羊群效应的LSV模型
我国证券投资基金羊群行为的实证研究1
祁斌1 袁克2胡倩3 周春生4
（1.中国证监会，北京 100032； 2.招商银行上海分行，上海 200120；3.海通证券股份有限公司，上海 200001；4.北京大学光华管理学院，北京 100871）
摘要：国外的研究显示，发达国家市场机构投资者的羊群行为并不十分明显。作为新兴市场主体的中国机构投资者在这方面的行为特征如何呢？本文使用经典的LSV方法以及Wermers的扩展方法，对我国金融市场上以证券投资基金为代表的机构投资者交易行为进行了实证研究。结果发现，我国证券投资基金之间具有较明显的羊群行为，并具有以下特点：同时使用正负反馈操作策略；在流通盘较大和较小的股票上的羊群行为显著；成长型基金的羊群行为显著等。针对这些发现，笔者探究了羊群行为产生的原因，并提出了一些避免过度羊群行为的措施。
关键词：证券投资基金；交易行为；羊群行为；市场监管
作者简介：祁斌，中国证监会研究中心主任。袁克，博士，招商银行上海分行高级研究员。胡倩，博士，海通证券股份有限公司高级研究员。周春生，北京大学光华管理学院教授。
中图分类号：F830.39文献标识码：A
Abstract: The existing studies suggest that herding among institutional investors in the developed markets is not very significant. Do Chinese institutional investors herd? To answer this interesting question, we follow the approach of Laknoishok, Shleifer, and Vishny(1992) and Wermers(1999) to estimate the degree of herding among China’s mutual funds. Our results suggest that herding among China’s mutual funds do exist. Moreover, we find that China’s mutual funds use both positive and negative feedback trading strategies, and that herding in the smallest and largest stocks is more intense, and that growth funds are more likely to herd.
研究背景及问题的提出
金融市场经常表现出基本经济变量无法解释的过渡波动和脆弱性、股票收益分布的厚尾特性、广泛采用反向投资策略和正反馈交易策略等特点。有人将上述现象归结为投资者的羊群行为。这里所说的“羊群行为”，是指在股票市场上，由于信息不充分或投资人的非理性所导致的部分投资者跟随其他投资者盲目购入或抛售股票的行为，其结果是投资决策的趋同化。
对于股票市场羊群行为的实证研究基本是沿着两条线索进行的。一条线索是以整个股票市场为研究对象，通过对股票收益分散度等指标的回归分析来判断整个市场是否存在羊群行为。例如，使用CH法、CCK法、DL法对市场羊群行为进行回归检验。另一条线索是以个体投资者为研究对象，通过研究在股票市场投资者的一个子集（比如说某一部分的机构投资者）中间处于单边市场中的投资者比例来判断是否存在羊群行为。例如，Lakonishok，Shleifer和Virshy（1992）对美国789家养老金的行为进行检验并未发现明显的羊群行为[11]；Grinblatt，Titman 和Wermers（1995）发现共同基金的羊群行为并不显著[9]；而Wermers（1999）的
研究则表明共同基金的羊群行为很微弱[12]。
如果说以美国为代表的发达国家市场的羊群行为并不明显，那么在新兴的中
国市场上投资者是否存在羊群行为呢？对于这一问题，国内外的研究并不多见。
这一问题的重要性时显而易见的，因为回答它能帮助我们更进一步了解中国机构
投资者的投资策略，同时也帮助我们更好理解中国股市的价格波动特征。
在战后发达市场的演进过程中，机构投资者，特别是证券投资基金的出现和
崛起成为一个非常显著的特征。目前，在大多数发达市场中，机构投资者的力量
已经超过市场的半数以上，因此，研究机构投资者在市场中的交易行为特征，包
括羊群行为等，对于研究市场的稳定性有着重要的意义。从理论上来说，一方面，
基金因为其专业投资的运作方式和相对理性的投资理念在客观上能够起到稳定
市场的作用；另一方面，由于在信息获取的渠道、研究方法、投资理念等方面的
高度一致也有可能使得证券投资基金，尤其是其中的某一个子集，例如，大盘成
长型基金等，在投资行为上表现出一定的雷同性，甚至过度的羊群行为。因此，
对机构投资者的羊群行为的检验，观察其对于市场稳定性的影响，不仅可以作为
一个证券市场及其机构投资者发育和成熟程度的测度之一，也可能成为对我国证
券市场稳定性作出判断的一个量化指标。我国证券投资基金经过几年的发展，已
经成为一支重要的市场力量，其在交易方面是否存在一定的羊群行为？如果有，
程度如何？原因为何？应从哪些方面去引导和改善？等等。国内学者对此问题虽
做过一些研究2，但系统的定量分析研究还比较缺乏。为此，有必要对中国的证
券投资基金之间的羊群行为进行全面系统的实证检验。
羊群行为的实证检验方法
一、羊群行为检验方法概述
在针对机构投资者羊群行为进行检验的文献中，Lakonishok ，Shleifer 和
Vishny （1992）的一篇经典论文，他们应用处于单边市场中投资者的比例检验了
在美国免税股票基金经理之间是否存在羊群行为。在此基础上，Wermers （1994）
在研究美国股市共同基金交易方式的规律性时，对羊群行为衡量指标做了一些修
改，和扩展，将其划分为买方羊群指标和卖方羊群指标，这样便可以考察基金在
买卖股票时不同的羊群行为。3
Lakonishok ，Shleifer 和Vishny （1992）提出的检验羊群行为的经典方法（LSV
方法）可以测度出基金经理对于每一时期末的每只股票在市场同一方向交易相对
于独立交易的偏离程度。具体来说，对于每一个时期，他们定义羊群行为程度衡
量指标为t i HM ,，且有：
[]AF p E p HM t i t i t i --=,,, （1）
其中，
t i p ,为基金经理中在给定时期t 净买入股票i 的比例，即t i t i t i t i S B B p ,,,,+=；t i B ,为在给定时期t 净买入股票i 的基金数；t i S ,为在给定时期t 净
卖出股票i 基金数。
对于[]t i p E ,（即t i p ,的期望值），Lakonishok ，Shleifer 和Vishny （1992）用
t p 来近似代替，即所有股票的t i p ,在给定时期t 的算术平均值。其中，
,,,1,,11
it
i t i t i N i t i t i N i N i t i t i i B p B S =======+∑
∑
∑。
AF
为调整因子，加上它的原因是考虑到在基金买卖股票行为相互独立（即
不存在羊群行为）的零假定下，[]t i t i p E p ,,-可能并不为零，即t i p ,有可能偏离其期望值。其经济意义在于，当基金经理出于某种原因，如股票业绩提升（或下降）
或市场整体向好（或恶化）等，而共同买入（或卖出）股票时，这种相互独立的
行为也可能造成i,t p 与,[]i t E p 的偏离。定义：
[]t t i t i t i p p E p E p E AF -=-=,,, （2）
即AF 为[]t i t i p E p ,,-在不存在羊群行为条件下的期望值。如果假定基金经理
之间不存在羊群行为，则意味着基金经理之间的投资决定相互独立。若有
t i t i t i S B N ,,,+=，则可以假定()t t i t i p N B B ,~,,，即t i B ,服从参数为t t i p N ,,的二项式
分布。这就意味着t i B ,等于k 的概率为{}()k n t k t k n t
i t i k i p p C k B P --==,,1,，将其代入t t i p p E -,就容易求出AF 。当t i N ,很大时，AF 将接近于0，这是因为当积极的
交易者数量增加时，t i p ,将趋近于t p 。 如果计算得出N HM t i =,，这意味着在时期t 对于股票i ，处于单边市场中的
基金数量（即都在买或都在卖股票i 的基金数量）要比预期数量多N （N 为一个
百分数），N 值越高说明基金间的羊群行为程度越严重。而要计算整体市场所
有基金的羊群行为程度，则将所有股票-时期样本（即所有时期和所有股票）的
t i HM ,取算术平均值即可，记作：∑∑∑∑=====M t N i t i N i M
t t
i t
i n
HM HM 11
,11,,。同样，HM 取值越大，说明基金间的羊群行为越严重。
在LSV 提出的t i HM ,的基础上，Wermers （1999）提出了另外两个指标：买方
羊群行为指标t i BHM
,和卖方羊群行为指标t i SHM ,。根据Wermers 的定义，有： ,,,,,,i t t i t i t i t i t i t p p p E p B H M H M H M >??>??== （3）
,,,,,[],i t i t i t t i t i t p E p i t p p S H M H M
H M <<== （4） 即t i BHM
,计算的是那些在t 时期买入股票i 的比例（即t i p ,）大于其平均值（即t p ）的股票-时期样本。t i SHM
,计算的是那些在t 时期买入股票i 的比例（即t i p ,）小于其平均值（即t p ）的股票-时期样本。 同样，也可计算出t i BHM ,和t
i SHM ,的算术平均值BHM 和SHM ，比较BHM 和SHM 的大小，则可反映出基金经理在买入股票时和卖出股票时羊群行为的严
重程度。
值得注意的是，上述方法在度量羊群行为程度时可能会出现一些问题。首先，
在应用t i HM ,（或t i BHM ,和t i SHM ,）评价基金间的羊群行为时，如果在同一时期
股票i 的数目太少，则可能造成t i HM ,的估计误差过大。原因在于同一时期的股票数量太少会使得t p 与[]t i p E ,相差很大，因此再用t p 作为[]t i p E ,的近似替代将不
尽合理。其次，上述方法在评价羊群行为程度时，采用的数据是买卖双方的机构
数量，而未考虑股票交易的数额。再次，在选择时间间隔t 上存在困难。当机构
