分层因子交互效应面板模型及其对民营制造企业外部约束的应用分析

发布时间：2020-06-05 01:23

【摘要】：传统研究注重可观测变量或因子的影响和解释力。但是,在现实经济中,并不是所有的变量或因子都是可以观测的。这些非观测因素驱动经济体系中不同变量协同作用,且对不同经济个体的效应具有异质性。因而,因子模型成为分析这种非观测影响的有效工具。Bai(2009)结合面板模型和因子模型,提出交互效应面板模型,不仅能分析量化经济因素的影响,而且能测度非量化因素的动态效应及不同经济个体的异质性反应,对现实经济问题具有更好的解释力。然而,目前交互效应面板模型的研究仍然停留在Bai(2009)的共同因子设定形式。在现实经济中,不同经济个体不仅受到共同因素的冲击,还可能受次级别的组内冲击。如不同企业个体既受宏观因素的冲击,同时受行业冲击的影响。据此,Wang(2010)等提出分层因子模型,成为分析多层因素冲击及不同冲击之间溢出效应的重要工具。但是,Wang(2010)的分层因子模型设定中,各层内因子是平行的。而实际上,层内因子可能交叉,如不同企业个体在第二层因子上同时受行业因素和地区因素的冲击,各行业因子是平行的,各地区因子也是平行的,但行业因子和地区因子之间却是交叉的。然而,对分层交叉因子模型的研究尚是一片空白。在理论和方法研究方面,本文将共同因子交互效应面板模型扩展到分层因子和分层交叉因子设定形式,分别构建了分层因子和分层交叉因子交互效应面板模型,并建立了相应的IPCA估计量、CPCA估计量和GPCA估计量。首先,本文将共同因子交互效应面板模型扩展为分层因子交互效应面板模型,并建立了相应的识别机制和IPCA估计算法。蒙特卡罗仿真实验显示,本文提出的IPCA估计量具有良好的有限样本性质和因子识别能力。随着样本容量的增大,IPCA估计量的偏误和标准误均显著减小。而其他忽略因子的估计量均是有偏且非一致的。其次,考虑到层内因子的交叉特性,本文将分层因子交互效应面板模型进一步扩展为分层交叉因子设定形式,并建立了相应的CPCA估计算法和GPCA估计算法。蒙特卡罗仿真实验表明,CPCA估计量和GPCA估计量均具有良好的有限样本性质和因子识别能力,其估计偏误和标准差随着样本容量的增大而显著减小。同时,两种算法的对比分析显示,当样本容量较小且层内因子相关性较强时,CPCA算法更优;而当样本容量较大时,GPCA算法更优。其他忽略因子或错误设定因子形式的估计量均是有偏且非一致的。在实证研究方面,本文应用分层因子和分层交叉因子交互效应面板模型,分别分析了民营制造企业经营绩效和投资行为的外部约束。基于分层因子交互效应面板模型,本文主要从用工成本、宏观税负等方面研究了民营制造企业微观个体资源配置、不同经营状态下企业经营绩效的外部约束。研究发现,对于经营状态较差的企业,用工成本确实是最主要的制约因素,“机器换人”和技术创新是企业脱困的必要手段。但经营状态较好的企业,约束主要来自宏观环境因素,而不是用工成本。所测得的宏观环境因子呈现典型的“L”型趋势,折点位置在2010年,其总体趋势与宏观税负高度吻合,而短期波动则与企业实际税负基本一致。因而,技术升级是中小民营制造企业维持生存的关键,但能否做强则主要依赖于政府的降税减负。最后,基于分层交叉因子交互效应面板模型,本文主要从宏观投资环境、外部监管和企业家安全感等方面,分析了民营制造企业投资行为的外部约束。结果显示,制造企业的宏观投资环境呈恶化趋势,且在民营和国有企业间不存在显著的歧视性,但民营企业的反应灵敏性总体相对更强。同时,宏观投资环境恶化,主要源于环保限产和对企业逃税等失责行为的外部监管的加强,及其所引致的企业家投资安全感下降,经济政策不确定性的影响相对较小。且不同行业和地区的投资波动表现出差异化传染效应。因而,稳定民间投资增速和抑制资本外流,不仅需要减轻企业税负,同时需要调节企业宏观投资环境,增强企业家投资安全感,并充分发挥好重要行业和地区民间投资的示范作用和带动作用。
【图文】：

分布形态,估计量,分布形态,标准误

与真实因子的相关系数及单个或单层因子真实值与估计值的相关系数均较大。表明，应用 IPCA 算法，各因子均得到了良好的拟合和估计。图3.1 各估计量在有限样本下的分布形态表3.5 全部估计因子与真实因子的相关系数( )N=50T=20N=50T=50N=100T=50N=100T=100N=200T=100N=200T=200白噪声因子均值 0.9487 0.9764 0.9889 0.9890 0.9946 0.9945标准误 0.0858 0.0070 0.0027 0.0018 0.0008 0.0006AR 因子均值 0.9479 0.9762 0.9888 0.9890 0.9946 0.9945标准误 0.0896 0.0079 0.0027 0.0018 0.0008 0.0006周期因子均值 0.9516 0.9760 0.9886 0.9889 0.9945 0.9945标准误 0.0819 0.0069 0.0027 0.0019 0.0009 0.0006断点因子均值 0.9949 0.9761 0.9887 0.9889 0.9945 0.9945标准误 0.0005 0.0066 0.0027 0.0019 0.0009 0.0006注：表示全部真实因子组合，表示全部估计因子组合。由于衡量的是因子组的相关系数，因而此处计算的是典型相关系数（下同）。

分布形态,估计量,分布形态,样本容量

华中科技大学博士学位论文在样本规模相对较小（以 N=100，T=50 为例）和样本规模相对较大（以 N=200，T=200 为例）下的分布如图 3.2、图 3.3 所示。可以明显看出，在样本容量相对较小时，CPCA 估计量优于 GPCA 估计量，优于 GF3 估计量、GF2 估计量、G1 估计量，，OLS估计量偏误最大。而在样本容量相对较大时，GPCA 估计量则明显优于 CPCA 估计量。
【学位授予单位】：华中科技大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：F425

【参考文献】