Понимание регрессионного анализа

Регрессионный анализ выступает в качестве одного из самых мощных статистических инструментов в инструментарии экономиста. В самом простом методе моделируется связь между зависимой переменной (результат интереса) и одной или несколькими независимыми переменными (потенциальные предикторы или причины). Для экономических историков это означает выход за рамки повествовательных описаний прошлых событий для проверки гипотез с измеримыми доказательствами. Например, исследователь может спросить, связаны ли более высокие показатели грамотности в Англии 19-го века с более быстрым ростом промышленного производства. Регрессия позволяет им количественно оценить эту связь, контролируя другие факторы, такие как капиталовложения или урбанизация.

Основная идея состоит в том, чтобы уместить линию (или кривую) через исторические точки данных, которые лучше всего описывают систематическую связь между переменными. Наиболее распространенной формой является обычная регрессия наименьших квадратов (OLS), которая минимизирует сумму квадратов различий между наблюдаемыми значениями и прогнозами модели. Но экономическая история также часто использует логистическую регрессию, когда результаты двоичные (например, пережила ли фирма кризис), и множественную регрессию, когда многие влияния должны учитываться одновременно. Понимание предположений, лежащих в основе этих моделей - линейность, независимость ошибок, гомоскедастичность и отсутствие совершенной мультиколлинеарности - имеет решающее значение для получения веских выводов из исторических наборов данных, которые часто являются беспорядочными или неполными.

Приложения в экономической истории

Рынки труда и человеческий капитал

Экономические историки использовали регрессию, чтобы исследовать, как образование, навыки и здоровье формировали заработную плату на протяжении веков. Классическое исследование может регрессировать индивидуальный заработок на годы обучения, возраст и пол, используя данные переписи населения из Америки 19-го века. Оценочные коэффициенты показывают не только доходность образования в то время, но и то, как эти доходы варьировались по регионам или отраслям. Более сложные модели включают фиксированные эффекты для городов или лет рождения, чтобы контролировать ненаблюдаемую неоднородность, предлагая более четкое окно в историческую динамику рынка труда.

Торговля и глобализация

Регрессионный анализ прояснил экономические последствия торговой политики, от британских законов о кукурузе до современных тарифов. Исследователи часто используют гравитационные модели, форму регрессии, которая предсказывает двусторонние торговые потоки на основе размеров стран, расстояний и торговых соглашений. Анализируя исторические торговые данные 19-го и 20-го веков, историки могут оценить, как протекционизм или соглашения о свободной торговле повлияли на национальный доход, промышленную специализацию и неравенство в заработной плате. Эти модели подчеркивают, что открытость торговли не всегда приносит пользу всем сегментам общества в равной степени, нюанс, который могут упустить простые исторические повествования.

Технологические изменения и производительность

Понимание того, как паровая энергия, электричество и вычисления повлияли на экономический рост, является центральной загадкой в экономической истории. Регрессионные модели могут разложить рост производительности на вклады от углубления капитала, улучшения качества труда и общей производительности факторов (TFP) - остаток, который часто захватывает технологический прогресс. Например, регрессия по временным рядам совокупного производства на капитал и трудовые ресурсы позволяет исследователям оценить уравнения учета роста, впервые разработанные Робертом Соловом. При применении к данным США 19-го века такие модели показывают, что рост TFP вырос после 1860 года, совпадая с распространением железнодорожных и телеграфных сетей.

Демографические и медицинские переходы

Демографическая история извлекает выгоду из регрессионного анализа, который связывает младенческую смертность, фертильность и продолжительность жизни с экономическими условиями, инвестициями в санитарию и мероприятиями в области общественного здравоохранения. Исследование может регрессировать показатели смертности в городах начала 20-го века по мерам качества воды, плотности жилья и дохода, чтобы определить, какие факторы наиболее сократили смертность. Эти модели также могут включать пространственные или временные задержки, признавая, что улучшение здоровья часто следует за инвестициями в инфраструктуру с задержкой. Результаты информируют дебаты о том, были ли рост доходов или государственная политика основными факторами современного снижения смертности.

Тема: Возобновленная промышленная революция

В оригинальной статье был затронут регрессионный анализ промышленной революции, но глубина современной работы заслуживает более полного рассмотрения. Историки долго обсуждали, что вызвало прорыв в британском росте после 1760 года. Традиционные отчеты подчеркивают уголь, пар и механические изобретения. Но модели регрессии позволяют ученым количественно проверять конкурирующие объяснения. В основополагающем исследовании 1990-х годов использовались данные по межстрановым патентам из Англии и Уэльса для регресса патентных счетов - прокси для инноваций - на угольных месторождениях, близости к рекам и плотности населения. Модели обнаружили, что доступность угля оказала статистически значимое положительное влияние на инновации, но этот эффект был меньше, чем когда-то думали, когда они контролировали урбанизацию и транспортные расходы.