投资者交易某只股票的时间间隔超过研究使用的最小时间段（如季度或半年）时，
则研究使用的数据能够反映投资者的羊群行为；否则将无法侦测到最小时间段以
内的羊群行为。最后，由于缺乏关于机构投资者的微观信息，如其详细持股信息、
投资策略、交易情况、信息传递机制等，因此很难对其羊群行为进行准确详细的
检验。
二、数据
本文采用的原始数据均来自公开披露的所有证券投资基金的半年度投资报
告，数据采样期间为1998年上半年到2005年上半年共15期。我们这里选用半年度
数据而未选用LSV-Wermers 方法使用的季度数据，主要由于我国基金季度信息披
露仅公布重仓股投资组合数据，披露数据量太少，其结论在统计意义上具有较大
的局限性；而半年度数据涵盖基金所有的持股情况，统计上的意义较为明显。
考虑到上述LSV-Wermers 方法可能存在的问题以及所采用数据时间段的不
同，我们对于原始数据做了如下处理：
1.将本期（半）年报中基金持有股票的持有额与上一期（半）年报公布中同
一股票的持有额进行比较（除去由于转增、送股等因素所导致的股票持有额的变
化，但对增发未作处理），若持有数量比上期增加，则视为该基金在时期t 对股票
i 为买进；反之则为卖出。
2.对于参与买卖的基金数量太少的样本数据，本文做了删除处理，即如果在
时期t 对于股票i ，能够确定参与买卖的基金数量若少于5家（不包括5家），笔者
则删掉该样本。通过上述处理，笔者发现1998年和1999年的样本记录基本被剔除，
这两年所剩数据样本太少，已经失去统计意义。因此，为了不影响统计的有效性，
笔者将1998年和1999年两年的数据全部剔除。最终笔者研究的数据样本区间确定
为2000年上半年至2005年上半年共11个时段。
3.在数据中，有一些交易量非常小的买卖通常并非羊群行为，而极可能是出
于投资组合的目的进行的交易行为。对于这种情况，笔者也进行了技术处理。具
体来说，对于本期持股变动量所占该股流通盘小于0.0001（即0.01%）的样本记
录进行了剔除。例如，对于一只流通盘为1亿股的股票，如果持股变动量不足10000
股（0.01%），笔者便认为这种交易更可能是一种噪声交易，不作为羊群行为处理。
4.对于各期中新发行股票的处理是个两难的问题。由于半年的时间跨度较
长，如果将这些数据全部剔除，那么证券投资基金对各期期初上市的股票在随后
时段的羊群行为将会被忽略，造成羊群行为的低估；如果不剔除这些数据，那么
基金对在期末上市的股票非羊群行为的普遍申购，也会被误视作是羊群行为，造
成羊群行为的高估。为此，我们采用了一种折衷的方法，剔除在距各期末2个月
内发行的股票数据，即在5月1日-6月30日和11月1日-12月31日发行的股票样本数
据。
实证检验结果
一、我国基金的羊群行为显著
图1比较了实际羊群指标与模拟羊群指标（t i HM ,和*,i t H M ）的分布情况。在
计算模拟羊群指标中，笔者假定每个基金在每个时期买卖股票的行为是相互独立
的，并对每个时期的股票记录进行了10次模拟。最后得到的模拟分布的直方图是
10次模拟结果总体的分布情况。通过实际分布（图1（a ））与模拟分布（图1（b ））
的比较，笔者发现t i HM ,的分布具有两个特征：首先，t i HM ,的分布的右侧厚尾
特征明显比*,i t H M 严重，表明相对于独立随机决策而言，实际基金的行为具有较
强的羊群特征；其次，与*,i t H M 相比，t i HM ,的分布的均值大于中位数的程度较
大，这意味着基金在少数股票上的羊群行为特别严重。笔者研究发现的我国基金
羊群行为的上述两个特征与Lakonishok ，Shleifer 和Vishny （1992）以及Wermers
（1999）的研究结果相一致。
图1 t i HM ,指标的实际分布特征和模拟分布特征
（a ）实际分布特征
样
本
数
51015202530350
H M
（b ）模拟分布特征 25 50
501015202530350 样本数 H M * 表1给出了羊群行为整体检验的结果。HM 为8.1（其实应为8.1%，本文统一将百分号去掉），这意味着如果有100家基金在交易股票，与这些基金交易行为相互独立（即不存在羊群行为）相比，处于单边市场（即卖方或买方）中的基金数目要多出8.1只，这表明在中国股票市场的投资基金之间确实存在较为明显的羊群行为。此外，检验结果显示BHM 略大于SHM ，表明对于中国股票市场的证券投资基金，一定程度上在买入股票时的羊群行为要强于卖出股票时的羊群行为。 表1 中国股票市场证券投资基金羊群行为的整体检验与阶段检验 2000
年
上半
年 2000年下半年 2001年上半年 2001年下半年 2002年上半年 2002年下半年 2003年上半年 2003年下半年 2004年上半年 2004年 下半年 2005年 上半年 所有段整
（59）（135）（184）（213）（600）（660）（432）（285）（449）(318) (296) （363
3.8 （38）
22.3
（64）
17.5
（74）
6.9
（113）
2.0
（344）
12.3
（303）
17.5
（177）
9.4
（149）
2.7
（234）
5.2
(171)
6.1
(157)
8.
(182
12.5 20.2 8.9 8.8 8.8 6.4 6.5 9.9 4.4 7.6 8.9 8.
一般来说，对于机构投资者而言，股票市场监管体系和信息披露水平越高、
机构投资者越成熟和理性、公司治理结构越完善，则其羊群行为倾向会越低。美
国股市作为世界上最发达的市场之一，在这些方面都要明显优于中国股市，表2
对美国与中国机构投资者羊群行为现象进行了比较。
考虑到不同方法得出的检验结果之间不具有可比性，因此本文只选取应用
LSV-Wermers方法对美国股市作出检验的文献与本文检验结果进行比较。结果显
示，美国市场机构投资者的HM值处于2.5-3.4之间，而中国市场机构投资者的
HM高达8.1，表明中国股市机构投资者之间的羊群行为程度要比美国股市明显
得多。
分析中美两国基金羊群行为的差别需要考虑多种因素。美国基金业的羊群行
为不显著，首先是由于其市场发展的过程中，机构投资者得风格逐渐分化，形成
了大盘成长股基金、大盘价值股基金、中盘成长股基金、中盘成长型基金、小盘
成长股基金、小盘价值股基金等各种细分的基金种类，其风格的差异和取向的不
同使得其整体的投资趋同现象较弱。而中国的基金业，开放式基金的出现不过4
年的时间，成长、价值、大盘股、中盘股和小盘股基金等不同风格和种类的分化
也在非常初级的阶段，在很多情况下，基金风格的分化并不十分明显；其次，美
国股市的深度和广度也有助于减低投资行为的趋同性。作为全世界规模最大、流
动性最好和行业分布最多元化的股票市场，机构投资者对于投资标的有丰富的选
择；而中国股票市场由于历史原因等因素，很多股票在近年的市场调整和价值分
化中逐渐丧失投资价值，使得大部分基金集中持有其中的一百多只股票，投资标
的严重同质化，加剧了其在投资行为上的羊群倾向；再次，美国基金业的发展历
史较长，无论是从基金的数量来说，还是从选取数据的时间段或数据点来说，都
远远大于中国的基金市场，而中国基金行业随着时间的推移、市场的发展和行业
规模的扩大，目前表现出来的较高的羊群行为会逐步得到改善。因此两者之间没
有很大的可比性。
表2 机构投资者羊群行为国际比较——LSV-Wermers方法
国
别
样本期间检验结果来源检验对象HM值结论
美国1985－1989
Lakonishok，
Shleifer和
Vishny（1992）
769家免税股
票基金。 2.7
美国股市投资基
金间羊群行为不
显著。
1974－1984
Grinblatt，
Titman和
Wermers（1995）
274家共同基
金。 2.5
1975－1994 Wermers（1999）所有共同基 3.4
年为2424家）。
中国
2000年上半
年－2005年
上半年
本文
市场所有封
闭式基金和
股票型、混合
型开放式基
金。（截至于
2005年上半
年为147只）
8.1
中国股市投资基
金间羊群行为较
显著。
笔者在后文的分析中还会对我国基金较高的羊群行为作出进一步的解释。
二、基金同时使用正负反馈策略
在这里笔者将按照股票历史收益率分类，研究基金在不同历史收益率的股票
上的羊群行为，以便考察基金整体上是否采用通常的反馈策略。国外的研究发现，基金确实使用反馈策略。例如，Grinblatt，Titman和Wermers（1995）的研究发现，共同基金广泛采用正反馈的交易策略。Lakonishok，Shleifer和Vishny （1992）和Wermers（1999）的研究也发现，基金可能出于采用“粉饰门面”（window-dressing）的策略而进行卖出历史业绩较差的股票（selling past losers），从而产生羊群行为。本文中，笔者也试图考察中国的证券投资基金是否由于采用某种反馈策略，而形成羊群行为。
笔者将样本池中所有新股发行的数据剔除，以保证所有股票前期都有收益率。剔除后的样本记录总数为3453条。笔者将股票前期收益率由低到高划分为6个等级：R1-R6。表3的检验结果显示，对这六个等级的股票，在投资基金间均存在较明显的羊群行为。
从BHM指标来看，它随着股票历史收益率的上升而上升，即在历史收益率较高的股票上，基金具有明显的买方羊群行为。这说明基金在购买股票时更多采取的是正反馈的交易策略，即购买历史业绩较好的股票（buying past winners）。
从SHM指标来看，基金对历史收益率不同的股票的羊群行为差别不大，基金在历史收益率较低（收益率为R1-R3）和较高（收益率为R6）的股票上都具有程度较强的卖方羊群行为。但总体来看，基金对历史收益率较低的股票的羊群行为更显著。这表明尽管基金在交易股票时采用正反馈和负反馈两种策略，但仍以正反馈交易策略为主，即卖出历史业绩较差的股票。
表3 按股票历史收益率分类检验中国股票市场证券投资基金的羊群行为R1 R2 R3 R4 R5 R6
HM
6.8
（335）
7.1
（746）
6.4
（950）
6.6
（861）
8.4
（358）
11.7
（203）
BHM
3.2
（117）
6.7
（361）
3.9
（413）
6.4
（443）
9.6
（226）
13.4
（134）
SHM
8.6
（218）
7.6
（385）
8.3
（537）
6.8
（418）
6.5
（132）
8.3
（69）
注：R1-R6对应的收益率（百分比）区间为：（-∞，-30]，（-30，-15]，（-15，0]，（0，+15]，（+15，+30]，（+30，+∞）。
