凡是搞计量经济的，都关注这个号了
稿件：econometrics666@126.com
所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.
正文
关于下方文字内容，作者：倪子轩，英国牛津大学经济管理；以下内容是学术讨论，感谢周黎安老师对晋升锦标赛理论的实质性贡献。
作者之前的文章：1.弱工具变量的稳健性检验, 附上code和相关说明！2.AER最新, 人什么时候死取决于你住在哪里, 基于双重差分, 异质性处理效应的发现！3.对陈,范,顾, 周四人AER文章数据, 实证, 机制和结论提出32页质疑！4.工具变量IV估计免费课程, 文章, 数据和代码全在这里, 不学习可不要后悔！
背景知识：学术争议, 关于官员晋升激励与行为的研究是“开创性”的吗？
什么是晋升锦标赛*
官员晋升的晋升锦标赛*是由周黎安(2004，2007)、李宏彬和周黎安(Li 和 Zhou，2005) 等一系列研究成果给出，该理论认为在我国的Zheng zhi*之下，上级官员主要依据经济增长来考核和提拔下级官员，因此下级官员有着很强烈的动力来发展经济以求能够获得政治上的升迁，地方*官员越来越多的被认为是“政治人”而非有金和辉、钱颖一和温格斯特(Jin、Qian 和 Weingast,2005)提出的“财政联邦主义”中的“经济人”(陶然等,2010)。具体的，周黎安(2007)说明了我国锦标赛制度的前提(上级对人事权利的集中、有可衡量 的客观竞赛指标、相对竞赛成绩可分离和比较、参赛官员可以控制和影响最终结果、参与人不易形成合谋)得到了满足，因而可以有效的实施。在一定条件下(比如参赛人的风险倾向是中性的)，锦标赛可以取得最优的激励效果(周黎安,2007)。这一概念的提出引发了大量学者从地方官员的晋升激励这一视角就中国经济展开了分析，如财政竞争、公共品投入等等(见傅勇和张晏，2007；郑磊，2008 等等)，并且逐渐形成一条重要的文献支流。
不过，
英属哥伦比亚大学温哥华经济学院的Michael Wiebe在其博士论文中对这一结果进行了重新复制和分析后，产生了一些不同看法。
他通过复制5篇代表性论文(Journal of Economic Growth (Yao and Zhang, 2015), the Economic Journal (Li et al., 2019), the Quarterly Journal of Economics (Chen and Kung, 2016), Comparative Political Studies (Landry et al., 2018), Lorentzen and Lu, 2018)的研究后，发现在一系列合理的衡量标准下，这些文章中关于地级市官员业绩晋升（即以地区经济增长为依据的政治晋升）的证据并没有稳健性。但是，作者发现县级官员的晋升和经济增长有正相关性。作者认为这种更加局部的业绩晋升可以间接解释中国的经济增长。
Source: https://michaelwiebe.com/assets/ch2.pdf
I. Introduction
作者通过复制5篇有代表性的文献以及一系列对业绩晋升的合理衡量来指出现有文献普遍缺乏稳健性。
作者选择的5篇论文分别来自Journal of Economic Growth (Yao and Zhang, 2015), the Economic Journal (Li et al., 2019), the Quarterly Journal of Economics (Chen and Kung, 2016), Comparative Political Studies (Landry et al., 2018), 以及一篇工作论文 (Lorentzen and Lu, 2018) 。在5篇论文中的4篇（除了Chen and Kung (2016)），作者使用了原文的数据和编码复制了结论，但是通过合理但不同的衡量标准指出结论缺乏稳健性。对于Chen and Kung (2016)，作者认为结论可能源于数据的差错。作者使用了Clemens (2017) 的方法，复制了前4篇论文而核对了最后一篇。
除此之外，作者检测了省级和县级官员以绩效晋升的证据。在省级，Sheng (forthcoming)的结论是只有在Jiang *的领导期间（1990-2002）有绩效晋升的证据。通过使用Jia et al. (2015) 的数据，作者对该结论进行了反驳。在县级，作者在一个自己收集的晋升变量和相对累积GDP增长的回归分析中找到了县级官员业绩晋升的证据。
