第19章:金融实证研究的规范流程
本专题前几部分从理论演进与典型案例出发,展示了金融发展、农村金融、数字金融等诸多主题。对于研究生而言,要将这些主题转化为可操作的学位论文或学术论文,需要遵循一套相对规范的金融实证研究流程。结合当代金融学研究方法论的重构思路,可以将规范流程概括为六个环节:
问题提出:从现实问题与文献空白出发
- 以真实的金融现象或政策争议为起点,例如:“数字普惠金融是否改善农户金融福利?”“存款准备金率调整是否对中小银行信贷产生更强约束?”“ESG 评级是否降低企业融资成本?”。
- 在广泛阅读文献的基础上,找出已有研究的共识、分歧与不足,明确自己要回答的边界清晰、可检验的问题。这一环节的关键是:问题要足够具体,同时具有一定理论与政策意义。
理论框架与研究假设:从概念到可检验命题
- 在前人理论与本专题“研究范式分层”的基础上,构建一个简单、清晰的理论链条,说明“为什么会有这种效应”。例如,从信息不对称理论、利益相关者理论推导“ESG→信息透明度提升→风险溢价下降→融资成本降低”的路径;从货币政策信贷渠道与银行异质性出发,推导“准备金率调整→银行流动性与资本约束→信贷供给异质反应”的机制。
- 在此基础上,提出可以被数据检验的研究假设,如“H1: ESG 评级提升显著降低债务融资成本;H2: 这一效应在分析师覆盖较少的企业中更强”等。理论框架不必复杂,但逻辑链条必须闭合。
数据收集与变量设定:从概念到可观测指标
- 根据研究问题与理论框架,选择合适的数据类型与样本范围,并遵循“数据–方法匹配原则”。例如,银行或企业面板数据适合固定效应与 DID 设计,高频交易数据适合高频识别法与微观结构模型,文本数据适合主题模型与文本–计量联合分析等。
- 将抽象概念转化为可观测变量,包括:被解释变量(如融资成本、信贷增速、农户金融福利指数)、核心解释变量(如 ESG 评级、政策虚拟变量、数字普惠金融指数)、控制变量(如规模、盈利能力、宏观环境指标)以及高维混淆变量(如分析师覆盖、媒体关注度、治理结构等)。
- 做好缺失值处理、异常值缩尾、变量标准化等预处理工作,保证数据质量,为后续识别打下基础。
模型选择与识别策略:从相关到因果
- 在基准模型中,优先选择与数据结构相匹配的计量方法,例如:横截面数据使用 OLS 或截面工具变量法,面板数据使用固定效应/随机效应、DID 或面板 GMM,时间序列数据使用 VAR/TVP-VAR 等。
- 在因果识别层面,结合前文“反事实框架”和“政策评估”思路,根据情境设计合适的识别策略,如自然实验、双重差分、断点回归、事件研究法、匹配+回归等,并在可能的情况下引入机器学习因果推断(如双重去偏 LASSO)提高高维环境下的识别精度。
- 对于复杂机制问题,可以考虑在结构建模(如神经结构方程、异构 Agent-DSGE)或计算实验(如 ABM 仿真)中嵌入因果识别结果,实现“实证估计–机制解析–情景模拟”的闭环。
结果分析与稳健性检验:从“有显著”到“可信赖”
- 在报告基准回归结果的同时,系统开展稳健性检验,例如:替换被解释变量或核心解释变量指标、调整样本范围、采用不同估计方法、更换控制变量集合等,检验结论是否稳健。
- 通过异质性分析与机制检验,回答“对谁更有效”“通过什么渠道起作用”等问题,使结论从简单相关上升为对机制的解释。
- 将实证结果与理论预期、既有文献对照,说明你的研究在哪些方面证实或修正了已有认识,避免仅停留在“发现一个显著系数”的层面。
结论提炼与政策含义:从回归表到可解释故事
- 在论文结尾部分,用简洁的语言概括核心发现,对应到最初的研究问题与假设,形成“问题–方法–结论”的闭合结构。
- 从理论贡献(对哪一类理论的补充或修正)、方法贡献(在识别策略或数据利用上的创新)、实践与政策含义(对监管、政策制定、金融机构实践的启示)三个层面进行提炼,明确研究的“增量价值”。
- 注意区分“实证发现”与“规范性主张”:哪些是基于数据可以较为稳健得出的结论,哪些只是需要进一步验证的政策建议,在写作中应明确边界。
从教学角度看,上述六步流程既可以作为研究生撰写学位论文的“检查清单”,也可以作为课堂上拆解经典文献、设计小型实证作业的参考框架,帮助学生把“方法论体系重构”转化为可操作的研究路径。