表6富裕型与贫穷型HtM消费者的比例测算 处理组富裕型HM消费者的平均处理效应 数量比例(总样本)比例 (HIM ATE≡E( MPCI-MPCoWHtM=1) 非HM 3264% 控制组贫穷型HM消费者的平均处理效应 5499 6736% ATE=E(MPCI-MPColWHtM=0) 总住房资产标准 在进行倾向得分匹配时,我们采用近邻匹配 贫穷型 0.96% 142% ( Nearest Neighbor Matching)的方法,为富裕型HtM 富裕型 66.40% 98.58% 消费者寻找相近的贫穷型HtM消费者。为保证实证 多套房资产标准 结果的稳健性,我们同时进行不放回一对一近邻匹 贫穷型 4821 59.05% 配、有放回一对四近邻匹配、半径匹配( Radius 富裕型 12 100% Matching)①;并选取如下影响家庭消费决策的变量作 资料来源:作者计算。 为匹配的协变量,包括:户主受教育水平(edu)、婚姻 状况( marriage)、城乡分类( urban)、所在省份食品消 费者是富裕型还是贫穷型可能存在自我选择(Self费价格指数φpi)、时间虚拟变量(year)、是否拥有多 Selection)的问题,而且两种类型HM消费者的初套房资产虚拟变量( motherhouse n)。 始条件也可能不同,存在“选择偏差”( Selection (三)暂时性收入的边际消费倾向的估计与对比 Bias),进而会导致不一致的估计结果。此外,在两种 在对样本进行非精确匹配时,一对多匹配可以 识别方法下,富裕型与贫穷型HtM消费者的样本数使用更多的信息,缓解一对一匹配中存在的方差较 差别较大,虽然这与中国实际情况相符,但是在实证大的问题,但也由于使用了更远的信息,扩大了偏 分析时可能产生样本偏差问题。鉴于此,我们构造一差。对此, Abadie等认为在一般情况下,一对四匹配 个反事实框架( Counterfactual Framework),以虚拟可以最小化均方误差(MSE)叫。因此,我们首先进行 变量WHM={0,1}表示HtM消费者是否为富裕有放回的一对四近邻匹配。 型,WHtM=1和wHtM=0分别表示富裕型和贫穷 表7分别汇报了总住房资产和多套房资产价 型HtM消费者,将富裕型HtM消费者设定为处理值识别方法下的估计结果。可以看出,总住房资产 组,贫穷型HtM设定为控制组,以MPC=△n/△hnt识别方法下,平均处理效应ATT的估计值为 来衡量暂时性收入的边际消费倾向,并作为结果1.815,对应的t值为250,大于临界值1.96,故富 变量 裕型HtM消费者的边际消费倾向显著高于贫穷 对于HtM类型家庭i,其边际消费倾向可能有型:而多套房资产识别方法下,平均处理效应ATT 两种状态,取决于其是富裕型还是贫穷型,即MPC=的估计值对应的t值仅为-0.21,故无法拒绝富裕 MC,若WHM=1,富裕型和贫穷型HM消费孝型与贫穷型HM消费者的边际消费倾向无显著差 MPC,若wHtM=0 异的原假设 边际消费倾向分别为MPC1和MPCo Kaplan等以美国数据为基础,根据总住房资产 MPCμ-MPC准确地反映了富裕型与贫穷型HtM消净值区分富裕型与贫穷型HtM消费者时,发现二者 费者边际消费倾向的差异,但是我们无法同时获得的边际消费倾向无显著差别。本文分析中,多套房资 MPC和MPCa,因此我们采用倾向得分匹配产价值识别标准下的结论与 Kaplan等接近;而总住 ( Propensity Score Matching,PSM)的方法,引入家庭房资产识别方法下,结论与 Kaplan等存在差异,即 特征等因素对样本进行匹配,计算平均处理效应,相比于有房富裕型HM消费者,无房贫穷型HtM消 分析富裕型与贫穷型HtM消费者消费行为的差异。费者的边际消费倾向显著降低,倾向于将增加的暂 其中 时性收入也进行储蓄。这一现象揭示了中美家庭对 整个样本的平均处理效应( Average Treatment住房资产的需求差异。与美国相比,中国家庭对住房 EffectUATe≡E(MPC-MPC0) 资产,尤其是首套房的需求较强,住房资产生活必需 ①倾向得分匹配方法中最为常用的方法是近邻匹配、半径匹配(卡尺匹配)、卡尺内最近邻匹配、核匹配、局部线性回归匹 配、样条匹配。这些方法的匹配过程存在着差异,目前文献中尚无明确指出哪一种方法更有效率,需要根据具体数据来选 择匹配方法。表 6 富裕型与贫穷型 HtM 消费者的比例测算 费者是富裕型还是贫穷型可能存在自我选择（Self Selection）的问题，而且两种类型 HtM 消费者的初 始条件也可能不同，存在“选择偏差”（Selection Bias），进而会导致不一致的估计结果。