笔者的研究结论与国外Lakonishok，Shleifer和Vishny（1992）和Wermers （1999）以及国内的袁克，陈浩（2003）研究结果基本相同，上述研究均发现基金在交易股票时明显采用正反馈交易策略。但本文的研究还有新的发现，一是基金在买入股票时的正反馈策略比卖出股票时更加明显；二是基金在以正反馈策略买卖股票的同时，仍在卖出股票时采用一定的负反馈操作策略。
三、羊群行为与股票流通规模具有负相关关系
笔者将股票按流通盘大小划分为五类，CV1-CV5，以此来考察2000年至2005年间基金在不同规模股票间的羊群行为。总体而言，基金在各个规模股票间的羊
群行为均较为明显，HM最小值为7.1，最高达到了10.5。笔者发现，基金羊群行为与流通规模呈明显的“U”型关系（图2中hm1曲线），即基金在最小规模和最大规模股票上的羊群倾向最为显著，而在中等规模的股票上羊群行为最小。这一现象的原因在于，一方面，我国小盘股由于其成长性颇受基金青睐，成为了基金追捧的对象，显示了我国基金的“成长型”特征较“价值型”特征明显；另一方面，大盘股由于良好的流动性，客观上较为适合基金等机构资金的介入，同时由于在笔者所研究的时段里大盘股股价相对较低，成为了一种相对来说低风险的投资品种，因此也进入了许多基金的投资组合。
使用相同的方法，笔者对这一时段的一个子区间，即2002年至2003年的数据
样本进行了研究（图2中hm2曲线），发现基金在大盘股上与小盘股的HM值大致相同，并且“U”型关系更为明显。一个可能的解释是，从2002年开始，大盘蓝筹股的概念开始形成并得到基金的广泛认同，由此形成了基金对大盘股的较为一致的投资行为，基金也普遍因此获得了较好的收益。但随着有较强分析能力和专业技能的基金进入大盘股板块，该板块的市场有效性迅速提高，价格发现基本完成，投资价值逐渐降低，进入2004年以后，基金在大盘股上一致性的投资行为也开始弱化。
图2 我国基金羊群行为与股票流通盘规模之间的“U”型关系
从买入和卖出羊群行为来看（表4），除了股本在5000万到1亿区间的股票，基金在其他规模股票上的买入羊群均明显大于卖出羊群，表明按流通规模划分，基金买入行为的一致性同样明显的大于卖出行为。
笔者发现，买入羊群同样具备“两极”特点。基金在买入股票时，容易追捧小盘股，同时也都有购入大盘股的倾向，而对中等流通盘的票的投资行为差异较大。
从卖出羊群行为来看，基金卖出羊群的“小盘”特征最为明显。与买入羊群不同，基金在小盘股上表现出的羊群倾向最明显。其原因在于，基金作为具备一定资金规模的机构投资者，其抛售行为很容易对小盘股的价格产生较大的冲击；而小盘股买入羊群又较为明显，表明有较多基金买入了小盘股。因此，一旦某只基金开始抛售，机构间的博弈势必使得没有基金愿意成为最后的守仓者，从而表现为竞相抛售，卖出羊群显著。
表4 按股票流通规模分类检验中国股票市场证券投资基金的羊群行为CV1 CV2 CV3 CV4 CV5
HM
10.5
（437）
7.9
（1081）
7.1
（681）
7.7
（756）
8.4
（676）
BHM
11.6
（169）
6.7
（508）
7.6
（334）
7.9
（418）
9.7
（395）
SHM
9.8 9.0 6.5 7.4 6.5 10000万≤P<15000万；15000万≤P<25000万；25000万以上。
四、成长型基金羊群行为显著
笔者将股票型基金的投资风格划分为三类：成长型、价值型和混合型（成长价值型）。笔者分类的依据是基金契约对该基金投资风格的描述。
根据前文中对数据样本的筛选原则，笔者共获得有效的样本数据3048条：其中涉及成长型基金交易的有效股票样本数据2418条；涉及价值型基金交易的有效股票样本数据138条；涉及混合型基金交易的有效股票样本数据492条。其中价值型和混合型基金交易股票的有效样本数据相对较少，这与这两类基金出现时期较晚有关。筛选后的成长型基金交易股票的有效样本覆盖了所有的11个研究时段；而价值型基金只涉及2003年后的5个时段；混合型基金只涉及2002年下半年后的6个时段。
笔者的检验结果发现，不同风格基金的羊群行为存在着明显的差异。成长型基金的羊群行为比较明显；混合型基金的羊群行为程度较弱；价值型基金几乎不存在羊群行为。当然，由于价值型基金和混合型基金的样本量较少，这一结论的有效性值得继续的关注和检验。从买方羊群和卖方羊群表现来看，成长型基金的买方和卖方羊群行为基本相同；混合型基金的卖方羊群行为强于买方羊群行为；价值型基金的投资行为没有明显的羊群行为。
表5 按基金风格分类检验中国股票市场证券投资基金羊群行为
2000年上半年2000年
下半年
2001年
上半年
2001年
下半年
2002年
上半年
2002年
下半年
2003年
上半年
2003年
下半年
2004年
上半年
2004年
下半年
2005年
上半年
所有时
段整体
HM 成
长
型
7.6
（41）
22.0
（109）
11.9
（151）
7.6
（197）
5.5
（455）
8.7
（479）
13.5
（288）
12.6
（177）
8.0
（224）
4.7
（151）
3.6
（146）
9.0
（2418）价
值
型
- - - - - -
-4.3
（10）
4.0
（33）
5.8
(48)
1.2
（21）
2.5
（26）
3.3
（138）混
合
型
- - - - -
1.7
（78）
6.7
（87）
6.3
（72）
5.9
(118)
0.3
(63)
3.7
(74)
4.4
(492)
BHM 成
长
型
2.6
（30）
23.2
（52）
19.2
（57）
6.9
（103）
3.2
（249）
11.2
（223）
21.0
（116）
11.3
（96）
4.8
（133）
2.5
（86）
2.8
（74）
9.0
（1310）价
值
型
- - - - - -
-1.9
（4）
4.6
（16）
6.1
(23)
-0.9
(12)
0.8
（14）
3.0
（69）混
合
型
- - - - -
-0.6
（47）
6.0
（46）
3.7
（41）
4.2
(64)
1.4
(30)
3.0
(38)
3.1
(260)
SHM 成
长
21.4
（11）
21.0
（57）
7.6
（94）
8.3
（94）
8.2
（206）
6.5
（256）
8.4
（172）
14.2
（81）
12.7
（91）
7.7
（65）
4.5
（72）
9.0
（1108）
10
值型- - - - - -
-5.9
（6）
3.4
（17）
(25) (9) （12）
3.6
（69）
混
合型- - - - -
5.2
（31）
7.5
（41）
9.7
（31）
7.9
(54)
-0.7
(33)
4.4
(36)
5.9
(232)
11
结论及建议
一、主要研究结论
应用LSV-Wermers方法，本文研究了2000年-2005上半年中国股票市场以投资基金为代表的机构投资者之间的羊群行为，并进一步探讨了羊群行为对于市场的影响，发现：
1.整体来看，中国投资基金间存在显著的羊群行为，并且投资基金在买入股票时的羊群行为要强于卖出股票时的羊群行为。国际比较研究发现，我国机构投资者（证券投资基金）之间的羊群行为要比美国股市机构投资者严重得多。当然，这与两国市场发育程度、基金行业的投资风格演化程度以及股票市场的深度等因素有关。
2.基金在交易股票时明显采用正反馈交易策略，即买入历史收益较高的股票和卖出历史收益较差的股票。特别值得一提的是，基金在买入股票时的正反馈策略比卖出股票时更加明显，而且卖出股票时在一定程度的还会采用负反馈操作策略。
3.基金在各个规模股票上均表现出一定的羊群行为，基金羊群行为与股票流通规模呈明显的“U”型关系，即基金在最小规模和最大规模股票上的羊群倾向最为显著。从买入和卖出羊群行为来看，基金买入羊群一般明显大于卖出羊群，表明基金买入行为的一致性同样明显大于卖出行为。
4.不同风格基金的羊群行为存在着明显的差异。成长型基金的羊群行为相对比较明显，混合型基金的羊群行为较弱，而价值型基金几乎不存在羊群行为。当然，混合型和价值型基金的样本数量较少，结论的有效性需要继续检验。
由于我国股票市场和基金行业的发展历史较短，数据量不足，市场的缺陷也较多，因此，应用LSV-Wermers方法计算基金的羊群行为，可能并不能完全反映实际情况，但仍然可以作为很好的参考数据。上述研究结果与笔者对市场的直观判断有较高的一致性。
二、我国基金羊群行为产生的原因分析
国外的研究表明，基金羊群行为的产生主要有以下几方面原因：一是投资者通常拥有相同的股票集或相同的信息源。Froot，Scharfstein和Stein（1992）的研究发现，在理性投资者存在短视的情况下，会发生信息收集过程中的羊群行为[7]。而Hirshleifer，Subrahmanyan和Titman（1994）的研究认为，只要投资者是序列收到信息，无论其短视与否，都会发生羊群行为。二是投资偏好或投资风格会引起羊群行为[10]。Falkenstein（1996），Del Guercio（1996）以及Gompers 和Mertric（2001）研究发现，投资者可能对于股票的属性有某些相同的偏好，如流动性、风险和规模等，因此他们在相同属性的股票上可能存在羊群行为[5]。Friedman（1984），Dreman（1979）研究认为，羊群行为可能是某种“时尚”的结果，或者是由于正反馈的投资者以某种“风格”投资，并追求相应的风格回报。三是不完全理性投资者所采取的策略造成了羊群行为[6]。Delong et al.（1990b）的研究表明，当市场存在正反馈策略投资者时，理性套利者的最优投资策略不是去抵消这些投资的需求，而是加入到正反馈策略投资者的羊群中去[3]。Lakonishok，Shleifer和Vishny（1992）[11]以及Grinblatt，Titman和Wermers （1995）也证实了动量交易策略被广泛采用并导致羊群行为[9]。
由于我国证券市场相对不成熟，我国证券投资基金羊群行为产生的原因更加
复杂，归纳起来主要有以下几个方面：
1.理念上的高度一致性导致投资标的和投资风格的趋同
从我国基金业的实际情况出发，在2000年以前，全部为封闭式，虽然试图建立起依托于基本面研究的组合投资等现代投资方法，但从理念到操作手法都很难与当时尚在市场占主导地位的坐庄、拉抬股价等不规范做法区分开来。到2000年的基金黑幕事件是这一阶段基金业乃至证券市场的很多矛盾的集中爆发。2000年，中国证监会推动的资本市场改革开始启动，2001年我国第一只开放式基金华安创新顺利推出，2002年中国证监会推动了基金审核机制的市场化改革，至此，基金业开始走上规范运作和大规模发展的道路。在市场化和国际化的力量推动下，基金业开始逐步建立起以上市公司基本面研究为基础的真正意义上的现代投资理念。
