TOP5最新: 这篇文章给俄乌战争火上浇油, 揭开了残酷的真相, 这就是经济学研究的威力

Nancy Qian等的这篇TOP5给俄乌战争火上浇油，揭示了残酷的历史真相，展现了经济学研究的威力。

关于Nancy Qian，①连续DID经典文献, 土豆成就了旧世界的文明，②关于工具变量的材料包, 标题,模型,内生变量,工具变量，③DID运用经典文献，强制性许可:来自对敌贸易法的证据，④关于DID的所有解读, 资料, 程序, 数据, 文献和各种变形都在这里，⑤诺奖夫妇的中国学生, “DID小公主”的成名之作, 茶叶价格与中国失踪女性之谜！⑥公开！北大姚洋耗时15年的AER文章解读可以下载了！⑦发表Top5刊的500强名单出炉, 这几位中国人实至名归，⑧诺奖夫妇花16年时间, 关于中国的研究终于在期刊上发出来了！⑨Nancy Qian在意大利EIEF访问时的交流, 她在MIT的三位博导都是诺奖得主，⑩既然她已来中国学术交流, 不妨看她这AER上的实证经典之作, 学习的典范！11.来自中国的证据如何才能在国际TOP刊上发表? 4位TOP刊Editor

首先，本文指出，尽管1932年乌克兰的粮食生产低于往年，但仍足以养活整个乌克兰。然而，政府的征收使乌克兰农村的粮食供应降至与1921年饥荒灾区相似的水平。此外，从乌克兰征收粮食并不是其他地区避免饥荒的必要条件，因为其他共和国的粮食生产足以养活苏联的其余人口。

第二，利用省级面板数据，研究发现，在1932年生产同等粮食的两个地区中，乌克兰族比例较高的地区在1933年的死亡率更高，这支持了反乌克兰偏见的观点。同时，本文还发现，在乌克兰族人口比例相同的两个地区中，人均粮食产量与饥荒死亡率之间并无关联。因此，粮食产量及其生产投入（如天气和地理条件）无法解释饥荒死亡率，这与“非故意后果”论点相矛盾。

此外，本文还发现，在省内各地区以及省际之间，乌克兰族人口比例与饥荒死亡率之间存在正相关关系。这表明饥荒死亡率中的乌克兰族偏见是由政策驱动的，因为中央政府的政策通常是自上而下实施的，并且在各级政府中遵循相似的指导方针。

通过粗略计算，如果乌克兰族的死亡率与其他族群（样本中主要是俄罗斯族）相同，乌克兰的总饥荒死亡率将降低92%，而样本中三个共和国的饥荒死亡率将降低77%。对乌克兰族的偏见对饥荒死亡率的影响在乌克兰更为显著，因为乌克兰的乌克兰族人口比例更高。

第三，反乌克兰偏见仅针对乌克兰族，且乌克兰以外的地区也是如此。本文发现，在白俄罗斯和俄罗斯（这两个地区在饥荒前居住着本样本中25%的乌克兰族）中，乌克兰族人口比例与饥荒死亡率之间存在类似的正相关关系。同时，其他少数族裔的饥荒死亡率与俄罗斯族相近，远低于乌克兰族的饥荒死亡率。

第四，本文利用区级数据发现，当跨越乌克兰与俄罗斯的边界时，饥荒死亡率出现了显著下降。这一现象与移民限制加剧饥荒死亡率的观点相一致，因为移民限制阻止了乌克兰族向其他地区逃亡。如果允许自由迁移，死亡率不应在边界处显著下降。进一步分析表明，一旦控制每个区的乌克兰族人口比例，边界效应便不复存在。因此，饥荒死亡率中的乌克兰族偏见是以族群为界限的。

第五，本文提供了直接证据，支持饥荒死亡率中的反乌克兰偏见是由政策驱动的。研究发现，在决定粮食供应的关键政策“中央计划粮食征收“”中，存在明显的偏见。数据显示，在1932年生产粮食数量相似的两个省中，政府从乌克兰族比例较高的省份征收了更多的粮食。因此，随着饥荒前乌克兰族人口比例的增加，粮食保留量（即产量减去征收量）逐渐减少。这一结果回应了中央指令中缺乏明确“命令”饥荒的文件证据。简单的量化分析表明，中央计划征收中的反乌克兰偏见解释了反乌克兰偏见对饥荒死亡率总影响的大约一半。

