海平面上升对美国经济的影响

本研究中使用的估计器可以写成：TN≡ N-1十一∈Tu（易- |Ci公司|-1Xm∈Ciymi），（9）其中Nu是成功匹配的治疗受试者的数量，Tu是成功匹配的治疗受试者的集合，Yi是治疗i中的一个反应变量，Ci是分配给治疗i的一组对照组，| Ci |是比较组中的一组对照组，Ymide注意到了Ci中的一个反应变量。根据Abadie和Imbens（2006）估计标准误差。与其在X上匹配，不如在一维倾向得分π（X）上匹配，从而绕过维度问题≡ P（d=1 | X）。属性得分是个体在其观察到的协变量X的情况下参与治疗的概率。Myoung-jae（2005）表明，如果d独立于给定X的（y，y），它也独立于给定π（X）的（y，y）。为了估计倾向得分，我们必须选择一个要估计的模型和一组要包含在模型中的变量。我们建立了几种类型的模型，包括非参数logistic回归（logit）、概率模型和线性概率模型。根据匹配质量，最适合的是logistic回归和probit。通过迭代加权最小二乘法对模型进行拟合。文献提出了选择倾向评分解释变量的几种方法（见Myoung-jae，2005；Caliendo和Kopeinig，2008）。这里，变量是根据其统计意义和匹配质量选择的。通过不同方法获得的匹配根据不平衡测量进行评估和比较。

重点放在成功匹配的治疗组和成功匹配的对照组均数质量的双侧t检验的p值上，以及成功匹配的治疗组和成功匹配的对照组的概率密度与成功匹配的对照组的概率密度相同的零假设的Kolmogorov-Smirnov检验的p值上。分别计算X中每个变量的测试统计数据。在这种情况下，处理方法是海平面上升，要匹配的变量是表4中列出的模型（8）中的卵巢。我们将所有内陆县和四个海平面负上升的县作为对照。由于海平面上升不是一个二元变量，我们决定考虑海平面上升不同的所有沿海国家，其95%的置信区间高于所处理的特定值。95%的密度区间与平均海平面趋势来自同一来源，并且与海平面数据收集期的长度呈反比关系。第3节讨论了数据源。由于置信区间的长度与海平面上升和经济增长无关，因此使用置信区间来确定处理的数据集不应导致匹配估计值出现偏差。由于数据集仅包含274个沿海县，远远少于对照组的数量，因此我们选择将处理后的观测值定义为等于沿海县海平面上升百分比样本分位数的阈值，即1.8 mm/年。3数据本研究中使用的所有控制变量列于附录1的表1或表AI中。由于某些协变量的值并非适用于所有县，因此大多数模型是使用一个数据集估计的，该数据集包括3063个县，所有数据都可用，而总样本量为3072。

表1总结了海平面上升、人均收入平均增长率和最相关协变量的描述性统计数据。其他协变量的描述性统计可以在附录2中的表AIIII中找到。统计数据是针对完整案例的样本进行计算的。除了倾向评分匹配外，我们还尝试了其他匹配算法。其中包括Halanobis距离及其推广，其中每个协变量的最佳权重由通用搜索算法确定（Diamond和Sekhon，2014）。在这种情况下，使用倾向评分法获得平衡方面的最佳匹配，因此不会显示其他匹配的结果。表1：描述性统计变量平均标准差海平面上升-站点平均值（毫米/年）2.764 1.768海平面上升-沿海县（毫米/年）3.376 2.068人均收入平均增长率1990-20120.041 0.008（收入以美元计）海岸距离（公里）600.914 463.532Gov。人均支出（千美元）1071.411 376.838人均税收（千美元）652.926 434.457海平面上升数据可在运营海洋学产品和服务中心（CO-OPS）的网站上获得。水位数据是在邻近美国的94个CO-OPS水表站收集的。这些监测站的水位记录已经持续了至少30年。不同水位计站的海平面数据收集周期不同，这可能会使分析更加复杂。第5.4节讨论了该问题。根据CO-OPS提供的信息，通过将海平面变化分解为线性长期趋势、平均季节周期和每个台站的剩余变化来获得海平面趋势。