从2002年开始，认识到大型国有企业在中国经济中的领导地位和垄断优势，大盘蓝筹股票的概念开始形成，这一理念逐步在基金行业达到高度一致。这可以部分解释在这一阶段基金行业较高的羊群行为。同时，这些大盘蓝筹股票的稀缺，更加使得基金公司在择时和择股的选择上趋于一致。从2002年开始的市场持续下跌和因此带来的股票发行困难，进一步加剧这一趋势。
基金投资理念的一致性客观上造成了基金投资风格的趋同。近年来，在市场竞争的要求下，我国基金业逐步发展了各种不同风格的基金，包括价值型、成长性、混合型等，但是，由于上述原因，尽管在各个基金有风格迥异的投资契约，在实际操作中，基金在“遵守契约而不追踪当前流行的投资理念”以及“不遵守契约而追踪当前流行的投资理念”之间的权衡中，往往会选择后者。例如，在2003年价值投资理念盛行的时候，某些小盘成长型基金的投资组合也以大盘蓝筹股为主。晨星公司的一项研究表明4（图3），截止到2004年底，我国大部分基金尽管其名称各有不同，按照其持股特点分析，实际上都是大盘基金。当然，随着股票市场的不断发展完善，基金的投资标的将会越来越丰富，基金投资理念也将逐渐分化。
2.新基金的发行和对现有基金的模仿加强了基金的羊群行为
在过去几年基金的快速发展过程中，新的基金不断发行。新基金对于已有基金的模仿也是基金羊群行为的一个形成原因。作为一个新发行的基金，面对现有基金的风格趋同的投资风格，面临着两个选择，或者选择模仿当下流行的投资风格，或者选择走自己的路。模仿是一个相对比较容易的选择，而采取与群体不同
的投资行为意味着基金经理需要冒一定的风险，因为如果投资风格与众不同而效果又不好的话，基金经理更容易受到责备，而投资者也更容易失去耐心而撤出资金。因此，新加入市场的基金会倾向于仿效现有基金的投资策略，新资金的加入会进一步推动既有投资对象的价格上升，使得投资于这些基金的业绩表现良好，而这一过程反过来又似乎印证了基金羊群行为的正确性，形成了一种正反馈的效应。
在包括我国市场在内的新兴市场，一般来说，基金的持续营销能力比较差。同时，投资者长期投资的理念尚未确立，对市场的信心也比较弱，所以，对基金进行波段式操作也不可避免。因此，不论是基金公司，还是行业整体，依靠新基金的不断发行扩大基金市场的规模，在相当长的一段时期内都是一个较为普遍的现象。在上述自我加强的机制的影响下，市场中不断发行的新基金加强了我国基金的羊群行为。
3.我国基金的羊群行为也与我国基金评价方法缺乏科学性有一定关系
目前，我国基金行业对基金的评价通过对基金业绩进行排名实现的，目前的评价方法存在着诸多问题，缺乏科学性。
首先，评价周期相对较短，最短的有一周净值排名，而对基金或基金经理的科学的评价需要有较长的时间，例如，在成熟市场对基金业绩的考察，除了当年的回报，更多地要考虑三年、五年、十年，甚至更长时间段内基金的表现，这种考核方法更容易将一个基金经理在市场周期不同阶段的择股、择时以及风险管理的能力全面地评估出来。在我国，市场发展尚在早期，基金的历史也相对短暂，基金的评价体系需要一个发展过程。由于评价体系直接影响基金的销售和基金经理的考评，所以，目前评价体系过于短期化的现象使得基金经理趋于相互模仿，无法坚持自己独特的风格和理念，客观上加强了羊群行为，也不利于不同的基金风格的演化。
其次，目前基金评价体系的不科学性还表现在只是将基金的绝对收益作简单排名，而没有重视其与比较基准相比的相对业绩，因此，一些相对于其业绩标准表现良好的基金却可能因为绝对收益不高而在基金排行榜上名落孙山。尽管证券市场投资者的不成熟使得绝对收益成为基金最为重要的衡量指标，但是，从理论上讲，相对业绩是真正能对基金投资管理水平进行评价的客观标准，当然，从绝对收益过渡到相对收益要有赖于市场的逐步成熟，包括大型机构投资者的进一步发展（大型机构投资者如社保基金、养老基金等的资产配置要求客观上会推动基金更加重视超越基准的相对收益）。因此，现有评价体系过度强调绝对业绩的做法也加强了基金风格趋同的倾向。
三、几点建议
从某种程度上来说，基金的羊群行为并不只是基金业的问题，它反映了我国证券市场整体上存在的问题，包括一些基础性和结构性的问题，这些问题多多少少造就或强化了基金的羊群行为。如前所述，过度的羊群行为不仅影响基金行业的发展，也会对证券市场整体的稳定性产生巨大的影响，因此，证券市场上包括基金在内的机构投资者的羊群行为应该成为市场监管者关注一个重要内容。我们建议，未来的研究可以尝试观察新兴和成熟市场上市场危机与危机前市场主要机构投资者羊群行为之间的关联性，并建立起对于市场机构投资者的羊群行为的实时观察体系，作为监控市场和防止市场危机的一个预警指标。
降低基金羊群行为，首先需要逐渐强化基金对于基金契约遵守情况的约束，这需要从强化监管和提高基金的上游——机构投资者的管理水平两个方面入手；
其次，推动和鼓励建立客观、公平、科学的基金评价体系，也将有助于羊群行为的降低和基金风格的形成；同时，基金业投资的外部环境的改善，也是降低基金羊群行为的必要条件，这包括推行证券发行制度的市场化改革以丰富投资标的和品种，以及积极发展金融衍生品市场以提供更多的可供选择的投资工具，等等。这些措施有望在未来的中国证券市场得到实施，使得中国证券市场和基金业能够尽快发展和成熟起来。
注释
1作者感谢林晓征（中国证监会）、黄晓萍（晨星基金评级公司）、金晓斌（海通证券股份有限公司）等在本文写作过程中给予的建议和帮助。
2如施东晖（2001）；宋军，吴冲锋（2001）和袁克，陈浩（2003）。
3我们将Lakonishok，Shleifer和Vishny（1992）和Wermers（1999）提出的方法统称为
LSV-Wermers方法。
4晨星中国于2004年10月中旬公布了晨星中国投资风格箱方法，将晨星公司多年来分析基
金投资组合的旗舰工具之一的晨星投资风格箱（Morningstar Style Box）引入中国市场。
参考文献：
[1] Bikhchandani,s.and Sharma.S.,2000, “Herd Behavior in Financial Markets:A review ”. Working Paper of IMF (WP/00/48). pp.14-27.
[2] Del Guercio, D., 1996, “The Distorting Effect of the Prudent-man Laws on Institutional Equity Investment,” Journal of Financial Economics, 40, 31-62.
[3] DeLong, J. Bradford, Andrei Schleifer, Lawrence H. Summers, and Robert Waldman,1990, “Positive Feedback Investment Strategies and Destabilizing Rational Speculation”, Journal of Finance, Vol.45, pp. 379-95.
[4] Dreman, D., 1979, “Contrarian Investment Strategy: The Psychology of Stock Market Success,” Random House, N.Y.
[5] Falkenstein, E.G., 1996, “Preferences for Stock Characteristics as Revealed by Mutual Fund Portfolio Holdings,”Journal of Finance, 51,111-135.
[6] Friedman, B.M., 1984, “A Comment: Stock Prices and Social Dynamics,” Brookings Papers on Economic Activity, 2, 504-508.
[7] Froot, Kenneth A., David S. Scharfstein and Jeremy C. Stein, 1992,“Herd on the street: Informational inefficiencies in a market with short-term speculation”, Journal of Finance，47,no.4, 1461-1484.
[8] Gompers, P. and A. Metrick, 2001, “Institutional Investors and Equity Prices,”Quarterly Journal of Economics, 116, 229-260.
[9] Grinblatt, Mark, Sheridan Titman, and Russ Wermers, 1995, “Momentum Investment Strategies, Portfolio Performance, and Herding: A Study of Mutual Fund Behavior” American Economic Review 85, 1088-1105.
[10] Hirshleifer, David, Avanidhar Subrahmanyam and Sheridan Titman, 1994,“Security analysis and trading patterns when some investors receive information before others”, The Journal of Finance49, no. 5,1665-1698.
[11] Lakonishok Josef, Andrei Shleifer and Robert W. Vishny,1992，“The impact of institutional trading on stock prices”, Journal of Financial Economics 32, no. 1, 23-44.
[12] Wermers, Russ, 1999,“Mutual Fund Herding and the Impact on Stock Prices”, Journal of Finance, Vol. 54, pp. 581--622.
[13] 宋军，吴冲锋.金融市场中羊群行为的成因及控制对策研究[J].上海交通大学学报（社科版），2001,(4).
[14] 宋军，吴冲锋.证券市场中羊群行为的比较研究[J].统计研究，2001,(11).
[15] 施东晖.证券投资基金的交易行为及其市场影响[J].世界经济，2001,(10).
[16]袁克，陈浩.中国股票市场机构投资者羊群行为的实证研究[R].深圳证券交易所第六届会员单位与基金公司研究成果评选获奖研究报告，2003.