Andrei Markevich, Natalya Naumenko, Nancy Qian, The Causes of Ukrainian Famine Mortality, 1932–33, The Review of Economic Studies, 2024;, rdae091

简要介绍该文内容：

在苏联大饥荒（1932-1933年）期间，约有700万人失去了生命，其中大约40%的死亡发生在乌克兰，其死亡率是俄罗斯的四到六倍。据统计，乌克兰族农民中有7.5%至11.3%的人在这场被称为“因饥饿而死”的乌克兰大饥荒中丧生。Levchuk等在2020年的研究中总结了关于乌克兰高死亡率原因的争议和激烈辩论。

一方面，许多历史学家认为这场饥荒是苏联政府蓄意对乌克兰发动的“恐怖”行动。1928年，农业占苏联国内生产总值的约40%。为了最大化收入，政府强行从农村征收农产品，尤其是谷物。这种做法在农民中极为不受欢迎。作为农业生产地区中最大的族群，乌克兰人具有强烈的群体认同感，因此抵抗尤为顽强。为了控制农业，布尔什维克需要镇压乌克兰人。

另一方面，有人认为乌克兰的高饥荒死亡率是政策无意中导致的结果，这些政策本身并没有反乌克兰的倾向。目前尚无直接的文献证据表明斯大林曾下令“在乌克兰制造饥荒”。毕竟农业生产地区的镇压和饥荒现象也发生在乌克兰以外的地区。Communism意识形态强调所有民族一律平等，而这与之前的沙皇政权的做法有明显区别。在其关于苏联饥荒的经典经济史研究中，Davies和Wheatcroft（2009）记录了1932年苏联总体生产的下降。他们认为乌克兰的高死亡率是由于其农业生产发达，但遭遇了恶劣天气，而苏联本身并不存在反乌克兰的偏见。

这一争议性辩论陷入僵局，原因在于缺乏有代表性的分解数据，从而无法系统地评估相互竞争的假说。最重要的是，过去的研究缺乏关于死亡率、生产和征收的系统性分解数据。

本研究的主要贡献在于构建了迄今为止最大、最全面的二战前苏联（1922-1940年）分解数据集，从而为理解1932-1933年乌克兰饥荒死亡率的成因提供了新的进展。大部分数据是从苏联解体后公开的档案资料中手动数字化获得的。本文的主要样本包括苏联三个人口最多的共和国：俄罗斯、乌克兰和白俄罗斯。本文构建了一个省级面板数据集，涵盖了死亡率、出生率、民族构成、城市化、天气、行政能力、实际粮食生产和征收、计划的生产和征收目标、与布尔什维克的政治一致性等信息，以及其他历史经济、政治和文化变量。

本文采用两种方法重建苏联政府在20世纪20年代末至30年代初人为操纵的粮食生产数据：（1）根据先前分类的粮食征收比率；（2）利用难以操控的数据（如天气和地理条件）来预测生产。此外，本文还构建了一个更细化的区级面板数据集，涵盖了关于死亡率、人口特征、天气和地理的信息。这些数据的主要优势在于，它们使本文能够评估关于乌克兰饥荒死亡率的不同解释，并为政策机制提供直接的实证证据。

本研究的内容安排如下。首先，本文指出，尽管1932年乌克兰的粮食生产低于往年，但仍足以养活整个乌克兰。然而，政府的征收使乌克兰农村的粮食供应降至与1921年饥荒灾区相似的水平。此外，从乌克兰征收粮食并不是其他地区避免饥荒的必要条件，因为其他共和国的粮食生产足以养活苏联的其余人口。

第二，本文探讨了苏联政策中的反乌克兰偏见与天气导致的农业生产下降对饥荒的影响。这两种原因并非互相排斥。由于缺乏按族群划分的具体死亡率数据，为了解决这一挑战，本文通过分析饥荒死亡率与饥荒前乌克兰族人口比例之间的关系，推断出乌克兰族的死亡率。利用省级面板数据，研究发现，在1932年生产同等粮食的两个地区中，乌克兰族比例较高的地区在1933年的死亡率更高，这支持了反乌克兰偏见的观点。同时，本文还发现，在乌克兰族人口比例相同的两个地区中，人均粮食产量与饥荒死亡率之间并无关联。因此，粮食产量及其生产投入（如天气和地理条件）无法解释饥荒死亡率，这与“非故意后果”论点相矛盾。

