なし あり

パネル調査の利用状況

(Anglist and Krueger, 1999)

• 実証分析に占める、個票データによる分析の割合は 約12%から40%に

• その中で、パネルデータによる分析は約半数 個票／パネルデータの利用の進展

第6章: パネルデータ分析 (1)

諸外国の主要なパネル調査

• ^{諸外国のパネル調査}

 Panel Study of Income Dynamics (PSID, 1968^～)

 National Longitudinal Survey (NLS, 1979^～)

 Survey of Income and Program Participation (SIPP, 1984^～, rotating panel)

 Health and Retirement Study (HRS, 1992^～, 50+)

 European Community Household Panel (ECHP, 1994^～, cross-country)

 ^{その他にも、}BHPS, GSOEP, HILDA^など多数

第6章: パネルデータ分析 (1)

日本のパネル調査

• ^{日本のパネル調査}

 消費生活に関するパネル調査（家計経済研究所_, JPSC, 1994^～）

 働き方とライフスタイルの変化に関する全国調査（東 大社研, JLPS, 2007^～）

 ^{暮らしと健康の調査（}RIETI, JSTAR, 2007^～）

 ²¹世紀出生児／成年者縦断調査（厚労省_{, 2001}～）

 暮らしの好みと満足度調査（阪大_{GCOE, 2003}～）

 慶應義塾家計パネル調査（GCOE, KHPS, 2004^～）

 ^{日本家計パネル調査（}PDRC, JHPS, 2009^～）

第6章: パネルデータ分析 (1)

典型的なデータの構造

同一個人 複数時点

第6章: パネルデータ分析 (1)

パネルデータ分析の利点

• ^{動学的な分析}

 ^{貧困動態の分析}

• ^{観察できない異質性}

 ^{勤続年数と賃金}

• ^{因果関係の識別}

 ^{DID法による政策評価}

第6章: パネルデータ分析 (1)

動学的な分析

• ^{貧困動態の分析}

 同一の主体がどのように変化したか？

 ^{表6–2: 所得階層の移動}

I II III IV V Total

I 66.5% 24.4% 5.2% 2.0% 2.0% 100.0%

II 26.7% 47.2% 19.1% 6.0% 1.0% 100.0%

III 10.4% 23.3% 42.3% 17.9% 6.0% 100.0%

IV 4.6% 6.6% 23.1% 47.8% 18.0% 100.0%

V 2.1% 2.6% 4.9% 20.7% 69.7% 100.0%

20.0% 20.2% 19.8% 19.7% 20.3% 100.0%

所得五分位 （2004年）

所 得 五 分 位

（₂₀₀₅年 ）

Total N = 2,693

第6章: パネルデータ分析 (1)

分析の準備 (1)

• ^{データ構造の指定}

 個体と時点を識別する変数をそれぞれ指定

 パネルデータ特有のコマンドや_syntaxを利用できる ようになる

 xtset panelvar timevar [, tsoptions]

 ^例題6.1

• ^{データの概要を確認}

 ^{xtdes コマンド}

第6章: パネルデータ分析 (1)

分析の準備 (2)

• 時系列オペレータの利用

 特定の変数の前年の値、翌年の値、差分 _etc. を 参照できる

 ^{データ構造の指定 (xtset) を実行している必要}

• ^記述統計

 パネルデータでの記述統計

 ^{xtsumコマンド}

 ^演習6.5

第7章：パネルデータ分析（2）

固定効果モデル・変量効果モデル

第7章: パネルデータ分析 (2)

固定効果モデル

• ^{勤続年数と賃金}

ln _��� = _{������} + _�� + _���

• 観察できない個体間の異質性 _�

 時間を通じて変化しない個人特有の属性

 ^{いろいろな呼び方：}

 「固定効果」、「個人効果」、「fixed effect^」、

「unobserved heterogeneity^」

 ^{たとえば？}

 仕事に対する「やる気」、潜在的な能力 _etc.