如何做SPSS的调节效应
标签： 杂谈 1、调节变量的定义 变量Y与变量X 的关系受到第三个变量M 的影响,就称M为调节变量。调节变量可以是定性的，也可以是定量的。在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要模型：Y = aX + bM + cXM + e 。Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。如果c显著，说明M 的调节效应显著。 2、调节效应的分析方法 显变量的调节效应分析方法：分为四种情况讨论。当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做 Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M的回归,得测定系数R12。2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按 M的取值分组,做 Y对 X的回归。若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e 的层次回归分析。 潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。当调节变量是类别变量时,做分组结构方程分析。做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen和Hau提出的无约束的模型。 3．中介变量的定义
混合效应线性模型与单因素方差分析在重复测量数据中的应用比较(一)
混合效应线性模型与单因素方差分析在重复测量数据中的应用比较(一) 【关键词】重复测量；混合效应线性模型；单因素方差分析； 摘要：目的：通过混合效应线性模型与单因素方差分析在重复测量资料中的应用比较，旨在说明两方法在处理重复测量资料时的应用特点。方法：用混合效应线性模型和单因素方差分析处理重复测量资料并比较。结果：混合效应线性模型和单因素方差分析都是处理重复测量资料的重要统计方法，前者在选择协方差结构下可对重复测量资料的固定效应和随机效应参数及协方差矩阵进行参数估计和统计检验，后者可对重复测量资料的固定效应做出统计推断。结论：混合效应线性模型是处理重复测量资料的有力方法，它对资料的协方差结构要求宽松，且结论可靠；单因素方差分析对资料的协方差结构有严格的限定。 关键词：重复测量；混合效应线性模型；单因素方差分析； 统计方法特点重复测量数据（repeatedmeasuresdata）是医学领域中常见的一种数据资料。所谓重复测量是指对同一个观察对象在不同时间点上进行的多次测量〔1〕。由于重复测量资料是对同一受试对象的某一观察指标进行的重复观察所得的数据，同一受试者的观察数据间可能存在相关性，一些传统的统计学方法如t检验等就不能充分揭示这一内在特点，有时甚至会导致错误的结论。 对重复测量资料的分析方法大致可分为两类，即单变量统计分析方法和多变量统计分析方法〔2〕。本研究通过选用多变量统计分析方法中的混合线性效应模型对一例题的分析，并与单因素方差分析进行比较，来说明两种方法在处理重复测量资料中的应用特点。 1方法简介 简单说，混合效应线性模型就是所拟和的模型中既包含固定效应又包含随机效应，特别是个体内的数据结构的选择将对各因素的评价产生直接影响〔3〕。 混合效应线性模型是一般线性模型的扩展，其表达式为： Y=Xβ+Zγ+ε(1) X为已知设计矩阵，β为固定效应参数构成的未知向量，ε是未知的随机误差向量，其元素不必为同独立分布了。在式（1）中Y，γ都是正态随机向量，其均值为0，方差阵分别为G 与R，二者之间不相关，因此Y的方差表达式为： V=ZGZ+R(2) 当R=σ2I,Z=0时，混合线性模型退化为一般线性模型。对G和R必须选择其协方差结构，常用的结构有无结构(一般为协方差)、自回归(常用一阶)、复合对称(共同协方差加一对角元)等〔4〕。选择协方差矩阵的方法是在相同的结构模型下，选择几个不同结构的协方差矩阵，从中选取似然比统计量（－2LogLikelihood）、Akaikes信息量标准（AkaikesInformationCriterion，AIC）及SchwartsBayesian标准（SchwartsBayesianCriterion，BIC）较小的一个，当这些统计量较接近时，则选取含参数个数最少的一个。通常以AIC为主要判断指标。 2实例分析 下面用一实例比较两种方法对处理重复测量资料时的特点：某药有新旧两种剂型，为了比较这两种剂型的代谢情况，对16例病人服药后分别在0、4、8、12小时测得血药浓度(表1），问该药新旧剂型的血药浓度随时间变化的趋势是否一致。表1四个时间点某药新旧剂型血药浓度1用SAS软件的MIXED过程对固定效应和随机效应参数β、γ及协方差矩阵G、R进行估计和统计检验。在本例中因变量为血药浓度，药物剂型、测量时间为固定效应，受试者为随机效应，同时选择合适的协方差结构以便在控制随机误差的基础上分析处理因素（药物剂型）对反应变量（血药浓度）的关系。本例指定为常用的无结构协方差（UN）和复合对称性协方差（CS）。 模型拟合情况见表2。表2模型配合统计量由表2可见，在UN结构下协方差配合的似然比统计量－2LogLikelihood=398.0(表2),对无效模型的似然比检验，χ2=134.43，ν＝9，P＜0.0001,
第6章方差分析
第六章方差分析 方差分析（Analysis of Variance，ANOVA）是将待分析资料的总变异剖分为不同的变异来源，以获得不同变异来源的总体方差的估计值。通过F检验，完成多个样本平均数之间的差异显著性检验（即多重比较），若处理效应为随机模型时，则进行方差组分的估计。 6.1 方差分析的SAS过程 用于方差分析的主要过程有方差分析（ANOVA）和广义线性模型(GLM)。对于无缺省（缺值、缺组等）资料，或称平衡资料，一般采用（ANOVA）过程，对缺省资料（非平衡资料）应采用（GLM）过程。事实上根据效应模型的不同，还有VARCOME（方差组分）过程,MIXED（混合模型）过程等。 6.1.1 ANOVA过程 1. 名词解释 自变量与依变量在方差分析中，自变量可称为独立变量、定性变量（Qualitative Variale）、分类变量（Classiflcation Variable）或类别变量（Categorcal Variable），相当于因素处理、水平变量。依变量又称反应变量（Response Variable），相当于观察值变量。 实验效应方差分析的目的是找出对依变量产生的实验效应，这种效应可分为3种：主效应，常以自变量的英文字母表示，如A、B等。互作效应，常以星号联接自变量表示，如A*B。嵌套效应，以小括号表示，如A（B）表示A效应嵌套在B效应之内。 2 语句说明： CLASS指令必须出现在MODEL指令之前，如选用TEST、MANOVA指令，则它们必须出现在MODEL指令之后。MEANS、TEST及MANOVA等指令可重复使用，其他指令则只能出现一次。
PROC ANOV A选项串中：⑴DA TA=输入数据集名称，指明对它执行ANOV A分析。⑵MANOV A 要求将含一个或一个以上依变量遗漏数据的观察值剔除。⑶OUTPUT=(含分析结果的)输出文件名称，包括平方和(SS)，F检验值，以及各效应的显著程度。 CLASS变量名称串指明自变量，自变量可以是数值的或文字的。 MODEL指令定义分析所用的线性数学模型(见表6—1)，删除号（/）后的选项：⑴NOUNI：不印出单变量方差分析的结果，适用于多变量的方差分析。⑵INT：要求SAS把线性模型内的截距（即资料的总平均数）当成一个参数，同时对这个截距作是否为零的假设检验。 MEANS指令前半部要求算出某些自变量（或互作）中各组的平均数，后半部（删除号后）共有24个选项，前17个选项分别对MEANS指令中所列的主效应平均数进行多种方法的多重比较。这些选项有：⑴BON：修正最小显著差异t检验。⑵DUNCAN：邓肯多重范围检验，即邓肯氏新复极差法。⑶DUNNETT（控制组组名）：邓尼特控制差异检验。它是依据t分布由各组平均数与控制组（指定组如对照组）进行比较，采用双尾检验。⑷DUNNETTL（控制组组名）：邓尼特小于控制均数检验。与控制组平均数的比较，采用单尾检验，临界值订在t分布的下端。⑸DUNNETTU（控制组组名）：邓尼特大于控制均数检验。与控制组平均数的比较，采用单尾检验，临界值订在t分布的上端。⑹GABRIEL：贵博氏多重比较。⑺REGWF：R—E—G—W多重F检验。⑻REGWQ：R—E—G—W多种t 检验。⑼SCHEFFE：执行沙菲氏(Scheffe)的多重比较检验。⑽SIDAK：Sidak调整T检验。⑾SUM（或⑿GTI）：Sidak独立样本t检验。当两组样本含量不等时为哈氏（Hochberg）的GTI检验。⒀SNK：纽曼—库尔多重范围检验，即q检验。⒁T（或⒂LSD）：配对t检验或费歇尔最小显著差异检验。⒃TUKEY：图基固定极差检验。⒄W ALLER：娃尔—邓肯K—比率t检验。以上17种检验法最常用的为⑵、⑶、⑸、⒀、⒁。其它主要选项还有⒅ALPHA=P：界定检验的显著水准。内设值为P=0.05。当上面选项与选项⑵并用时，P值必须是0.10、0.05、0.01三者之一。与上面其他检验选项时，P可以是0.0001与0.9999间任何的值。⒆LINES：将显著性检验的平均数，由大到小排列。若某一对平均数之间无显著差异，则将它们印在同一行上，并以虚线将它们与其他有显著差异的平均数分开。当选用⑵、⑺、⑻、⒀或⒄等检验时，此选项会自动被包括在内，否则，必须附加此选项。⒇CLM：效应的各组平均数以置信区间方式表示。此项必须与⑴、⑹、⑼、⑽、⑾、⒁、⒂等联用。(21)CLDIFF：与(20)相仿，选用⑵、⑺、⑻、⒀、⒄时，附加此选项，将以置信区间方式显示各组平均数。(22)E=效应名称：它界定各显著检验的分母，缺省时以误差项的均方自动成为分母。 FREQ指令指明该变量值为各观察值重复出现的次数。 TEST指令用来指定F检验的分子与分母，H=分子，E=分母；一般而言，系统自动采用误差项的均方作为F检验的分母。但对于随机模型等，可选此项。 MANOV A指令主要用于执行多变量(多元)方差分析。 BY指令用于把数据文件分成几个小文件，然后逐一进行ANOV A分析，但文件内的数据必须先按照BY变量串的值做由小到大的重新排列。此步骤可籍PROC SORT达成。 以上指令中MODEL指令至关重要，同一资料，分析结果依模型不同而异。常用的模型定义语句有：MODEL Y=A；单因素方差分析，MODEL Y=A B两因素主效应模型，MODEL Y=A B A*B两因素带互作模型，MODEL Y=A B(A)嵌套（NESTED）模型用
调节效应分析