Более поздние панельные регрессии британского промышленного производства с 1700 по 1850 год включают такие переменные, как цены на хлопок, производство железа и урожайность сельскохозяйственной продукции. Включая фиксированные по времени эффекты, исследователи могут поглощать общие потрясения, такие как войны или неудачи урожая, изолируя роль конкретных технологических изменений. Результаты показывают, что, хотя паровой двигатель был преобразующим, его влияние на совокупную производительность было скромным до 1830-х годов, спустя десятилетия после его изобретения. Это противоречит героическим повествованиям, которые приписывают одно изобретение для промышленной революции. Вместо этого регрессии указывают на кластер дополнительных инноваций в текстильной промышленности, железе и машиностроении, каждый из которых взаимодействует с падающими затратами на энергию и расширяющимися рынками.

В тематическом исследовании также иллюстрируется важность спецификации модели. Ранние регрессии, которые включали только капитал и труд, поскольку предсказатели часто производили «остатки» (часть TFP), которые были невероятно большими, подразумевая, что технология объясняла почти весь рост. Современные подходы добавляют человеческий капитал, институты и цены на энергию, уменьшая остаток до более оправданной доли. Эта итеративная уточнение - тестирование одной модели, корректировка для опущенных переменных, переоценка - является отличительной чертой строгой исторической работы регрессии.

Проблемы и соображения

Ошибка фрагментации и измерения данных

Исторические наборы данных редко бывают такими же чистыми, как современные опросы. Экономические историки часто работают с налоговыми документами, приходскими реестрами, торговыми реестрами и таблицами переписей, которые содержат пробелы, ошибки транскрипции и непоследовательные определения. Ошибка измерения в независимой переменной обычно предвзятость коэффициентов регрессии к нулю - явление, известное как предвзятость ослабления. Исследователи реагируют, используя инструментальные переменные, проверки надежности или тщательно документируя конструкцию данных. Например, исследование британских ставок заработной платы 19-го века может перепроверять данные из нескольких источников (отчеты Торговой палаты, отчеты о заработной плате компаний и местные газеты) и результаты испытаний при различных предположениях измерения.

Отклоненные переменные

Корреляция не подразумевает причинно-следственную связь, урок, который не может преподать только регрессия. Регрессия, которая находит сильную положительную связь между расширением железных дорог и экономическим ростом, может не учитывать тот факт, что обе они были обусловлены третьей переменной — скажем, растущим спросом на экспорт. Если эта опущенная переменная коррелирует как с независимой переменной (железные дороги), так и с зависимой переменной (рост), то расчетный коэффициент будет смещен. Экономические историки обращаются к этому, включая как можно больше элементов управления, используя фиксированные эффекты региона или времени, а иногда и используя естественные эксперименты. Метод различий в различиях, например, сравнивает обработанную группу (область, которая получила железную дорогу) с контрольной группой до и после обработки, эффективно отличаясь от инвариантных по времени ненаблюдаемых факторов.

Скрытая регрессия и нестационарность

При анализе длинных временных рядов (например, ВВП с 1800 по 2000 год) многие экономические переменные со временем растут. Регрессия одной веятельной серии на другую может привести к высоким значениям R-квадратов и впечатляющей t-статистике, даже если они не связаны - классический случай ложной регрессии. Экономические историки должны проверять корни единиц и коинтеграцию и часто использовать разнородные данные или модели коррекции ошибок, чтобы избежать этой ловушки. Методы интеграции, разработанные в 1980-х годах, позволяют исследователям моделировать долгосрочные равновесные отношения между нестационарными переменными, все еще позволяя краткосрочную динамику. Это было особенно полезно для изучения исторических отношений между денежной массой, ценами и выпуском.

Многоколлинеарность и размер выборки

Исторические предикторы, такие как образование, доход и урбанизация, часто сильно коррелируют между регионами, что затрудняет изолирование уникального вклада каждой переменной. Мультиколлинеарность раздувает стандартные ошибки, приводя к неточной оценке коэффициентов. Исследователи могут решить эту проблему, используя методы уменьшения размеров (например, основные компоненты), путем объединения данных или ограничения числа переменных. Малые размеры выборки, еще одна распространенная проблема в исторической работе, уменьшают статистическую мощность и увеличивают риск ложных негативов. Байесовские методы или вывод бутстрапа могут помочь, но в конечном итоге исследователи должны признать пределы своих доказательств.