II. Yao and Zhang (2015)
Yao and Zhang (2015) 是第一篇研究地级市业绩晋升的文献。他们在官员和城市上使用了AKM（Abowd-Kramarz-Margolis）方法，通过衡量同一官员在不同城市带来的的经济增长业绩来决定官员能力。这篇论文的主要贡献是估计官员能力和晋升之间的联系。
Yao and Zhang (2015) 原文中使用了线性概率和序次Probit两个模型，但都没有发现官员能力和晋升结果之间的正相关性。这个结果和作者的第一章结论是重合的。
但是，Yao and Zhang (2015) 最终并没有得出这个结论，因为原文作者额外指出官员能力和年龄之间有在5%的显著性水平有显著性。原文作者总结，对于年龄51岁以上的官员，能力对于晋升有显著的影响。
这个结论支持一个有限晋升锦标赛的模型：其中，组织部对于年龄较大的官员依据经济增长业绩作出晋升决定，但是对于年龄较小的，并没有较长的执政时间的地方官员则使用一套其他的晋升系统。但是这样的系统并不符合更全面晋升锦标赛的描述，即所有官员的晋升标准都是一致性的，和业绩相关的。51岁以下的官员占据了一半的晋升，所以这样的锦标赛制度不能够完全地解释中国的经济发展。
另外，作者对文章的实证数据也存在疑虑。在估计官员能力的回归模型中，原文作者使用了3个协变量：初始城市人均GDP，城市人口，和省年度通货膨胀率。其中，人均GDP可以作为对起初城市大小的控制。但是，原文作者并没有好的理由把人口和通胀率计入回归模型中。包含通胀率额外可疑，因为作者使用的已经是将价格纳入的实际GDP。
作者在Table 2中剔出了人口和通胀两个协变量，并重新估计了Yao and Zhang (2015) 的模型。作者发现新的估计中并没有年龄相关的交互项。并且，51岁年龄门槛的显著性只有在5% 的显著性水平有效，而非原文中的1%。
因此，作者提出Yao and Zhang (2015) 的结论，虽然新颖且阐述得很好，但并没有稳健性，也不能够充分证明地级市官员的业绩晋升理论。
III. Li et al. (2019)
Li et al. (2019) 研究了GDP增长目标和晋升锦标赛的联系。原文作者的理论指出行政级别越低，在锦标赛中竞争的选手越少，任意官员获胜的概率就越高，晋升指标也会相应升高。由于获胜概率的升高，地方官员也会接受更高的指标，因为参与约束的相对降低。
Li et al. (2019) 的模型假设了晋升是基于业绩的，即更好的经济增长对应更高的晋升可能。另外，原文作者指出了一个新的结论：更高的目标带来更多的业绩晋升奖励。打比方说，同一个百分点的经济增长对于一个有较高经济增长目标的省有更多的激励作用。
这个结论理应可以通过增长和指标的交互项OLS面板回归来检测，并且交互项的系数应为正数。但是，原文作者并没有使用OLS，而是使用了极大似然估计（MLE）方法，理由是官员的晋升不仅和本身增长率相关，也和竞争者的增长率相关。晋升函数的非线性也导致OLS这样一个线性的估计方法不能产出正确的结论。
但是，这些理由并不能解释OLS为什么不适合。第一，现有文献中的晋升锦标赛可以通过对比本地增长率和省平均增长率来决定结果。第二，OLS是非线性概率函数最好的线性估计：如果有正向的非线性关系，那OLS也可以指出。因此，作者使用线性概率模型和逻辑回归来检测增长率和晋升结果的相关性。
通过OLS，作者发现增长率并没有对于晋升有正向帮助。第二和第四列发现交互项的系数是正数，但是并没有统计显著性。逻辑回归的结果是一样的。
因此，虽然Li et al. (2019) 的结论通过MLE得到了证实，作者的线性估计指出了该结论缺乏稳健性。
IV. Chen and Kung (2016)
Chen and Kung (2016) 的主要结论是地方官员会在土地拍卖时给予政治局成员一定折扣，而这些地方官员则得到晋升机会。在省级，Chen and Kung (2016) 发现土地拍卖对于省委书记的晋升有帮助，但对于省长并没有。与其相反，经济增长对于省长的晋升有更高的预测准确性。在地级市的级别，结论是相似的：市长需要通过经济增长证明自己的能力，但是市委书记可以通过土地拍卖系统获得政治资本。
首先，Chen and Kung (2016) 的数据输入可能存在问题。作者的数据集中，每年的晋升率在5% 到30% 左右浮动，而Chen and Kung (2016) 的数据中没有一年晋升率超过了15%。图2对比了4个数据集，每个数据集都使用一个虚拟变量记录晋升与否。显而易见，Chen and Kung (2016) 的数据是例外。在文章中，原文作者并没有清楚地指出数据来源。