调节效应分析攻略 一、调节效应回归方程： 调节效应是交互效应的一种，是有因果指向的交互效应，而单纯的交互效应可以互为因果关系；调节变量一般不受自变量和因变量影响，但是可以影响自变量和因变量；调节变量一般不能作为中介变量，在特殊情况下，调节变量也可以作为中介变量，例如认知归因方式既可以作为挫折性应激（X）和应对方式（Y）的调节变量也可以作为中介变量。常见的调节变量有性别、年龄、收入水平、文化程度、社会地位等。在统计回归分析中，检验变量的调节效应意味着检验调节变量和自变量的交互效应是否显著。以最简单的回归方程为例，调节效应检验回归方程包括2个如下： y=a+bx+cm+e 1） y=a+bx+cm+c’mx+e 2） 在上述方程中，m为调节变量，mx为调节效应，调节效应是否显著即是分析C’是否显著达到统计学意义上的临界比率.05水平)。 二、检验调节效应的方法有三种： 1.在层次回归分析中（Hierarchical regression）,检验2个回归方程的复相关系数R12和R22是否有显著区别，若R12和R22显著不同，则说明mx交互作用显著，即表明m的调节效应显著； 2.或看层次回归方程中的c’系数（调节变量偏相关系数），若c’（spss输出为标准化?值）显著，则说明调节效应显著； 3.多元方差分析，看交互作用水平是否显著；
4.在分组回归情况下，调节效应看各组回归方程的R2。 注：上述四种方法主要用于显变量调节效应检验，且和x与m的变量类型相关，具体要根据下述几种类型采用不同的方式检验 三、显变量调节效应分析的几种类型 根据调节效应回归方程中自变量和调节变量的几种不同类型组合，分析调节效应的方法和操作也有区别如下： 1.分类自变量（x）+分类调节变量(m) 如果自变量和调节变量都是分类变量的话，实际上就是多元方差分析中的交互作用显著性分析，如x有两种水平，m有三种水平，则可以做2×3交互作用方差分析，在spss里面可以很容易实现，这我就不多讲了，具体操作看spss操作工具书就可以了。 2.分类自变量（x）+连续调节变量（m） 这种类型调节效应分析需要对分类自变量进行伪变量转换，将自变量和调节变量中心化（计算变量离均差）然后做层次回归分析。分类自变量转换为伪变量的方法：假设自变量X有n种分类，则可以转换为n-1个伪变量，例如自变量为年收入水平，假设按人均年收入水平分为8千以下、8000~2万、2万~5万、5万~10万、10万以上四种类型，则可以转换为3个伪变量如下： x1 x2 x3 10万以上 1 0 0 5万到10万 0 1 0 2万到5万 0 0 1 8千以下 0 0 0 上述转换在spss中可以建立3个伪变量x1、x2、x3,变量数据中心化后标准回归方程表示为：
meta分析中固定效应模型、随机效应模型和混合OLS模型的选择
meta分析中固定效应模型、随机效应模型和混合OLS模型的选择
meta分析中固定效应模型、随机效应模型和混合OLS模型的选择 在Meta分析中最常用的是固定效应模型、随机效应模型。怎样理解这两种模型呢？举个简单的例子：让十个学生去测量操场中的同一根旗杆，旗杆长度的测量值可以看作是一个固定效应模型；然而如果让一个学生去测量操场上长度不同的十根旗杆，旗杆长度的测量值则是随机效应模型。 一般来说，随机效应模型得出的结论偏向于保守，置信区间较大，更难以发现差异，带给我们的信息是如果各个试验的结果差异很大的时候，是否需要把各个试验合并需要慎重考虑，作出结论的时候就要更加小心。从另一个角度来说，Meta分析本来就是用来分析结论不一致甚至是相反的临床试验，通过Meta分析提供一个可靠的综合的答案，如果每个试验的结果都一模一样，根本就没有必要作Meta分析，因此要通过齐性检验来解决这对矛盾。 一般来说判断方法是根据I2来确定。 1.就是根据I2值来决定模型的使用，大部分
认为＞50%，存在异质性，使用随机效应模型，≤50%，用固定效应模型，有了异质性，通过敏感性分析，或者亚亚组分析，去探求异质性的来源，但是这两者都是定性的，不一定能找到，即使你做了，研究数目多的话，可以做个meta 回归来找异质性的来源 2.在任何情况下都使用随机效应模型，因为如果异质性很小，那么随即和固定效应模型最终合并结果不会有很大差别，当异质性很大时，就只能使用随机效应模型，所以可以说，在任何情况下都使用随机效应模型 3.还有一种，看P值，一般推荐P的界值是0.1，但现在大部分使用0.05，就是说P＞0.05，用固定，≤0.05用随机效应模型。 但是这些都没有统一的说法，存在争议，如果你的审稿人是其中一种，你和他相冲突了，你只能按照他说的去修改，因为没有谁对谁错，但是现在你的文章在人家手里，如果模型不影响你的结果，你就遵照他们的建议 但是，也不必过度强调哪种方法，更重要的是找到异质性根源。meta分析中，异质性是天然存在的。如果异质性较小，选择固定效应模型
调节效应重要理论及操作务实
调节效应重要理论及操作务实 一、调节效应回归方程： 调节效应是交互效应的一种，是有因果指向的交互效应，而单纯的交互效应可以互为因果关系；调节变量一般不受自变量和因变量影响，但是可以影响自变量和因变量；调节变量一般不能作为中介变量，在特殊情况下，调节变量也可以作为中介变量，例如认知归因方式既可以作为挫折性应激（X）和应对方式（Y）的调节变量也可以作为中介变量。常见的调节变量有性别、年龄、收入水平、文化程度、社会地位等。在统计回归分析中，检验变量的调节效应意味着检验调节变量和自变量的交互效应是否显著。以最简单的回归方程为例，调节效应检验回归方程包括2个如下： y=a+bx+cm+e 1） y=a+bx+cm+c’mx+e 2） 在上述方程中，m为调节变量，mx为调节效应，调节效应是否显著即是分析C’是否显著达到统计学意义上的临界比率.05水平)。 二、检验调节效应的方法有三种： 1.在层次回归分析中（Hierarchical regression）,检验2个回归方程的复相关系数R12和R22是否有显著区别，若R12和R22显著不同，则说明mx交互作用显著，即表明m的调节效应显著； 2.或看层次回归方程中的c’系数（调节变量偏相关系数），若c’（spss输出为标准化?值）显著，则说明调节效应显著； 3.多元方差分析，看交互作用水平是否显著； 4.在分组回归情况下，调节效应看各组回归方程的R2。 注：上述四种方法主要用于显变量调节效应检验，且和x与m的变量类型相关，具体要根据下述几种类型采用不同的方式检验 三、显变量调节效应分析的几种类型 根据调节效应回归方程中自变量和调节变量的几种不同类型组合，分析调节效应的方法和操作也有区别如下： 1.分类自变量（x）+分类调节变量(m) 如果自变量和调节变量都是分类变量的话，实际上就是多元方差分析中的交互作用显著性分析，如x有两种水平，m有三种水平，则可以做2×3交互作用方差分析，在spss里面
混合效应线性模型与单因素方差分析在重复测量数据中的应用比较
【关键词】重复测量；混合效应线性模型；单因素方差分析； 摘要：目的：通过混合效应线性模型与单因素方差分析在重复测量资料中的应用比较，旨在说明两方法在处理重复测量资料时的应用特点。方法：用混合效应线性模型和单因素方差分析处理重复测量资料并比较。结果：混合效应线性模型和单因素方差分析都是处理重复测量资料的重要统计方法，前者在选择协方差结构下可对重复测量资料的固定效应和随机效应参数及协方差矩阵进行参数估计和统计检验，后者可对重复测量资料的固定效应做出统计推断。结论：混合效应线性模型是处理重复测量资料的有力方法，它对资料的协方差结构要求宽松，且结论可靠；单因素方差分析对资料的协方差结构有严格的限定。 关键词：重复测量；混合效应线性模型；单因素方差分析； 统计方法特点重复测量数据（repeated measures data）是医学领域中常见的一种数据资料。所谓重复测量是指对同一个观察对象在不同时间点上进行的多次测量［1］。由于重复测量资料是对同一受试对象的某一观察指标进行的重复观察所得的数据，同一受试者的观察数据间可能存在相关性，一些传统的统计学方法如t检验等就不能充分揭示这一内在特点，有时甚至会导致错误的结论。 对重复测量资料的分析方法大致可分为两类，即单变量统计分析方法和多变量统计分析方法［2］。本研究通过选用多变量统计分析方法中的混合线性效应模型对一例题的分析，并与单因素方差分析进行比较，来说明两种方法在处理重复测量资料中的应用特点。 1方法简介 简单说，混合效应线性模型就是所拟和的模型中既包含固定效应又包含随机效应，特别是个体内的数据结构的选择将对各因素的评价产生直接影响［3］。 混合效应线性模型是一般线性模型的扩展，其表达式为： y=xβ+zγ+ε(1) x为已知设计矩阵，β为固定效应参数构成的未知向量，ε是未知的随机误差向量，其元素不必为同独立分布了。在式（1）中y，γ都是正态随机向量，其均值为0，方差阵分别为g 与r，二者之间不相关，因此y的方差表达式为： v=zgz+r(2) 2实例分析 下面用一实例比较两种方法对处理重复测量资料时的特点：某药有新旧两种剂型，为了比较这两种剂型的代谢情况，对16例病人服药后分别在0、4、8、12小时测得血药浓度(表1），问该药新旧剂型的血药浓度随时间变化的趋势是否一致。表1四个时间点某药新旧剂型血药浓度1用sas软件的mixed过程对固定效应和随机效应参数β、γ及协方差矩阵g、r进行估计和统计检验。在本例中因变量为血药浓度，药物剂型、测量时间为固定效应，受试者为随机效应，同时选择合适的协方差结构以便在控制随机误差的基础上分析处理因素（药物剂型）对反应变量（血药浓度）的关系。本例指定为常用的无结构协方差（un）和复合对称性协方差（cs）。 模型拟合情况见表2。表2模型配合统计量由表2可见，在un结构下协方差配合的似然比统计量－2log likelihood=398.0(表2),对无效模型的似然比检验，χ2=134.43，ν＝9， p ＜0.0001,说明模型拟合效果显著，模型较好地拟和了资料。在cs结构下，似然比统计量－2log likelihood＝506.4，aic、aicc、bic三个值都是un模型小于cs模型，故本例选用un 结构作模型拟合。 在un结构下的固定效应参数估计值及假设检验结果见表3、4。 由表4可知，在un结构下，不同处理组之间的差别无统计学意义（p=0.07551），不同测量时间点的血药浓度及处理组×时间点的交互作用的差别有统计学意义(p＜0.0001)，且这种交互作用主要体现在新剂型组。
调节效应分析_