第7章: パネルデータ分析 (2)

固定効果モデル

• ^{何が問題か？}

 ^OJTへの参加と関連するケース

ln(wit)

対 象 １

δ2

δ1

対 象 ２

1 1

1t = _β^OJT t +_δ y

2 2

2t = _β^OJT t +_δ y

第7章: パネルデータ分析 (2)

固定効果モデル

• 同一個人の複数時点の観測値

�_�� ⁼ ����_�� ⁺ �_� ⁺ �_��

�_�,�−1 ⁼ ����_�,�−1 ⁺ �_� ⁺ �_�,�−1

• ^{両者の差を取ると} …

�_�� − �_�,�−1 ⁼ � ���_�� − ���_�,�−1 ⁺ �_�� − �_�,�−1

 �_� は時間を通じて変化しない

 差分を取ることで固定効果を除去

 Fixed Effects (FE) model

第7章: パネルデータ分析 (2)

固定効果モデル

• 固定効果モデル：いくつかの方法

 ^{一階差分モデル (FD)}

 ^{グループ内変動モデル} (within model)

 Least-Squares Dummy Variable (LSDV)

• ^注意点

 時間を通じて変化しない属性の影響は、固定効 果との識別ができない

 ^{例：最終学歴・性別 etc.}

第7章: パネルデータ分析 (2)

変量効果モデル

• ^{変量効果モデル}

 Random-effects model, error component model

 �_�� ⁼ �_��� + �_� ⁺ �_��

 ^Var _��� ⁼ _��^{2 / Cov} _���^, _��� ^{= 0}

 �_�� ≡ �_� ⁺ �_�� ^とする

 ^Var _��� ⁼ _��^{2 +} _��^{2 / Cov} _���^, _��� ⁼ _��²

Ω =

�_�^{2 +} �_�² �_�² ⋯ �_�²

�_�² �_�^{2 +} �_�² �_�²

⋮ ⋱ ⋮

�_�² �_�² ⋯ �_�^{2 +} �_�²

第7章: パネルデータ分析 (2)

変量効果モデル

• ^{変量効果モデル}

 ^仮定: 個体間の異質性は説明変数と無相関

 ^誤差項 �_�� ^{の系列相関を考慮}

 ^OLSよりも「よい」推定値（効率性）

 ^{相関していればOLSと同様にバイアス}

�_� ^と ��� ^が 相関しない

�_� ^と ��� ^が 相関する

Pooled OLS ○ ×

変量効果 (RE) ○ ×

第7章: パネルデータ分析 (2)

演習の題材

• ^{勤続年数と賃金水準}

 賃金・勤続年数プロファイル 1. ^{人的資本仮説}

2. ^{マッチング仮説}

• ^{観察できない異質性}

 企業と労働者の「相性」

 もしマッチングのみが問題なのなら、固定効果モ デルによって、勤続年数と賃金の正の関係は消失 するはず

第7章: パネルデータ分析 (2)

演習の題材

賃金

勤続年数

マッチングがよいグループ

→ 勤続年数が長く、賃金も高い マッチングが悪いグループ

→ 勤続年数が短く、賃金は低い

第7章: パネルデータ分析 (2)

賃金関数の推計

• ^目的

 ^異なる3つの推計手法を実行し、違いを確認

 Pooled OLS

 ^{変量効果モデル}

 ^{固定効果モデル}

 ^演習7.3, 7.4, 7.5でそれぞれ実行してみる

 説明変数は同じなので、_reviewウインドウの内容を うまく使ってタイポ防止

第7章: パネルデータ分析 (2)

賃金関数の推計

• ^演習 7.3: OLS ^{による推定}

 ^{結果は次ページ}

reg logwage tenure age female high-other nonreg fmsz2-fmsz6 rg2-rg8 bigcity city year2005-year2009 if emp==1, robust

^{勤続年数 (tenure) の効果は有意に正}

被説明変数は対数値なので、₁年間で約_1.5%賃 金が上昇することを示す

第7章: パネルデータ分析 (2)

賃金関数の推計

• ^演習 7.4: 変量効果モデルによる推定

 ^{xtregコマンドを利用}

 ^{オプションの「re」は、変量効果モデル (random} effects) ^の指定

 ^{赤字部分はOLSと同じ！}

xtreg logwage tenure age female high- other nonreg fmsz2-fmsz6 rg2-rg8 bigcity city year2005-year2009 if emp==1, robust

^{結果はOLSとほとんど同じ}

^{勤続年数 (tenure) の効果は有意に正}

第7章: パネルデータ分析 (2)

賃金関数の推計

• ^演習 7.5: 固定効果モデルによる推定

 最終学歴・女性ダミーの各変数は説明変数から 除外（赤字部分、理由は前述）

 年齢も除外：理由について考えてみてください（定 xtreg logwage tenure nonreg fmsz2-fmsz6 rg2-rg8 bigcity city year2005-year2009 if emp==1, fe