Передовые методы регрессии в экономической истории

Панельные данные и фиксированные эффекты

Многие исторические наборы данных объединяют поперечные единицы (страны, регионы, фирмы), наблюдаемые в течение нескольких периодов времени. Регрессия панели использует оба измерения, позволяя исследователям контролировать для единицы конкретных ненаблюдаемых факторов, которые являются постоянными с течением времени (например, география, культура) и временные факторы, общие для всех единиц (например, глобальные рецессии). Это резко снижает опущенные переменные смещения. Например, исследование экономического воздействия Черной смерти в европейских городах может использовать городские фиксированные эффекты для поглощения временных инвариантных различий в климате или качестве почвы, в то время как год фиксированные эффекты захватывают пандемические шоки смертности. Коэффициент на переменную, такую как «торговые маршруты», затем отражает внутригородские изменения в торговле с течением времени, за вычетом национальных тенденций.

Инструментальные переменные

Когда подозревается эндогенность — то есть независимая переменная коррелирует с термином ошибки — экономисты обращаются к инструментам: переменным, которые влияют на независимую переменную, но не напрямую коррелируют с результатом, за исключением этой переменной. В исторических контекстах инструменты часто происходят из естественных экспериментов или исторических аварий. Например, для оценки причинного воздействия прав собственности на сельскохозяйственные инвестиции в колониальной Индии исследователи могут использовать сроки расчетов доходов от земли в качестве инструмента, утверждая, что назначение поселений не было связано с местным качеством почвы. Двухступенчатая регрессия наименьших квадратов затем изолирует экзогенный компонент обеспечения прав собственности. Использование инструментальных переменных быстро росло в экономической истории, особенно для изучения долгосрочных результатов развития.

Разница в различиях и синтетический контроль

Различия в различиях (DiD) сравнивают эволюцию результата в группе, которая испытала изменение политики относительно группы, которая не испытала, до и после изменения. Экономические историки применили DiD для оценки введения обязательных законов об образовании, банковских правил и расширений избирательного права. Ключевое идентифицирующее предположение заключается в том, что тенденции в двух группах были бы параллельными в отсутствие политики - проверяемое условие с использованием данных предварительной обработки. Синтетические методы контроля расширяют DiD, создавая взвешенную комбинацию единиц сравнения, которая близко соответствует пути предварительной обработки обработанного подразделения, обеспечивая более строгий контрфакт. Это использовалось, например, для оценки экономического воздействия разделения Кореи после Второй мировой войны или последствий воссоединения Германии.

Методы временных рядов для структурных перерывов

Исторические временные ряды часто демонстрируют структурные разрывы — внезапные изменения среднего или тренда из-за войн, финансовых кризисов или смен политического режима. Традиционные методы регрессии могут не обнаруживать или неправильно моделировать эти разрывы. Современные подходы, такие как эндогенные тесты точки разрыва (например, тесты Бай-Перрона), позволяют данным идентифицировать даты разрыва, которые затем могут быть включены в модели регрессии с фиктивными переменными. Исследование промышленного производства США с 1880 по 1940 год может выявить разрывы в 1914 году (Первая мировая война) и 1929 году (Великая депрессия). Моделируя эти разрывы, исследователь может избежать предвзятости от предположения единой постоянной связи в принципиально разных периодах.

Заключение и будущие направления

Регрессионный анализ стал незаменимым для экономической истории, превратив дисциплину из чисто повествовательного поля в такое, которое проверяет гипотезы со статистической строгостью. Путем количественной оценки отношений, контроля за путаницами и выявления причинных эффектов, модели регрессии углубили наше понимание прошлых экономических преобразований - от промышленной революции до Великой депрессии. Лучшая работа в этой области открыто признает ограничения, использует надежные стратегии идентификации и перекрестно проверяет результаты через различные источники данных и методы.

Заглядывая вперед, экономические историки все чаще используют методы машинного обучения, такие как случайные леса и регрессия Лассо, для обработки высокоразмерных исторических данных и выявления нелинейных отношений, которые может упустить традиционная OLS. Подходы к тексту как к данным также сочетаются с регрессией для измерения культурных установок, политического дискурса и институционального качества. Эти инновации обещают открыть новые границы, но фундаментальные принципы регрессионного анализа - тщательная спецификация, осознание предвзятости и осторожная интерпретация - остаются такими же актуальными, как и всегда. Для тех, кто заинтересован в погружении глубже, ресурсы, такие как руководство NBER по регрессии в экономической истории [FLT: 1] и [FLT: 2] Кембриджская экономическая история современного мира [FLT: 3] предлагают отличные отправные точки. [FLT: 4] Сайт Экономической ассоциации истории [FLT: 5] и [FLT: 6] Колонки VoxEU предоставляют доступные резюме недавних исследований. По мере улучшения доступности данных и расширения вычислительных инструментов, регрессионный анализ будет продолжать освещать экономические силы, которые сформировали наше прошлое - и предлагать