调节效应重要理论及操作务实 调节效应重要理论及操作务实 一、调节效应回归方程： 调节效应是交互效应的一种，是有因果指向的交互效应，而单纯的交互效应可以互为因果关系；调节变量一般不受自变量和因变量影响，但是可以影响自变量和因变量；调节变量一般不能作为中介变量，在特殊情况下，调节变量也可以作为中介变量，例如认知归因方式既可以作为挫折性应激（X）和应对方式（Y）的调节变量也可以作为中介变量。常见的调节变量有性别、年龄、收入水平、文化程度、社会地位等。在统计回归分析中，检验变量的调节效应意味着检验调节变量和自变量的交互效应是否显著。以最简单的回归方程为例，调节效应检验回归方程包括2个如下： y=a+bx+cm+e 1） y=a+bx+cm+c’mx+e 2） 在上述方程中，m为调节变量，mx为调节效应，调节效应是否显著即是分析C’是否显著达到统计学意义上的临界比率.05水平)。 二、检验调节效应的方法有三种： 1.在层次回归分析中（Hierarchical regression）,检验2个回归方 程的复相关系数R 12和R 2 2是否有显著区别，若R 1 2和R 2 2显著不同，则 说明mx交互作用显著，即表明m的调节效应显著； 2.或看层次回归方程中的c’系数（调节变量偏相关系数），若c’（spss输出为标准化?值）显著，则说明调节效应显著； 3.多元方差分析，看交互作用水平是否显著；
4.在分组回归情况下，调节效应看各组回归方程的R2。 注：上述四种方法主要用于显变量调节效应检验，且和x与m的变量类型相关，具体要根据下述几种类型采用不同的方式检验 三、显变量调节效应分析的几种类型 根据调节效应回归方程中自变量和调节变量的几种不同类型组合，分析调节效应的方法和操作也有区别如下： 1.分类自变量（x）+分类调节变量(m) 如果自变量和调节变量都是分类变量的话，实际上就是多元方差分析中的交互作用显著性分析，如x有两种水平，m有三种水平，则可以做2×3交互作用方差分析，在spss里面可以很容易实现，这我就不多讲了，具体操作看spss操作工具书就可以了。 2.分类自变量（x）+连续调节变量（m） 这种类型调节效应分析需要对分类自变量进行伪变量转换，将自变量和调节变量中心化（计算变量离均差）然后做层次回归分析。分类自变量转换为伪变量的方法：假设自变量X有n种分类，则可以转换为n-1个伪变量，例如自变量为年收入水平，假设按人均年收入水平分为8千以下、8000~2万、2万~5万、5万~10万、10万以上四种类型，则可以转换为3个伪变量如下： x1 x2 x3 10万以上 1 0 0 5万到10万 0 1 0 2万到5万 0 0 1 8千以下 0 0 0 上述转换在spss中可以建立3个伪变量x1、x2、x3,变量数据中心化后标准回归方程表示为：
【CN110097124A】基于混淆处理效应分离的图像操作链中操作类型识别方法【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910367646.6 (22)申请日 2019.05.05 (71)申请人 湖南大学 地址 410082 湖南省长沙市岳麓区麓山南 路1号 (72)发明人 廖鑫 陈嘉欣 秦拯 (51)Int.Cl. G06K 9/62(2006.01) (54)发明名称 基于混淆处理效应分离的图像操作链中操 作类型识别方法 (57)摘要 本发明涉及一种基于混淆处理效应分离的 图像操作链中操作类型识别方法。所述方法包括 构建基于盲源分离的数字图像操作链的操作分 离模型；估计数字图像特征的相关程度，初步识 别图像篡改操作类型；依据Dempster -Shafer证 据理论，估计篡改操作置信区间，精确识别图像 篡改操作类型。与现有技术相比，本发明提供的 一种基于混淆处理效应分离的图像操作链中操 作类型识别方法，面向更实际的JPEG图像多重篡 改场景。本发明的方法可行且有效，在识别图像 经历的篡改操作类型方面能取得良好的效果。权利要求书1页 说明书6页 附图2页CN 110097124 A 2019.08.06 C N 110097124 A
权 利 要 求 书1/1页CN 110097124 A 1.一种基于混淆处理效应分离的图像操作链中操作类型识别方法，其特征在于，所述方法包括： (1)构建基于盲源分离的数字图像操作链的操作分离模型； (2)依据数字图像特征的相关程度，初步识别篡改操作类型； (3)依据Dempster-Shafer证据理论，估计篡改操作置信区间，精确识别篡改操作类型。 2.根据权利要求1所述的基于混淆处理效应分离的图像操作链中操作类型识别方法，其特征在于，所述构建基于盲源分离的数字图像操作链的操作分离模型，具体包括：对从数字图像中提取的混合特征进行矩阵变换，获取基于盲源分离的数字图像操作链的操作分离模型，并依据该模型对数字图像操作链的混淆处理效应分离，获取单篡改操作的特征估计，为单篡改操作类型识别提供直接证据。 3.根据权利要求1或2所述的基于混淆处理效应分离的图像操作链中操作类型识别方法，其特征在于，所述依据数字图像特征的相关程度，初步识别篡改操作类型，具体包括：度量经历多重篡改后的数字图像的混合特征与依据所述操作分离模型获取的某篡改操作特征之间的相关性，得到两者之间的相关程度，初步判断所述待测图像是否经历该操作篡改伪造以及可能经历的篡改操作类型。 4.根据权利要求1或2所述的基于混淆处理效应分离的图像操作链中操作类型识别方法，其特征在于，所述依据Dempster-Shafer证据理论，估计篡改操作置信区间，精确识别篡改操作类型，具体包括： 联合单篡改操作取证的多个检测算法，挖掘不同图像特征；通过Dempster-Shafer证据理论的合成规则的决策融合，依据多个检测算法的融合结果，获得篡改操作置信区间估计，精确判别图像操作链中篡改操作类型。 2
倾向指数第二讲倾向指数常用研究方法
万方数据
万方数据
倾向指数第二讲倾向指数常用研究方法 作者：王永吉， 蔡宏伟， 夏结来， 蒋志伟， WANG Yong-ji， CAI Hong-wei， XIA Jie-lai，JIANG Zhi-wei 作者单位：王永吉,夏结来,蒋志伟,WANG Yong-ji,XIA Jie-lai,JIANG Zhi-wei(第四军医大学预防医学系卫生统计学教研室,西安,710032)， 蔡宏伟,CAI Hong-wei(第四军医大学,口腔医学院信 息中心,西安,710032) 刊名： 中华流行病学杂志 英文刊名：CHINESE JOURNAL OF EPIDEMIOLOGY 年，卷(期)：2010,31(5) 被引用次数：12次 参考文献(14条) 1.Austin PC A critical appraisal of propensity-score matching in the medical literature between 1996 and 2003 2008 2.Austin PC;Grootendorst P;Anderson GM A comparison of the ability of different propensity score models to balance measured variables between treated and untreated subjects:a Monte Carlostudy 2007 3.Rosenbaum PR;Rubin DB The central role of the propensity score in observational studies for causal effects 1983 4.D' Agostino RB Propensity score methods for bias reduction in the comparison of a treatment to a non-randomized control group 1998 5.Dehejia RH;Wahba S Propensity score-matching methods for nonexperimental causal studies 2002 6.Austin PC Some methods of propensity-score matching had superior performance to others:results of an empirical investigation and Monte Carlo simulations 2009 7.Rosenbaum PR Optimal matching for observational studies 1989 8.Ming K;Rosenbaum PR A note on optimal matching with variable controls using the assignment algorithm 2001 9.Smith JA;Todd PE Does matching overcome LaLonde's critique of nonexperimental estimators 2005 10.Austin PC;Mamdanil MM A comparison of propensity score methods:a case-study estimating the effectiveness of post-AMI statin use 2006 11.Katherine HH;Thomas AL Propensity score modeling strategies for the causal analysis of observational data 2002 12.Rosenbaum PR;Rubin DB Reducing bias in observational studies using subclassification on the propensity score 1984 13.Lunceford JK;Davidian M Stratification and weighting via the propensity score in estimation of causal treatment effects:a comparative study 2004 14.Perkins SM;Tu W;Underhill MG The use of propensity scores in pharmacoepidemiologic research 2000 本文读者也读过(9条) 1.王永吉.蔡宏伟.夏结来.蒋志伟.WANG Yong-ji.CAI Hong-wei.XIA Jie-lai.JIANG Zhi-wei倾向指数第一讲倾向指数的基本概念和研究步骤[期刊论文]-中华流行病学杂志2010,31(3) 2.汪涛.山口拓洋.大桥靖雄.冯学山.姜庆五.WANG Tao.YAMAGUCHI Takuhiro.OHASHI Ya-suo.FENG Xue-shan. JIANG Qing-wu倾向指数方法的蒙特卡罗研究[期刊论文]-中华流行病学杂志2005,26(6)
混合OLS、固定模型与随机模型的区别
