五层框架 Population–Sample–Data–Model–Inference

01 五层框架是什么

一篇实证论文，从"我想研究 X 对 Y 的影响"到那张回归表，中间其实经过了五层独立的决策。把这五层叠起来看：

这五层不是流水线，而是五层独立的"假设"。每一层都可能出错，而最致命的错误不是某一层内部算错了，而是层与层之间不一致——你在引言里说研究的是"中国所有制造业企业的平均效应"（Population），但样本里只有 2010 年以后上市的企业（Sample），变量用的是"年报披露的研发支出"（Data），模型是线性 OLS（Model），标准误聚在企业层（Inference）。这五层放在一起，你真正估计的其实是"2010 年后中国上市制造业企业、其年报披露的研发支出对会计利润的线性关系、按企业层聚类的条件相关"——和你引言里说的那句话，已经相去甚远。

这一页的任务，就是把这五层逐一拆开，告诉你每一层该问什么问题、用什么 Stata 命令去检查、以及层与层之间怎么对齐。

02 第 1 层：Population 研究总体

Population 回答的问题是：你想研究"谁"？不是"你手上有什么数据"，而是"你真正想对谁下结论"。

常见的 Population 表述有三种，从窄到宽：

• 具体总体："2010–2020 年中国 A 股上市制造业企业"。这是一个有明确边界的总体。
• 理论总体："所有面临融资约束的创新型企业"。这是理论概念，需要在 Sample 层操作化。
• 抽象总体："企业投资对政策冲击的反应"。这是经济学命题，Population 其实是"一般企业"。

Population 层最常见的问题是没有明确的研究总体。很多论文引言写"本文研究 X 对 Y 的影响"，通篇不说"对谁"。这在审稿人眼里是一个红旗——你连研究谁都没说清楚，怎么能说你估计的是"平均效应"？

03 第 2 层：Sample 抽样机制

Sample 回答的问题是：Population 里的哪些个体，最终进了你的回归样本？这中间经过了多少道筛选？每一道筛选是不是和你关心的结果相关？

抽样机制分两类：

• 概率抽样（probability sampling）：总体中每个个体有已知的入样概率。例如"从全国人口普查框中按 1% 等比例随机抽取"。这种情况下，样本均值是总体均值的无偏估计。
• 非概率抽样（non-probability sampling）：入样概率未知、或为零。例如"只看上市公司""只看某城市的调查""只看注册满 5 年的企业"。

绝大多数微观实证论文用的都是非概率抽样。此时你必须回答一个关键问题：样本选择是否与结果变量相关？如果"能否进样本"和"Y 的值"独立，那么样本选择是随机的、不影响因果解释（只影响外部效度）；如果"能否进样本"本身就依赖于 Y 或与 Y 相关的变量，那就产生了选择偏误（selection bias）。

经典例子：你研究"教育对收入的影响"，但样本只包含"已经工作的人"。而"是否工作"本身和"潜在收入"相关——低收入的人更可能不工作。于是你观察到的"教育—收入"关系，是在已经工作的那批人里的关系，不是全人口的关系。这就是 Heckman (1979) 两阶段模型要处理的问题。

04 第 3 层：Data 数据测量

Data 回答的问题是：你论文里写的 X 和 Y，在数据里到底是什么变量？

理论概念到可观测变量之间，隔着一层"操作化（operationalization）"。例如：

• 理论概念"企业创新" → 数据里你用的是"专利申请数"？还是"研发支出"？还是"新产品销售额"？
• 理论概念"政策冲击" → 数据里你用的是"政策实施年份的虚拟变量"？还是"企业 exposure 强度"？
• 理论概念"融资约束" → 你用 KZ 指数？WW 指数？SA 指数？还是利息支出/现金流？

测量层有两个核心问题：

1. 测量误差（measurement error）：如果你用 X̃ = X* + e 去代替真实的 X*，且 e 与 X* 无关（经典测量误差），那么 OLS 系数会向零衰减（attenuation bias）；如果 e 与 X* 相关，偏误方向不确定。
2. 代理变量（proxy variable）：当真实 X* 根本不可观测时，你只能用一个相关的变量 Z 去代理它。例如用"教育年限"代理"人力资本"。代理变量引入的偏误取决于它和遗漏变量的关系。

Data 层的检查标准很朴素：你的变量名、变量定义、单位、取值范围、缺失规则，能不能在论文附录里一页写清楚？写不清楚，就是 Data 层没过关。

05 第 4 层：Model 模型设定

Model 回答的问题是：你假设 X 和 Y 之间是什么函数关系？

最常见的 Model 假设是线性：

但线性假设本身是一个强假设。它假设：(1) X 对 Y 的边际效应处处相同（线性）；(2) 没有交互项；(3) 控制变量 Z 的系数不依赖于 X；(4) 误差项与 X 条件独立（外生性）。这四条里只要有一条不成立，你的 β 就不是你想要的那个因果效应。

Model 层常见问题：

• 函数形式误设：真实关系是 U 型（Y 随 X 先降后升），你却硬跑线性，系数可能接近 0——不是没效应，是你用错了函数。
• 固定效应层级错：你以为在控制"企业不可观测异质性"，结果 FE 设在了行业层，那你控制的其实是行业、不是企业。
• 控制变量选错：控制了"坏控制变量"（bad control）——即那些本身被处理影响的变量——相当于把处理效应的一部分"控制掉"了。