^{勤続年数 (tenure) の効果は依然として正}

^{ただし、OLSおよびREの結果 (0.015) と比べて、値} は小さくなっている点に注意

第7章: パネルデータ分析 (2)

Hausman _検定

• ^{モデルの仮定}

 ^{OLS, RE:} 固定効果と説明変数は無相関

 ^{FE: 相関があってもよい}

• ^{相関があれば、} OLS, RE ^{の結果は誤ったものに}

なる

δ_i ^{と OJT が} 相関しない

δ_i ^{と OJT が} 相関する

Pooled OLS ^○ ×

変量効果 _(RE) ○ _×

第7章: パネルデータ分析 (2)

Hausman _検定

• Hausman ^検定

 ^{FEかREか？}

 ^直観：

 ^FEとREの結果がほとんど同じなら、仮定₁は_OK

 ^{検定統計量＝FEとREの係数の差の2乗（のようなもの）}

 _↑^{が非常に大きければ、FEとREは異なる} _{ FE}^を支持

 ^{詳細はテキスト}

 ^{演習7.6で実行してみる}

第7章: パネルデータ分析 (2)

Hausman _検定

• ^演習 7.6: Hausman ^{検定の実施}

 ^演習7.4の推計を行い、以下を入力

 estimates store re

 ^演習7.5の推計を行い、以下を入力

 estimates store fe

 ^{Hausman検定を実施}

 hausman fe re

^{検定結果はFEを支持}

第7章: パネルデータ分析 (2)

演習7.7 就業形態別の推計

• ^演習 7.7: ^{就業形態別の推計}

 ^{演習7.3から7.5}について、サンプルを正規雇用者 と非正規雇用者に分けて実施し、結果がどのよう に変わるかを確認してください

第8章：パネルデータ分析（3）

DID _{法による政策評価}

第8章: パネルデータ分析 (3)

因果関係の識別

• DID ^{法による政策評価}

 ^{政策評価: さまざまな分析手法}

 社会科学において用いられる観察データ

(observational data) は、実験室で観察されたよう な「きれいな」データではない

 ^{タイムトレンド}

 ^{自己選択問題} (self-selection)

 ^因果関係 (internal validity)

 ^{知見の一般化} (external validity)

第8章: パネルデータ分析 (3)

DID _{法による政策評価}

• ^具体例：

 放課後教育プログラムの実施と教育達成度 _�

 トリートメント・グループ（処置群）_:

 ^{政策の対象となる集団}

 グループの平均的達成度を見る

 ^{興味の中心は、}� ^{の大きさの正確な推計}

�₁^{� =} �^{� +} �₁ （プログラム実施前）

(6.1)

�₂^{� =} �^{� +} �₂ ⁺ � （プログラム実施後）

第8章: パネルデータ分析 (3)

DID _{法による政策評価}

• Before–After Comparison

 グループ特有の効果は除去

 平均的な「デキ」の良さ

 ^{時点固有の効果} � ^{と、政策の効果} � ^を区別 できない

 たまたま事後的な教育達成度の測定に使われた試験 が易しかったら_…

Δ�^{� =} �₂^� − �₁^{� =} � + �₂ − �₁ ^(6.2)

第8章: パネルデータ分析 (3)

DID _{法による政策評価}

• どうやって解決するか？

 コントロール・グループ（対照群）_:

 ^TGの比較対象となる、政策の影響を受けない集団

 ⁽¹⁾ �^� ≠ �^{�, (2)} � = 0

 BA comparison

�₁^{� =} �^{� +} �₁ （プログラム実施前）

(6.3)

�₂^{� =} �^{� +} �₂ （プログラム実施後）

Δ�^{� =} �₂^� − �₁^{� =} �₂ − �₁ ^(6.4)

第8章: パネルデータ分析 (3)

DID _{法による政策評価}

• Difference-in-Differences ( ^{差分の差分} )

 ^{(6.2)と(6.4)の差分}

 ^{政策の効果}

政策実施前 政策実施後 トリートメント 影響なし 影響あり

コントロール 影響なし 影響なし Δ�^� − Δ�^{� =} � + �₂ − �₁

Δ�^{� （TGの差分）}

− �₂ − �₁

Δ�^{� （CGの差分）}

(6.5)

第8章: パネルデータ分析 (3)

DID _{法による政策評価}

• 個人レベルの属性を取り入れる

 家庭環境・学級規模・先生や学校の属性_etc.