本文的估计充分考虑了城市人口比例及其与饥荒虚拟变量的交互作用，以此控制城市与农村在粮食获取方面的差异；同时引入了省级固定效应，用以控制地区间所有不随时间变化的差异（例如平均死亡率）；以及年份固定效应，用以控制影响所有地区的随时间变化的因素（如宏观经济变化）。研究结果在加入大量额外控制变量、不同饥荒严重程度和乌克兰族人口的不同衡量方式后，以及在进行安慰剂检验时，均显示出稳健性。此外，本文还发现，在省内各地区以及省际之间，乌克兰族人口比例与饥荒死亡率之间存在正相关关系。这表明饥荒死亡率中的乌克兰族偏见是由政策驱动的，因为中央政府的政策通常是自上而下实施的，并且在各级政府中遵循相似的指导方针。

通过粗略计算，如果乌克兰族的死亡率与其他族群（样本中主要是俄罗斯族）相同，乌克兰的总饥荒死亡率将降低92%，而样本中三个共和国的饥荒死亡率将降低77%。对乌克兰族的偏见对饥荒死亡率的影响在乌克兰更为显著，因为乌克兰的乌克兰族人口比例更高。

第三，反乌克兰偏见仅针对乌克兰族，且乌克兰以外的地区也是如此。本文发现，在白俄罗斯和俄罗斯（这两个地区在饥荒前居住着本样本中25%的乌克兰族）中，乌克兰族人口比例与饥荒死亡率之间存在类似的正相关关系。同时，其他少数族裔的饥荒死亡率与俄罗斯族相近，远低于乌克兰族的饥荒死亡率。

第四，本文利用区级数据发现，当跨越乌克兰与俄罗斯的边界时，饥荒死亡率出现了显著下降。这一现象与移民限制加剧饥荒死亡率的观点相一致，因为移民限制阻止了乌克兰族向其他地区逃亡。如果允许自由迁移，死亡率不应在边界处显著下降。进一步分析表明，一旦控制每个区的乌克兰族人口比例，边界效应便不复存在。因此，饥荒死亡率中的乌克兰族偏见是以族群为界限的。

第五，本文提供了直接证据，支持饥荒死亡率中的反乌克兰偏见是由政策驱动的。研究发现，在决定粮食供应的关键政策“中央计划粮食征收“”中，存在明显的偏见。数据显示，在1932年生产粮食数量相似的两个省中，政府从乌克兰族比例较高的省份征收了更多的粮食。因此，随着饥荒前乌克兰族人口比例的增加，粮食保留量（即产量减去征收量）逐渐减少。这一结果回应了中央指令中缺乏明确“命令”饥荒的文件证据。简单的量化分析表明，中央计划征收中的反乌克兰偏见解释了反乌克兰偏见对饥荒死亡率总影响的大约一半。

此外，一些补充结果深化了本文对饥荒的理解。首先，本文记录到1928年公布的粮食征收目标中存在反乌克兰偏见，这进一步支持了苏联政策中存在反乌克兰偏见的观点。其次，本文发现饥荒后生产恢复的速度远快于人口恢复的速度。中央分配拖拉机的数据表明，为了弥补劳动力损失对生产的负面影响，农业机械化得到了加强。最后，本文推测了政权的动机，并提出了一些证据，这些证据与布尔什维克为了控制农业而压制乌克兰族的政治经济解释相一致。

下面我们来看看实证是如何开展的。

对乌克兰的偏见、产量下降及其他因素

针对乌克兰饥荒成因的争议，本文分析了对乌克兰的偏见和地区粮食生产的在其中的作用。

本文主要通过超额死亡率来衡量饥荒的严重程度。省级死亡率数据涵盖了样本中19个省份的每一年，这些省份分布在苏联人口最多的三个共和国：俄罗斯、乌克兰和白俄罗斯。这三个共和国在1926年占苏联总人口的84%，在1928年占粮食总产量的88%。本文将这三个共和国统称为苏联或苏维埃。样本中每个省在1926年的平均人口为650万人，所有数据均已对应至1932年的省级边界。