Model 层的核心原则：你写下的每一个符号，都必须对应一个可讲的经济学故事。写不出故事的项，就不要放进模型。

06 第 5 层：Inference 统计推断

Inference 回答的问题是：你报告的标准误、p 值、置信区间，对不对？

这是五层里技术上最"琐碎"、但被审稿人挑得最多的一层。核心问题有三个：

1. 标准误聚类层级：误差项在什么维度上相关？是企业内时序相关（聚到企业）？行业内相关（聚到行业）？还是双向聚类（企业 + 行业年份）？聚类层级选错，标准误会被低估几个数量级，星号全是假的。
2. 多重比较（multiple testing）：你跑了 20 个回归，其中一个 p=0.04，这个 0.04 还可信吗？Bonferroni 校正、FDR 控制都是为此而生。
3. 推断的"目标"是什么：你是在对样本做描述（population 已知），还是在对总体做推断（population 未知、从 sample 推断）？前者根本不需要标准误，后者才需要。

Inference 层最常见的错误：只报 OLS 默认的 i.i.d. 标准误，不聚类。在面板数据里，企业内多年观测显然不独立，默认标准误几乎一定太小。

07 层间一致性：你估计的到底是什么

五层框架最有价值的部分，不是单独看每一层，而是看层与层之间是否对齐。下面这张表列出最常见的"不一致"及其后果：

审稿人最爱问的一句话——"你估计的这个效应，是 LATE、ATE 还是 ATT？"——本质上就是在问：你的五层是不是对齐的？如果你的处理只影响了"complier"群体，而你在引言里说估计的是"总体平均效应"，那你就把 LATE 当成了 ATE 在写，这就是层间不一致。

08 每层检查清单与 Stata 命令

Population 层检查清单

• □ 引言第一段是否写清了"对谁、对什么、什么效应"？
• □ 你的总体是"有边界的"还是"理论概念"？如果是后者，操作化是否在 Data 层讲清楚了？

Sample 层检查清单与命令

• □ 从 raw 到 analysis 每一步删了多少观测？（count、return list）
• □ 被删掉的观测，在 X、Y 上和保留下来的观测系统不同吗？（ttest 比较组间均值）
• □ 是否存在"只有 Y 可见时才进样本"的情况？（Heckman 选择模型）

* 对比"被删" vs "被留"的样本在 X、Y 上是否系统不同
gen kept = !missing(output, capital, labor)
ttest output, by(kept)        // 被删组 vs 保留组的 output 均值
ttest capital, by(kept)
ttest labor, by(kept)
* 如果 t 检验显著，说明删除不是随机的，Sample 层有选择偏误

Data 层检查清单与命令

• □ 核心变量的取值范围合理吗？（summarize、codebook）
• □ 缺失值是 MCAR / MAR / MNAR 哪一种？
• □ 变量定义和论文附录写的一致吗？

Model 层检查清单与命令

• □ 线性假设合理吗？跑一下 twoway (scatter y x) (lfit y x) (qfit y x) 看曲线形状。
• □ 是否该加二次项？gen x2 = x^2; reg y c.x##c.x。
• □ 固定效应层级对吗？reghdfe y x, absorb(firm year) vs absorb(industry year)。

Inference 层检查清单与命令

• □ 标准误聚类在哪一层？企业？行业？双向？reghdfe y x, absorb(firm year) vce(cluster firm)。
• □ 你跑了多少个规格？是否需要多重比较校正？
• □ 置信区间宽度合理吗？（见 11 页显著性诊断）

09 论文案例：LaLonde (1986) NSW 实验

用五层框架看 LaLonde (1986) 的贡献，会非常清楚：

• Population 层：都是"接受 NSW 培训的低收入成年男性"，这一层实验和观测数据完全一致。
• Sample 层（问题出在这里）：实验对照组是从同一批申请者中随机抽的未参加者；而 LaLonde 替换上去的 PSID / CPS 对照组是全国调查中的普通劳动年龄男性。这两组人在年龄、教育、历史收入、种族、地域上的分布完全不同——也就是说，虽然 Population 概念上一样，Sample 的构成机制完全不同。
• Data 层：收入变量都来自调查，但实验数据和 PSID/CPS 的调查工具、时间窗口不同。
• Model 层：LaLonde 用了当时主流的各种 OLS / FE / 选择模型，形式上和实验对照组的估计式一致。
• Inference 层：标准误计算方式相同。

关键洞察：五层里，四层都对齐了，唯独 Sample 层错了——实验对照组是"随机抽的"，观测对照组是"全国调查里碰巧出现的"。就这一层的不一致，导致所有观测方法的估计都偏离实验基准。这就是为什么 LaLonde (1986) 被视为"观测研究可信度危机"的开山之作：它告诉整个行业，你不能只盯着 Model 层的函数形式，Sample 层的选择机制错了，再精致的模型也救不回来。

后续 Dehejia & Wahba (1999, JASA) 用倾向得分匹配（propensity score matching）重新分析 NSW 数据，部分恢复了实验基准；Heckman, Ichimura, Smith & Todd (1998, RESTUD) 进一步指出，匹配能否成功的关键，在于对照组和处理组是否来自同一劳动力市场、同一调查工具、同样的协变量分布——这本质上就是在强调 Sample 层的"可比性"。四十年后的今天，LaLonde 提出的核心问题仍然是因果推断方法的试金石。