有关SEAA级趋势的估计95%置信区间，也可在CO-OPS网站上找到。对于大多数台站，截至2007年的水位数据用于估计平均海平面趋势。完整数据样本包括274个沿海县和2789个内陆县。94个合作站位于86个沿海县。我们认为内陆县的海平面上升等于零。对于沿海县，需要进行外推。采用以下简单推断。对于几个拥有多个台站的沿海县，海平面上升计算为县内不同台站捕获的海平面趋势的算术平均值。对于有一个合作站的县，使用该站测量的平均海平面趋势。对于没有合作站的县，海平面上升作为平均海平面趋势，在最接近县中心的站测量。该距离计算为shortestEuclidean距离。海平面上升95%置信区间的外推方式与平均海平面趋势相同。在第5.5节中，我们采用不同的外推作为稳健性测试。由于大多数县都是内陆地区，海平面上升为零，因此对整个样本的海平面上升进行描述性统计几乎没有意义。因此，表1显示了使用上述外推法得到的94个协整样本的海平面上升平均值和标准偏差，以及沿海国家子样本的海平面上升平均值和标准偏差。所有年份的人均收入增长数据均来自经济分析局。附录3表AIII总结了13个相关时间段的人均收入增长率描述性统计数据。

从县质心到海岸的欧氏距离最短。关于其他协变量数据来源的详细信息，请参见附录2.4实证结果。在第4.1节中，给出了Barro型增长模型的几种变量的实证结果。第2.2节讨论的匹配估计器的经验结果在第4.2.4.1节Barro型增长回归中给出。作为起点，我们在没有任何其他协变量的情况下，对海平面上升的经济增长进行了单一OLS回归，并在没有任何其他协变量的情况下，对海平面上升的经济增长及其平方进行了OLS回归。表2总结了这两个回归的估计值以及以方程（2）至（5）为特征的3SLS模型的估计值，无其他协变量。我们还包括海平面上升的平方。如果不包括平方项，则在某些模型中，线性项将为正，且略微显著。这与我们的预期不符，原因可能是关系的非线性。因此，海平面上升的二次项被包括在内，在大多数情况下，它是负的，并且通常是显著的。在表2的第一列中，海平面上升的影响是积极的和显著的，而文献假设了相反的影响。然而，如上所述，巴罗型增长回归的估计值在大多数情况下并不一致。此外，海平面上升与经济增长之间可能存在非线性关系。精确的结果也可能是由于忽略了变量偏差。当包含平方海平面上升时，线性项和平方项均为正且不显著。3SLS评估的情况有所变化。

由于第三个表中的初始人均收入的对数OLS 1 OLS 2 LSE方程（5）因变量g gπ常数0.077（0.011），收入会出现差异***0.077（0.011）***-1.390（0.008）***初始人均对数-0.004（0.001）***-0.004（0.001）***0.146（0.036）***收入（美元）海平面上升（米/年）0.828（0.145）***0.565（0.497）-4.077（3.875）海平面上升（米/年）- - - 26.340（47.610）901.900（367.900）*平方测量无任何聚集测量无任何宗教信仰其他社会经济无任何和环境指标区域dummyNo无新变量收敛率0.004 0.004 0.004观测值274 274 274注：括号中的标准误差*p＜0.05；**p＜0.01；***p<0.001列为阳性。海平面上升的线性项为负且不显著，而二次项为正且略微显著。这些结果可能有偏差，因为忽略了其他协变量，并且没有考虑空间模式，因此估计了更精确的模型。具有协变量的1990-2012年期间模型（1）的OLS估计值见附录3表AIV。方程（5）的3SLS估计值（包括协变量）可在表4的第一列中找到。调整后的R平方为0。492，F统计量值为119.8，p值小于2.2×10-16、附录3表AV总结了该模型第一阶段（3）和第二阶段（4）的估计值。然而，由于没有考虑可能的空间关系，这些估计可能存在偏差和不一致。Moran的研究证实了经济增长率gn的空间依赖性。试验统计值等于0.500，p值小于2.2×10-因此，无空间依赖性的无效假设被拒绝。Moran’s I也是针对变量πnfromequation（5）计算的。