1926年的人口普查提供了关于乌克兰族人口比例的数据（这是饥荒前的最后一次人口普查）。当时，乌克兰共有2320万乌克兰族人口，另有790万人分布在俄罗斯和白俄罗斯。乌克兰族占苏联总人口的21%，是第二大民族，仅次于占比53%的俄罗斯族。89%的乌克兰族居住在农村地区。在被政府指定为“粮食富余”地区的大量粮食生产区域，乌克兰族是最大的族群（占43.8%），而俄罗斯族紧随其后（占41.9%）。由于样本中大部分非乌克兰族为俄罗斯族，本文将作为对比的群体简称为“俄罗斯族”。

人口普查中的民族身份是自行申报的，这些数据被普遍认为准确可靠，没有故意误报的动机。本文后面也展示了，当使用其他民族指标时，结果与上述结论类似。

在上述模型中，表示省份 (i) 在年份 (t+1) 的死亡率；解释变量包括乌克兰族人口比例与饥荒年份虚拟变量的交互项；人均粮食产量 以及人均两产量与饥荒年份虚拟变量的交互项；其他控制变量，如城市人口比例及其与饥荒年份虚拟变量的交互项；省份固定效应；以及年份固定效应。由于是不随时间变化的变量，其直接效应被省份固定效应所吸收。

本文将饥荒年份的虚拟变量定义为1932年，因为1933年的死亡率达到了顶峰，且本文假设年份t的粮食产量用于维持年份t+1的人口。本文也展示了，即使将饥荒年份变量定义为1931年和1932年，动态估计的结果依然保持一致。

考虑到粮食生产和饥荒的特性，本文允许标准误在空间上呈现逐渐衰减的趋势，以反映人口、信息及其他因素在空间上的流动。因此，当以较小地理范围的地区作为观测单位时，本文同时估计了空间校正的标准误和基于地区聚类的标准误。

参数β表示乌克兰人口占比与死亡率在饥荒年份和非饥荒年份之间的差异。如果在饥荒期间，乌克兰族群的死亡率更高，则β>0。参数γ则反映人均粮食产量与饥荒死亡率之间的关系。如果饥荒死亡率是由于粮食产量低导致的，则γ<0。本文特别关注交互系数γ，因为粮食产量与死亡率之间的关系可能在饥荒和正常年份有所不同(尤其是在正常年份的产量较高时)。这是因为食物消费与生存之间的正相关关系具有显著的边际递减效应。为了解决城乡在粮食政策及其他影响饥荒死亡率因素上的差异，变量包括省级i在年份t的城市人口比例及其与饥荒变量的交互项。

在列（1）和列（2）中，乌克兰族群占比与饥荒虚拟变量的交互系数均为正，并在1%的显著性水平上显著。这意味着，对于两个在1932年人均产量（及城市化水平）相同的省份，乌克兰族群比例较高的省份经历了更高的饥荒死亡率。这与饥荒政策中反乌克兰族群偏见导致更高死亡率的观点一致。相比之下，粮食产量与饥荒虚拟变量的交互系数为正，但由于这一交互系数在不同产量衡量方法（及样本）下的精度和幅度有所不同，本文谨慎地将其解释为无显著结果。这些估计表明，对于两个乌克兰族群比例（及城市化水平）相同的地区，1932年的饥荒死亡率与粮食产量不相关。这与产量下降（以及政策或天气等因素导致的产量下降）导致饥荒死亡率的假设不符。为最大化样本量，本文在本节余下的讨论和死亡率回归分析中，将重点放在使用预测粮食产量的估计上。

对乌克兰的偏见对饥荒死亡率的影响相当显著。从字面上理解，列（2）的数据表明，对于两个经历相同天气和城市化程度的省份，如果其中一个省份的乌克兰族群占比达到100%，而另一个省份没有乌克兰族群，那么前者的饥荒死亡率比后者高出51‰。在非饥荒年份，平均死亡率为21‰；而在饥荒年份，这一数字上升至31‰。另一种衡量影响幅度的方法是考察标准化系数，这些结果以斜体显示。在饥荒期间，乌克兰族群比例增加一个标准差，将导致死亡率相对于正常年份增加0.826个标准差。

预测粮食生产率作为实际生产率的一个衡量指标存在一定的噪声，这可能会对列（2）的估计结果造成偏差。然而，列（1）中校正后的粮食生产率给出相似的结果，这表明该偏差可能并不是很大的问题。尽管如此，为谨慎起见，本文还是考虑了非随机测量误差的可能性。从理论上讲，控制预测粮食产量相当于控制了天气、地理和气候适宜性等生产投入因素。但是，如果这些因素与产量之间的关系在前苏联时期与苏联时期有所不同，那么预测估计可能会带来误导。在本文的研究背景下，有理由担心早期苏联政策可能降低了生产投入的回报，从而可能高估了乌克兰地区的实际产量。