 ^{回帰分析バージョン}

 ^係数 �: トリートメントグループ _�^� _{= 1} かつ政策 実施後 _{�2 = 1} にのみ現れる影響

 ^政策効果

�_�� ⁼ �_��� + �₁�_�^{� +} �₂�₂ ⁺ ��_�^{� ×} �₂ ⁺ �_�� ^(6.6)

第8章: パネルデータ分析 (3)

配偶者特別控除の効果

• 配偶者特別控除（上乗せ部分）

 ^{2004年の所得税分から廃止}

0 10 20 30 40 50 60 70 80

納税者の控除総額

(a) 配 偶 者 特別控除（上乗せ分）

(b) 配 偶 者 控除（基礎部分）

(c) 配偶者 特別控除

第8章: パネルデータ分析 (3)

配偶者特別控除の効果

• ^{分析の仮説}

 配偶者特別控除の存在は、有配偶女性の労働 供給を阻害していたか？

• ^分析対象

 ^{週当たり平均労働時間}

 就業決定（働くか働かないか）への影響については坂 田・McKenzie (2006)^参照

• ^分析期間

 ^{単純化のために、2004年と2005年の2年間のみ}

第8章: パネルデータ分析 (3)

DID _法の適用

• 有配偶者をトリートメント・グループ

 ^{2004年調査の労働時間}

 ^2003年1年間（廃止前）を回答していると仮定

 ^{無配偶者は控除対象外}

 制度変更の影響はないはず

2004年 2005年

トリートメント・グループ： 有配偶者

影響あり 影響なし コントロール・グループ：

影響なし 影響なし

第8章: パネルデータ分析 (3)

DID _法の適用

• ^{週労働時間}

�_�� ⁼ � + �₀�_�^{� +} �₁�_�^{04 +} �₂�_�^{� ×} �_�^{04 +} �_��� + �_��

 ^{興味のある係数は} �₂

 もし配偶者特別控除が労働供給を阻害していたな ら _{�2 < 0}

฀

฀P.69

04 2004

その他の説明変数 年ダミー

ー トリートメント・ダミ

（時間） 週当たり平均労働時間

it t

T i

it

x d d H

第8章: パネルデータ分析 (3)

DID _法の適用

• ^演習 8.6: 説明変数を考慮しない分析

 tab treat1 year if female==1&work04==1, sum(wkhr)

無配偶者の差分（₂₀₀₄年 _{– 2005}年） –2.14^時間（= 37.00 – 39.14^）

有配偶者の差分：

–1.35^時間（= 29.69 – 31.04^） 差分の差分：

0.79^時間（= –1.35 – (–2.14))

第8章: パネルデータ分析 (3)

DID _法の適用

• ^演習 8.7: treat1 ^{を使った分析}

 reg wkhr treat1 treat1_04 year2004 age marr high-other emp nonreg hhnum sincome noku3 noku6 bigcity city if female==1&work04==1, robust

 ^{分析結果は次ページ}

トリートメント・ダミー×₂₀₀₄年ダミーの係数は有意



第8章: パネルデータ分析 (3)

代替的なトリートメントの定義

• ^問題点

 有配偶者と無配偶者の本質的な違い

 制度の影響以外の要因については、すべての点で比較 が可能であると想定

 実際には、労働時間の決定要因は異なる？

 ^{データ上の問題}

 ^{2004年調査の労働時間} _ ^{回答が1月中のものだと×}

第8章: パネルデータ分析 (3)

代替的なトリートメントの定義

• ^{税制変更の認知}

 ^{2004年調査の項目}

 「知らなかった」場合、仮に₂₀₀₄年の労働時間を 回答していたとしても配偶者特別控除の影響あり

2004年 2005年

トリートメント・グループ：

有配偶者（税制変更知らなかった）

影響あり 影響なし コントロール・グループ：

有配偶者（知っていた）＋無配偶者

影響なし 影響なし

第8章: パネルデータ分析 (3)

代替的なトリートメントの定義

• ^演習 8.8: treat2 ^{を使った分析}

 ^{treat2を使って、演習8.6と8.7の分析を行う}

• ^演習 8.9: 有配偶サンプルのみでの分析

 ^{有配偶に限定して演習8.8を行う}