另外，作者发现了其他Chen and Kung (2016) 的数据错误。对于每一位官员，在晋升年，晋升变量为1，而其他时候为0。但是，在201个变量等于1的年份中，124起发生在在相关官员上一个任期最后一年之前的年份。另外，在一些官员的任期中，有多个晋升变量等于1的年份。比方说，如果一个官员在被晋升前任职了5年，则变量应当在前四年等于0，在第五年等于1。但是，在Chen and Kung (2016) 中，一些官员的晋升变量则只在前两年等于0，在后三年都等于1。作者整理了原始数据之后发现这个输入错误地将官员晋升扩大了一倍。因为Chen and Kung (2016) 的数据集本来就有更低的晋升率，在整理了数据后偏差更大了。
接下来，作者复制了Chen and Kung (2016) 的研究。在使用了整理后的晋升变量后，作者发现原文的结论仍然成立，所以该结论和数据输入的错误并没有关系，但是结论还是可能和原文例外的对于晋升的定义有关。因此，作者使用了自己的晋升数据集，并对以下模型进行了估计：
因变量是一个虚拟变量，而所有的地级市协变量都被包含在了X中。在使用了作者自己的数据集后（表5第3-4列），经济增长的系数在Probit和线性概率两个模型下都变成了负数。由此可见，Chen and Kung (2016) 的结论与其特殊的变量定义有直接关系。
V. Landry et al. (2018)
Landry et al. (2018) 在省，市，县三个级别估计了1999-2007年间业绩晋升的存在与否。同时，原文作者们指出政治关联在省级对于晋升的影响。原文的主要结论如下：县级官员的晋升和业绩有关，因为对于更高领导的影响较小，但是在市和省的级别，政治忠诚度等其他因素可能更加被重视。
Landry et al. (2018) 估计了以下线性概率模型来检测相对GDP增长和晋升的联系：
但是，原文作者使用了任期为单位，而不是地级市/年份的面板。原文作者和作者在第一篇中的结论大致相同，但是叙述并不同。其中，地级市的数据成列在表7：
作者指出他的地级市结论和Landry et al. (2018) 是重合的。作者额外发现了政治关联度对于晋升较大的负面影响。在控制了官员特征后，这些影响也消失了。这是因为关联变量和任期/年龄有很强的正向相关性，而且官员有很低的概率在任期刚开始就被晋升。
因此，虽然Landry et al. (2018) 的数据为县官员业绩晋升提供了有限的证据，忠诚度比业绩更加重要。此外，政治关联在更高的级别并没有更多的影响力。
VI. Lorentzen and Lu (2018)
Lorentzen and Lu (2018) 的工作论文是该领域较新的贡献，通过对于2012反腐倡廉的“三大虎”（苏Rong，周Yongkang，令Jihua）的个案研究。原文作者检测了在2012年前，和“三大虎“有关联的地方官员有没有在业绩较差的背景下得到晋升，以此确切印证腐败行为，而不只是用反腐大旗进行政治清洗。
作者估计了以下的线性概率模型：
VII. 省级官员依据业绩晋升的证据
在一篇即将发布的论文中，Sheng (2020) 得出了在Jiang *年代（1990-2002）业绩晋升的证据。Sheng (2020) 指出因为在*1992年南巡后，Jiang *鼓励了市场化和经济发展，以此导致针对于省长的业绩晋升的出现。
在使用了Jia et al. (2015) 的数据复制了Sheng (2020) 的结论后（表10），作者并没有发现正向且有显著性的Jiang *时期省长业绩晋升的证据。
VIII. 县级官员依据业绩晋升的证据
在以上的文献中，Chen and Kung (2016) 和Landry et al. (2018) 两篇研究了县级官员在1999-2007年间业绩晋升的证据。Chen and Kung (2016) 主要研究土地拍卖和晋升之间的关系。作者使用了自己的晋升变量证实了县级官员依据业绩晋升的结论。
作者在表12中分析了Landry et al. (2018) 的县级数据，同样得出支持县级业绩晋升锦标赛的证据。为了额外分析不同时间段的情况，作者将数据集按照*总书记的任期分为Jiang *（1990-2002）和Hu Jintao（2003-2008）两个阶段。原结论仍然具有显著性。
IX. Conclusion