为了解决这一问题，本文通过控制两项最可能影响农业生产率的政策来进行分析。在列（3）和列（4）中，本文检验了在控制去富农化和饥荒前牲畜损失后饥荒虚拟变量与乌克兰族群交互系数的敏感性。在去富农化运动中，约有200万农民（富农）因积极反对集体化而被流放到西伯利亚和其他偏远地区。富农通常是生产力较高的农民，他们的流失可能降低了本文用来预测产量的投入回报。统计数据显示，1929年至1932年间，马匹数量减少了42%，牛数量减少了40%。农民在失去对牲畜的所有权后，往往选择屠宰、食用或忽视这些新近集体化的牲畜。牲畜不仅是主要的劳动力来源，其粪便也是作物栽培的重要肥料。牲畜的损失可能降低了生产率，并破坏了在收成不佳时通过屠宰和食用牲畜来避免饥荒的传统做法。

在列（3）中，本文控制了1930至1931年每个地区被流放的富农家庭数量占1930年人口的比例；在列（4）中，控制了1929年至1931年7月期间人均牲畜数量的下降幅度。由于这些变量不随时间变化，本文同时控制了它们与饥荒虚拟变量的交互项。乌克兰族群比例与饥荒虚拟变量的交互项与基准结果相似，表明结果不太可能受到系统性生产测量误差的影响。

在列（5）中，为了解决省份固定效应可能吸收乌克兰族群比例与饥荒死亡率之间有意义变化的担忧，本文通过包含未交互的乌克兰族群效应来处理这一问题。列（5）中的乌克兰族群交互系数几乎与列（2）中的基准结果一致。未交互的乌克兰族群系数为-0.007，在1%的显著性水平上显著。这与死亡率数据相符，表明在非饥荒年份，乌克兰族群比例与死亡率呈负相关。只有在饥荒期间，死亡率才与乌克兰族群比例呈正相关。表底显示，交互项和未交互系数之和为正，且在1%的显著性水平上显著。

一种量化反乌克兰偏见对饥荒死亡率总贡献的方法是使用表2第(2)列中的估计值进行简单的粗略计算。根据回归预测，非饥荒年份的平均死亡人数为272万人，而1933年的死亡人数为497万人。饥荒导致的超额死亡人数是饥荒年份与非饥荒年份死亡人数之间的差值：497万 - 272万 = 226万。

为了估算在没有反乌克兰偏见情况下的反事实饥荒死亡率，本文将方程(1)中乌克兰族人口占比与饥荒虚拟变量的交互系数设为零。在这种情况下，预测的1933年死亡人数为323万人。此时，饥荒死亡人数为非饥荒年份死亡人数与这一预测值之间的差值，即51万（323万 - 272万 = 51万）。因此，反乌克兰偏见导致的饥荒死亡占总饥荒死亡的77%（1 - 0.51/2.26 = 0.77）。

由于本文样本中大部分非乌克兰人是俄罗斯人，而俄罗斯人的饥荒死亡率显著低于乌克兰人，这一结果表明，如果乌克兰族人的死亡率与俄罗斯族相同，总饥荒死亡率将降低77%。当仅针对乌克兰进行计算时，发现反乌克兰偏见导致的饥荒死亡占乌克兰总饥荒死亡的92%（1 - 0.12/1.51 = 0.92）。这一更高的比例是因为乌克兰境内的乌克兰族人口比例高于三个共和国的整体水平。

随后，本文利用粮食生产和征购的证据，表明饥荒死亡中的乌克兰偏见主要源于导致死亡率上升的反乌克兰政策。需要注意的是，本文分析中使用的主要数据由苏联政府收集，并提供给中央计划者。本文的解释假设乌克兰偏见的估计值未受到伪相关因素的混淆（例如，与饥荒前乌克兰族人口比例和饥荒死亡率相关，但与饥荒时期反乌克兰政策无关的变量），并且反乌克兰政策确实导致了饥荒死亡率的上升。本文在后文中提供相关证据，表明饥荒死亡中反乌克兰偏见不太可能受到遗漏变量的影响，并提供直接证据证明粮食征购政策存在反乌克兰偏见。