此外，在两种 识别方法下，富裕型与贫穷型 HtM 消费者的样本数 差别较大，虽然这与中国实际情况相符，但是在实证 分析时可能产生样本偏差问题。鉴于此，我们构造一 个反事实框架（Counterfactual Framework），以虚拟 变量 WHtM= {0,1} 表示 HtM 消费者是否为富裕 型，WHtM=1 和 WHtM=0 分别表示富裕型和贫穷 型 HtM 消费者，将富裕型 HtM 消费者设定为处理 组，贫穷型 HtM 设定为控制组，以 MPC=驻lnc/驻lnt 来衡量暂时性收入的边际消费倾向，并作为结果 变量。 对于 HtM 类型家庭 i，其边际消费倾向可能有 两种状态，取决于其是富裕型还是贫穷型，即 MPCi= MPC1i，若 WHtMi=1 MPC0i，若 WHtMi=0 嗓 ，富裕型和贫穷型 HtM 消费者 的 边 际 消 费 倾 向 分 别 为 MPC1i 和 MPC0i。 MPC1i-MPC0i 准确地反映了富裕型与贫穷型 HtM 消 费者边际消费倾向的差异，但是我们无法同时获得 MPC1i 和 MPC0i， 因 此 我 们 采 用 倾 向 得 分 匹 配 （Propensity Score Matching，PSM）的方法，引入家庭 特征等因素对样本进行匹配，计算平均处理效应， 分析富裕型与贫穷型 HtM 消费者消费行为的差异。 其中： 整个样本的平均处理效应 （Average Treatment Effect）ATE以E（MPC1i-MPC0i） 处理组富裕型 HtM 消费者的平均处理效应 ATE以E（MPC1i-MPC0i|WHtMi=1） 控制组贫穷型 HtM 消费者的平均处理效应 ATE以E（MPC1i-MPC0i|WHtMi=0） 在进行倾向得分匹配时，我们采用近邻匹配 （Nearest Neighbor Matching）的方法，为富裕型 HtM 消费者寻找相近的贫穷型 HtM 消费者。为保证实证 结果的稳健性，我们同时进行不放回一对一近邻匹 配、有放回一对四近邻匹配、半径匹配（Radius Matching）①；并选取如下影响家庭消费决策的变量作 为匹配的协变量，包括：户主受教育水平（edu）、婚姻 状况（marriage）、城乡分类（urban）、所在省份食品消 费价格指数（pi）、时间虚拟变量（year）、是否拥有多 套房资产虚拟变量（otherhouse_n）。 （三）暂时性收入的边际消费倾向的估计与对比 在对样本进行非精确匹配时，一对多匹配可以 使用更多的信息，缓解一对一匹配中存在的方差较 大的问题，但也由于使用了更远的信息，扩大了偏 差。对此，Abadie 等认为在一般情况下，一对四匹配 可以最小化均方误差（MSE）[24]。因此，我们首先进行 有放回的一对四近邻匹配。 表 7 分别汇报了总住房资产和多套房资产价 值识别方法下的估计结果。可以看出，总住房资产 识 别 方 法下 ，平 均 处 理 效 应 ATT 的 估 计 值 为 1.815，对应的 t 值为 2.50，大于临界值 1.96，故富 裕型 HtM 消费者的边际消费倾向显著高于贫穷 型；而多套房资产识别方法下，平均处理效应 ATT 的估计值对应的 t 值仅为 -0.21，故无法拒绝富裕 型与贫穷型 HtM 消费者的边际消费倾向无显著差 异的原假设。 Kaplan 等以美国数据为基础，根据总住房资产 净值区分富裕型与贫穷型 HtM 消费者时，发现二者 的边际消费倾向无显著差别。本文分析中，多套房资 产价值识别标准下的结论与 Kaplan 等接近；而总住 房资产识别方法下，结论与 Kaplan 等存在差异，即 相比于有房富裕型 HtM 消费者，无房贫穷型 HtM 消 费者的边际消费倾向显著降低，倾向于将增加的暂 时性收入也进行储蓄。这一现象揭示了中美家庭对 住房资产的需求差异。与美国相比，中国家庭对住房 资产，尤其是首套房的需求较强，住房资产生活必需 资料来源院作者计算遥 非 HtM HtM 总住房资产标准 贫穷型 富裕型 多套房资产标准 贫穷型 富裕型 合计 比例（总样本） 32.64% 67.36% 0.96% 66.40% 59.05% 8.30% 100% 数量 2665 5499 78 5421 4821 678 8164 比例（HtM） 1.42% 98.58% 87.67% 12.33% 100% 淤倾向得分匹配方法中最为常用的方法是近邻匹配、半径匹配（卡尺匹配）、卡尺内最近邻匹配、核匹配、局部线性回归匹 配、样条匹配。这些方法的匹配过程存在着差异，目前文献中尚无明确指出哪一种方法更有效率，需要根据具体数据来选 择匹配方法[23]。 21