互助问答第864期：微观数据和宏观数据怎么匹配？

今日提问

     尊敬的老师：

您好！我是一名大三金融学在读的本科生，本学期需要完成毕业论文，现遇到面板数据处理的问题，急需您的帮助！问题我已附在word文档中，请您查收。期待您的解答，万分感激！

论文题目：互联网金融对商业银行盈利能力的影响

变量选择：自变量：互联网金融

根据文献综述，我选择了2010-2019年我国第三方支付规模及P2P交易规模之和作为互联网金融的代理变量，共10个数据。

因变量：资产回报率（ROA）

我选择了我国25家商业银行，其中包括国有银行，股份制银行，城市商业银行和农村商业银行。我收集了这25家银行2010-2019年年报上的ROA，共25*10=250个数据。问题说明：由于我的互联网金融数据是宏观层面，商业银行盈利数据是微观层面，我无法将这两者结合起来进行回归分析。通过阅读了大量文献，我认为我现在所使用的互联网金融的衡量指标是没有问题的，前辈学者们所使用的也是国家层面的年度数据，但我看到他们做出来的回归分析表格里，互联网金融的样本数量和商业银行的样本数量是一样的，困惑我的就是如何将互联网金融和银行的数据进行匹配。

问题解答

      按照你的描述，国家层面的数据赋值给每家商业银行，在相同年份是相同的数值，从而样本量会一致，但不建议在这个国家层面的变量是重要解释变量时这样展开分析。

      建议一种可能的处理方式是根据商业银行总行所在地等信息，确定银行的归属城市，利用对应城市的互联网金融作为自变量。

本期关键词

宏观时间序列数据；微观面板数据

本期知识科普

越来越多的研究者探究宏观时间序列变量对微观面板数据变量的影响。而在研究设计中，研究者一般在模型中加入年份虚拟变量（以及公司的虚拟变量），以控制全国性宏观经济冲击及其对微观被解释变量的影响。但是，这种情况下往往存在多重共线性的问题。在标准的微观企业层面的面板数据模型中，研究人员通常加入固定效应来获得核心变量参数的一致估计。一般而言，模型中会加入个别（公司）和时间（年）固定效应。以控制未观察到的公司层面和宏观经济因素造成的影响。然而，如果研究的是宏观变量的影响，就需要将微观面板数据与宏观（时间序列）变量结合起来。这会很容易导致完全相关的结果。

为了避免这种情况发生，有哪些方法呢？

（1）忽略年份（时间）虚拟变量

一种简单的方法是直接地剔除年份固定效应并仅控制个体（公司/行业）的固定效应。此外，当使用季度/月度数据进行实证分析时，我们可以进一步添加季度/月度（而不是年）虚拟变量以控制季节性的影响。具体可参考Gulen and Ion (2016), Bonaime et al. (2018), Kalcheva et al. (2021), 和Li and Qiu (2021)的研究设计。

（2）构建个体变异的宏观变量

宏观时间序列变量与年份虚拟变量完全相关的原因是在同一年里，所有公司/行业共享相同的宏观变量值。因此，为了避免完全多重共线性问题，在可行的情况下，可以尝试建立一个个体变异的宏观变量。具体可参照Yu et al.(2021）。

（3）不同水平强度/敏感度变量

在实践中，不同的公司/行业对石油价格、经济政策和贸易政策的不确定性或冲击的反应可能有所不同，即有些公司/行业对某一宏观层面的冲击更为敏感，而另一些则不那么敏感。例如使用TPU作为具有代表性的宏观变量。具体参照Rajan和Zingales(1998，page 563）。

（4）跨国分析

Attig et al. (2021) 使用来自 19 个国家/地区的数据检验 EPU对股息政策的影响；El Ghoul et al. (2021) 使用相同的国家和相似的时间跨度，调查 EPU 如何影响会计质量。他们的模型中都加入了年份固定效应。但由于不同国家/地区的 EPU 在每一年（通常）是不同的，它与年份固定效应并不完全共线。因而在此种情况下，即使包括年份虚拟变量，也可以识别 EPU 的关键参数。