方差分析(写成英文我就认识了。。analysis of variance (ANOVA) )主要有三种模型：即固定效应模型（fixed effects model），随机效应模型（random effects model），混合效应模型（mixed effects model）。 所谓的固定、随机、混合，主要是针对分组变量而言的。 固定效应模型，表示你打算比较的就是你现在选中的这几组。例如，我想比较3种药物的疗效，我的目的就是为了比较这三种药的差别，不想往外推广。这三种药不是从很多种药中抽样出来的，不想推广到其他的药物，结论仅限于这三种药。“固定”的含义正在于此，这三种药是固定的，不是随机选择的。 随机效应模型，表示你打算比较的不仅是你的设计中的这几组，而是想通过对这几组的比较，推广到他们所能代表的总体中去。例如，你想知道是否名牌大学的就业率高于普通大学，你选择了北大、清华、北京工商大学、北京科技大学4所学校进行比较，你的目的不是为了比较这4所学校之间的就业率差异，而是为了说明他们所代表的名牌和普通大学之间的差异。你的结论不会仅限于这4所大学，而是要推广到名牌和普通这样的一个更广泛的范围。“随机”的含义就在于此，这4所学校是从名牌和普通大学中随机挑选出来的。混合效应模型就比较好理解了，就是既有固定的因素，也有随机的因素。 一般来说，只有固定效应模型，才有必要进行两两比较，随机效应模型没有必要进行两两比较，因为研究的目的不是为了比较随机选中的这些组别。 固定效应和随机效应的选择是大家做面板数据常常要遇到的问题，一个常见的方法是做huasman检验，即先估计一个随机效应，然后做检验，如果拒绝零假设，则可以使用固定效应，反之如果接受零假设，则使用随机效应。但
如何用SPSS做中介效应与调节效应
如何用SPSS做中介效应与调节效应 1、调节变量的定义 变量Y与变量X 的关系受到第三个变量M 的影响,就称M为调节变量。调节变量可以是定性的，也可以是定量的。在做调节效应分析时,通常要将自变量和调节变量做中心化变换。简要模型：Y = aX + bM + cXM + e 。Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。如果c显著，说明M 的调节效应显著。 2、调节效应的分析方法 显变量的调节效应分析方法：分为四种情况讨论。当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做 Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M的回归,得测定系数R12。2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按 M的取值分组,做 Y对 X的回归。若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e 的层次回归分析。 潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。当调节变量是类别变量时,做分组结构方程分析。做法是,先将两组的结构方程回归系数限制为相等,得到一个 χ2值和相应的自由度。然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen 和Hau提出的无约束的模型。 3．中介变量的定义
处理效应模型的前沿理论及其应用
处理效应模型的前沿理论及其应用 本文系统总结和归纳了处理效应模型的基本理论和前沿发展,并将内生处理效应模型、分位数处理效应模型以及多值处理效应模型应用于解决结婚对女性收入的影响这个问题当中。其中,内生非条件分位数处理效应模型是首次应用于实证分析当中,多值处理效应模型也是首次被扩展到分析结婚时间的影响这个问题当中。通过本文的分析发现,女性结婚对收入具有一定的负面影响,但是这种影响不是通过 女性退出劳动力市场实现的,而是由于职业女性减少了她们的劳动时间。而且,在不同收入水平的女性当中,结婚对她们的影响也不相同。同时,结婚时间对女性收入的影响也非常大,晚婚女性普遍比早婚女 性收入高。在早婚女性中,结婚越晚收入越高;但是在晚婚女性内部,并没有一定的规律。通过本文的研究对分析当下女性婚姻时间推迟、不婚主义盛行等现象具有一定的现实意义。文章的创新之处在:(1) 将内生非条件分位数处理效应模型拓展到实证领域(2)拓展了多值处理效应模型在劳动经济学和福利经济学领域当中的应用(3)为婚姻与收入问题提供了一个新的视角,通过构造了三个新工具变量解决模型当中存在的内生性问题,使得估计结果更加一致(4)为婚姻与收入这 个劳动经济学问题提供了一个中国的实证经验。本文首先对问题的研究背景和研究内容进行介绍,然后分别阐述了文章的研究意义和本文的创新点,以及整个文章的布局。在第二章当中,对文献进行整理和综合评价,从理论模型——结婚对收入的影响以及实证研究方法——处理效应模型两个方面进行。但是在这个部分当中,只是对处理效应模
型进行了简单的方法论层面和发展方向上的介绍,而前沿理论当中的具体内容因为涉及的比较多,所以在之后的各个章节当中将逐一专门进行介绍。第三章首先通过使用普通最小二乘和工具变量回归研究了女性是否结婚对收入的影响。在不考虑个体异质性的条件下,在使用工具变量——家庭成员的平均结婚年龄控制内生性之后,结婚的负向影响还是显著大于预期,研究表明由于异质性的存在,很难将结婚的 影响从已婚女性群体和未婚女性群体之间的差异性当中识别出。所以需要使用外生处理效应模型和内生处理效应模型研究女性是否结婚 对收入的影响。由于在使用处理效应模型的时候,能够考虑到已婚与未婚女性的差异性,所以其研究结果更加准确的定位到相似的已婚女性和与之对应的未婚女性之间。在以是否出生于晚婚家庭为工具变量进行分析之后研究发现,在考虑了结婚的内生性之后,已婚女性收入 依然明显低于未婚女性,但是影响程度比工具变量回归当中有所减小,真正把研究的重点定位于结婚对女性收入的影响之中,而不再是已婚女性和未婚女性群体之间的差异性,结果更加符合预期。研究同时发现,结婚并没有降低女性的劳动参与程度,但是在就业女性中,结婚显著降低了她们的工作时间。第四章使用内生条件分位数处理效应模型和内生非条件分位数处理效应模型研究结婚对于不同收入水平女性 的影响。在这个部分,所使用的工具变量为是否有婆婆。在此基础上通过内生条件分位数处理效应模型研究发现,对于所有收入水平的女性,已婚女性的收入都远低于未婚女性,但是随着收入水平的上升,结婚对于女性收入的负向影响越来越小。而内生非条件分位数处理效应
SPSS AMOS调节效应操作务实
SPSS AMOS调节效应操作务实 一、调节效应回归方程： 调节效应是交互效应的一种，是有因果指向的交互效应，而单纯的交互效应可以互为因果关系；调节变量一般不受自变量和因变量影响，但是可以影响自变量和因变量；调节变量一般不能作为中介变量，在特殊情况下，调节变量也可以作为中介变量，例如认知归因方式既可以作为挫折性应激（X）和应对方式（Y）的调节变量也可以作为中介变量。常见的调节变量有性别、年龄、收入水平、文化程度、社会地位等。在统计回归分析中，检验变量的调节效应意味着检验调节变量和自变量的交互效应是否显著。以最简单的回归方程为例，调节效应检验回归方程包括2个如下： y=a+bx+cm+e 1） y=a+bx+cm+c’mx+e 2） 在上述方程中，m为调节变量，mx为调节效应，调节效应是否显著即是分析C’是否显著达到统计学意义上的临界比率.05水平)。 二、检验调节效应的方法有三种： 1.在层次回归分析中（Hierarchical regression）,检验2个回归方程的复相关系数R12和R22是否有显著区别，若R12和R22显著不同，则说明mx交互作用显著，即表明m的调节效应显著； 2.或看层次回归方程中的c’系数（调节变量偏相关系数），若c’（spss输出为标准化?值）显著，则说明调节效应显著； 3.多元方差分析，看交互作用水平是否显著；
4.在分组回归情况下，调节效应看各组回归方程的R2。 注：上述四种方法主要用于显变量调节效应检验，且和x与m的变量类型相关，具体要根据下述几种类型采用不同的方式检验 三、显变量调节效应分析的几种类型 根据调节效应回归方程中自变量和调节变量的几种不同类型组合，分析调节效应的方法和操作也有区别如下： 1.分类自变量（x）+分类调节变量(m) 如果自变量和调节变量都是分类变量的话，实际上就是多元方差分析中的交互作用显著性分析，如x有两种水平，m有三种水平，则可以做2×3交互作用方差分析，在spss里面可以很容易实现，这我就不多讲了，具体操作看spss操作工具书就可以了。 2.分类自变量（x）+连续调节变量（m） 这种类型调节效应分析需要对分类自变量进行伪变量转换，将自变量和调节变量中心化（计算变量离均差）然后做层次回归分析。分类自变量转换为伪变量的方法：假设自变量X有n种分类，则可以转换为n-1个伪变量，例如自变量为年收入水平，假设按人均年收入水平分为8千以下、8000~2万、2万~5万、5万~10万、10万以上四种类型，则可以转换为3个伪变量如下： x1 x2 x3 10万以上 1 0 0 5万到10万 0 1 0 2万到5万 0 0 1 8千以下 0 0 0 上述转换在spss中可以建立3个伪变量x1、x2、x3,变量数据中心化后标准回归方程表示为：
处理效应
? 陈强,《高级计量经济学及Stata应用》课件，第二版，2014年，高等教育出版社。 第28章 处理效应 28.1 处理效应与选择难题 经济学中常希望评估某项目或政策实施后的效应，比如政府推出的就业培训项目(job training program)。 此类研究称为“项目效应评估”(program evaluation)，而项目效应也称为“处理效应”(treatment effect)。 1
项目参与者的全体构成“实验组”或“处理组”(treatment group，或the treated)，而未参与项目者则构成“控制组”(control group)或“对照组”(comparison group)。 考虑就业培训的处理效应评估。一个天真的做法是直接对比实验组与控制组的未来收入或就业状况。 但参加就业培训者的未来收入比未参加者通常更低。难道就业培训反而有害？ 是否参加培训是参加者自我选择(self selection)的结果，岗位好收入高的人群不需要参加培训，而参加者多为失业或低收入者。 2
由于实验组与对照组成员初始条件不相同，故存在“选择偏差”(selection bias)。 即使实验组的未来收入低于对照组，我们真正感兴趣的问题是，实验组的未来收入是否会比这些人如果未参加培训项目的(假想)未来收入更高。 Rubin(1974)提出了以下“反事实框架”(a counterfactual framework)，称为“鲁宾因果模型”(Rubin Causal Model)。 以虚拟变量{} 0,1 D=表示个体i是否参与此项目，即1为参与， i 而0为未参与。称 D为“处理变量”(treatment variable)。 i 3