当下最好的5篇研究市级官员以业绩为晋升标准的文献中，作者对每一篇都提出了数据收集方法和结论稳健性方面的质疑。但是，作者也指出在县级，官员的晋升和业绩有显著的关联性。虽然市级及以上的官员并不一定通过经济增长来获取晋升机会，他们都是从县级和更低级公务员做起的，因此也间接的通过了业绩的考核。
推荐内容
关于变量问题，1.什么时候应该使用回归分析？控制变量意味着什么？2.如何选择正确的因变量(控制变量)，让你的计量模型不再肮脏，3.调节变量, 中介变量和控制变量啥区别与联系? 4.控制、调节和中介变量，系说，5.核心解释变量A不显著, 但加入变量B后, 为什么A和B都显著了？6.被解释变量比解释变量的层级更高的模型设定合理么？7.审稿: 协变量何时重要? 哪个重要, 有多重要？8.三张图秒懂, 混淆, 中介, 调节, 对撞, 暴露, 结果和协变量的复杂关系，9.因果推断专题：6.再谈混淆变量，10.什么时候需要标准化回归模型中的变量？11.因果推断专题：1.混淆变量，12.虚拟变量回归模型是什么? 政策评估的前件，13.11种与机器学习相关的多元变量分析方法汇总，14.回归中各变量的数值相差过大有事, 又有什么问题？
关于工具变量，参看1.内生性问题操作指南, 广为流传的22篇文章，2.看完*期刊文章后, 整理了内生性处理小册子，3.如何寻找工具变量？得工具者得实证计量，4.内生性处理的秘密武器－工具变量估，5.工具变量在社会科学因果推断中的应用，6.为你的"工具变量"合理性进行辩护, 此文献可以作为范例，7.没有工具变量、断点和随机冲击，也可以推断归因，8.工具变量与因果推断, 明尼苏达Bellemare关于IV的分析，9.工具变量IV与内生性处理的精细解读，10.我的"工具变量"走丢了，寻找工具变量思路手册，11.面板数据里处理多重高维固定效应的神器, 还可用工具变量处理内生性，12.豪斯曼, 拉姆齐检验，过度拟合，弱工具和过度识别，模型选择和重抽样问题，13.工具变量先锋 Sargan，供参考，14.AEA期刊的IV靠不靠谱？15.计量大焖锅: iv, clorenz, rank, scalar, bys, xtile, newey, nlcom，16.GMM是IV、2SLS、GLS、ML的统领，待我慢慢道来，17.IV和GMM相关估计步骤，内生性、异方差性等检验方法，18.因果推断IV方法经典文献，究竟是制度还是人力资本促进了经济的发展？19.内生变量的交互项如何寻工具变量, 交互项共线咋办，20.面板数据、工具变量选择和HAUSMAN检验的若干问题，21.IV和Matching老矣, “弹性联合似然法”成新趋势，22.IV回归系数比OLS大很多咋回事, 怎么办呢? ，23.不用IV, 基于异方差识别方法解决内生性, 赐一篇文献，24.找不到IV, RD和DID该怎么办? 这有一种备选方法，25.内生转换模型vs内生处理模型vs样本选择模型vs工具变量2SLS，26.内生性, 工具变量与 GMM估计, 程序code附，27.GMM和工具变量在面板数据中的运用，28.关于工具变量的材料包, 标题,模型,内生变量,工具变量，29.必须使用所有外生变量作为工具变量吗？30.工具变量精辟解释, 保证你一辈子都忘不了，31.毛咕噜论文中一些有趣的工具变量！33.前沿: 删失数据分位数工具变量(CQIV)估计, 做删失数据异质性效应分析，34.不需要找工具变量, 新方式构建工具变量, 导师再也不用担心内生性问题了！35.关于*外刊工具变量的使用最全策略, 不收藏反复读就不要谈IV估计！36.如何通过因果图选择合适的工具变量？一份关于IV的简短百科全书，37.前沿: nature刊掀起DAG热, 不掌握就遭淘汰无疑！因果关系研究的图形工具! 38.最清晰的内生性问题详解及软件操作方案！实证研究必备工具！39.中国女学者与其日本同行在JPE上发文了！利用独特数据, 地理断点RDD和IV研究中国环境议题！40.双胞胎样本解决遗漏变量和测量误差, LIV解决选择偏差，41.内生性处理的秘密武器－工具变量估计，42.工具变量IV必读文章20篇, 因果识别就靠他了，43.看完*期刊文章后, 整理了内生性处理小册子，44.“内生性” 到底是什么鬼? New Yorker告诉你，45.Heckman两步法的内生性问题(IV-Heckman)，46.最全估计方法，解决遗漏变量偏差，内生性，混淆变量和相关问题，47.非线性面板模型中内生性解决方案，48.内生性处理方法与进展，49.内生性问题和倾向得分匹配，50.你的内生性解决方式out, ERM独领风骚，51.面板数据是怎样处理内生性的，52.