乌克兰境外的反乌克兰偏见及其他少数民族

1926年，本样本中有25%的乌克兰族人生活在乌克兰省之外。表2的第(6)列通过排除乌克兰省来检验其他地区乌克兰族人的死亡率梯度。结果显示，乌克兰族人交互系数为正，并具有统计显著性。这表明，针对乌克兰族人的饥荒死亡偏见在整个苏联范围内普遍存在，而不仅限于乌克兰境内。

在第(7)列中，本文增加了饥荒前其他非乌克兰少数民族（例如白俄罗斯人、鞑靼人、莫尔多瓦人、楚瓦什人、德国人、巴什基尔人、犹太人、波兰人以及所有其他非乌克兰和非俄罗斯人）的人口比例与饥荒虚拟变量的交互项。如果针对乌克兰族人的偏见是更大范围内针对所有少数民族的政策的一部分，那么应当发现这一交互系数也会很大、为正且具有统计显著性。然而，结果显示该交互系数为负，规模很小且仅在统计上边际显著。在后文的地区级估计中，这一交互系数甚至变得不显著。因此，本文将其解释为统计上的零。这些结果仅表明针对乌克兰族人在饥荒死亡中的偏见。

下面是一些其他表格，来验证结论的稳健性，以及各种竞争性假说和影响机制，非常值得下载下来通读全文。

*群友可直接在社群下载该文全文及数据和code。

关于固定效应，参看：1.交互项! 交互项! 固定效应回归模型中的交互项！2.在Stata中如何做2SLS, DID, DEA, SFA, 面板PSM, 二值选择, 固定效应和时间序列？3.一定要控制时间固定效应吗？4.公司和个体固定效应总是更好吗? 关于固定效应使用和解释的最全指南！5.使用固定效应FE时良好做法对应的检查清单，6.双向固定效应多期DID最新进展和代码汇总, 关于控制变量和固定效应选取的讨论，7.快速估计带有高维固定效应的泊松模型, 这计算速度真快, 真实用！8.不能直接控制某个固定效应时, 我们能尽量做些什么呢？9.时间固定效应和时间趋势项的区别, 可以同时加？10.省份/行业固定效应与年份固定效应的交乘项固定效应，11.截面DID, 各种固定效应, 安慰剂检验, 置换检验, 其他外部冲击的处理，12.广义合成控制法gsynth, 基于交互固定效应的因果推断，13.固定效应模型+测量误差=有问题, 如何解决这问题呢？14.到底控制什么层面的固定效应? 最低, 最高, or随意？15.固定效应: 目前看到解释的最清楚的帖子, 救命！16.固定效应模型+测量误差=有问题, 如何解决这问题呢？17.TOP5被质疑用log(1+x)数据转换, 固定效应, 双重差分事件图, 结论不可靠！18.审稿人: 如何在双向固定效应下还能估计出不随个体变化的宏观变量呢？

关于聚类标准误的使用及其聚类层级的问题，1.啥时候使用聚类标准误, 以及数据聚类的修正方法? 2.在什么级别上标准误聚类, 个体, 县, 省或行业, 时间？3.什么时候用双聚类稳健标准误? 在个体和时间层面上考虑依赖性问题！4.双重聚类cluster咋做? 线性, logit, tobit可以双聚类吗? 5.聚类标准误精辟解释, 保证你一辈子都忘不了！6.4位计量领域大佬在TOP5上为聚类标准误问题提供了实证建议！7.完整解读TOP5刊的"什么时候和如何对标准误做聚类调整?" 4位计量大佬的合作！

一些讨论，1.七大常见计量问题讨论汇总, 涉及控制,异质,机制,DID,DDD,调节,固定,平行,安慰等，2.关于双重差分DID政策评估中的控制变量选取标准？3.在平行趋势检验中对政策前后系列年份进行缩尾处理？4.使用异方差稳健而不是聚类稳健标准误, 在固定效应模型中能接受吗？5.平行趋势通不过, 该采取什么方法来更好地满足平行趋势呢？6.QA: 基尼太美, 农业数据, 机制检验, 组间差异, 博士论文创新, 控制函数, FM回归 7.审稿人: 你2SLS-IV回归中为啥R方是负数呢？

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。