计量分析中的内生性问题综述，53.一份改变实证研究的内生性处理思维导图，54.Top期刊里不同来源内生性处理方法，55.面板数据中heckman方法和程序(xtheckman)，56.控制函数法CF, 处理内生性的广义方法，57.二值选择模型内生性检验方法，58.2SRI还是2SPS, 内生性问题的二阶段CF法实现，59.非线性模型及离散内生变量处理利器, 应用计量经济学中的控制函数法！60.最全利用工具变量控制内生性的步骤和代码—在经管研究中的应用，61.如何选择合适的工具变量, 基于既有文献的总结和解释！62.中介效应最新进展: 中介效应中的工具变量法使用方法及其代码！63.弱工具变量的稳健性检验, 附上code和相关说明！64.工具变量对因果效应的识别和外推, 大牛的*评述！
关于神器，1.神器! 统计和金融计算器, 词云和情感分析器强大到无敌！2.找合适的英文期刊发表的神器! 亲测太好用了！3.神器! SSCI分区及影响因子查询, 还有国人发表比例，4.一数学神器诞生! 手写公式和符号, 竟免费转成LaTex，5.学术神器Endnote的最详尽使用方法，6.“各领域*外文期刊”菜单栏使用指南, 最新文章和目录浏览！
关于Stata，1.Stata16新增功能有哪些? 满满干货拿走不谢，2.Stata资料全分享，快点收藏学习，3.Stata统计功能、数据作图、学习资源，4.Stata学习的书籍和材料大放送, 以火力全开的势头，5.史上最全Stata绘图技巧, 女生的最爱，6.把Stata结果输出到word, excel的干货方案，7.编程语言中的函数什么鬼？Stata所有函数在此集结，8.世界范围内使用最多的500个Stata程序，9.6张图掌握Stata软件的方方面面, 还有谁, 还有谁? 10.LR检验、Wald检验、LM检验什么鬼？怎么在Stata实现，11.Stata15版新功能，你竟然没有想到，一睹为快，12."高级计量经济学及Stata应用"和"Stata十八讲"配套数据，13.数据管理的Stata程序功夫秘籍，14.非线性面板模型中内生性解决方案以及Stata命令，15.把动态面板命令讲清楚了，对Stata的ado详尽解，16.半参数估计思想和Stata操作示例，17.Stata最有用的points都在这里,无可替代的材料，18.PSM倾向匹配Stata操作详细步骤和代码，干货十足，19.随机前沿分析和包络数据分析 SFA,DEA 及Stata操作，20.福利大放送, Stata编程技巧和使用Tips大集成，21.使用Stata进行随机前沿分析的经典操作指南，22.Stata, 不可能后悔的10篇文章, 编程code和注解，23.用Stata学习Econometrics的小tips, 第二发礼炮，24.用Stata学习Econometrics的小tips, 第一发礼炮，25.广义合成控制法gsynth, Stata运行程序release，26.多重中介效应的估计与检验, Stata MP15可下载，27.输出变量的描述性统计的方案，28.2SLS第一阶段输出, 截面或面板数据及统计值都行，29.盈余管理指标的构建及其Stata实现程序, 对应解读和经典文献，30.Python, Stata, R软件史上最全快捷键合辑！，31.用Stata做面板数据分析, 操作代码应有尽有，32.用Stata做面板数据分析, 操作代码应有尽有，33.没有这5个Stata命令, 我真的会活不下去！，34.第一(二)卷.Stata最新且有趣的程序系列汇编，35.第三卷.Stata最新且急需的程序系列汇编，36.第四卷.Stata最新且急需的程序系列汇编，37.干货: UN和WTO推荐的最全且权威的实证研究方法及在Stata实现！必收藏！，38.再中心化影响函数RIF回归和分解的Stata操作程序，39.R和Stata软件meta分析操作详细攻略, 对研究再开展研究的利器！，40.不能安装Stata命令咋弄？这个方法一直都比较靠谱！，41.使用Stata做结构方程模型GSEM的操作指南，42.疫情期计量课程免费开放！面板数据, 因果推断, 时间序列分析与Stata应用，43.一些Stata常见操作代码和注释, 能够让年轻学人更快掌握相关命令！44.Stata语言中的常用函数及其用法解释, 在附上42篇Stata相关学习资料，45.Stata经典操作笔记和学习资源合辑! 都是些博士生导师比较推荐的!
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。