其值为0.532，相应的p值小于2.2×10-同样在这种情况下，没有空间依赖性的无效假设被拒绝。因此，应填写表格（6）、（7）或（8）中的一种，而不是采用通常的3SLS程序。为了进一步检查空间调整模型的使用是否合理，我们使用了Anselin等人（1996）提出的拉格朗日乘数（LM）空间相关性诊断测试。具体而言，我们对空间误差依赖性使用LM检验，对缺失的空间滞后因变量使用LM检验。我们还计算了这些测试的变体，它们对其他测试的存在具有鲁棒性。其中包括在存在省略的空间滞后依赖变量的情况下，对空间误差依赖性进行LMtest，反之亦然。对于OLS残差，这些检验统计量的分布是众所周知的，因此我们将其应用于（1）的残差和（5）的残差。表3总结了空间误差相关性和形成空间滞后因变量的LM统计量值及其稳健版本（Anselin et al.，1996）。表3：剩余误差空间相关性的LM检验误差空间滞后相关变量TestP值TestP值统计工具（1）标准625.270<2.2×10-16631.655<2.2×10-16残差稳健22.527 2.072×10-628.912 7.575×10-83SLS（5）标准553.635<2.2×10-16533.797<2.2×10-16残差稳健41.802 1.010×10-1021.964 2.779×10-6表3中的所有统计数据都非常重要，表明一般空间模型（6）可能是一种合适的形式。附录3表AVIII的第一列总结了该表的估计值。参数λ不显著，而ρ非常显著，这表明规范（8）更合适。

（8）的估计值汇总在表4的第二列中，包括协变量在内的所有系数的估计值可在附录3的表AVI的第二列中找到。此外，根据剩余自相关的THLM测试，规格（8）是合适的。该检验统计量的值为0.826，其p值为0.364，因此不相关错误项的无效假设不会被拒绝。因此，将模型（8）作为进一步分析和估计该模型不同变体的起点。如表4第二列所示，海平面上升为正且略微显著，而在空间自回归模型中，平方海平面上升为负且不显著（8）。正如LeSage和Pace（2009）所解释的，需要使用影响度量来正确解释具有空间滞后因变量的模型的系数。由于溢出效应，一个观察中解释变量的变化可能会影响所有其他观察中因变量的值。因此，1990-20123SLS SARmodel（5）模型（8）常数为0.348（0.002）的系数可调节4收入增长模型***0.185（0.007）***初始人均收入记录（美元）-0.033（0.005）***-0.033（0.005）***海平面上升（米/年）0.947（0.277）***0.594（0.252）*海平面上升（米/年）-平方-59.200（37.040）-44.406（33.711）海岸距离（千公里）-0.007（0.001）***-0.005（0.001）***海岸距离（千公里）-平方0.008（0.001）***4535.100（690.000）***政府。

人均支出（十亿美元）-0.710（0.451）-0.596（0.411）人均税收（十亿美元）4.171（0.399）***3.370（0.368）***ρ（SAR）-0.458（0.021）***聚集度测量是是宗教信仰测量是其他社会经济是和环境指标区域虚拟变量是是收敛率0.058 0.058观察3063 3063注：括号内的标准误差*p＜0.05；**p＜0.01；***p<0.001不能以与典型OLS系数相同的方式解释。根据方程式2.46（LeSage and Pace，2009，第38页），使用精确密集矩阵计算了我们的模型（8）的影响度量（见表5）。直接影响是指县i中的解释变量对县i中的依赖变量的影响，间接影响是指县i中的解释变量对除县i以外的所有县的依赖变量的影响，总影响是直接影响和间接影响的总和。该模型中包含的所有协变量的影响可在附录3的表AVII中找到。表5 1990-2012年期间的收入增长模型-影响测量SAR模型（8）直接间接总海平面上升（m/年）0.6218 0.4753 1.0971海平面上升（m/年）-平方-46.4611-35.5122-81.9733海岸距离（千公里）-0.0048-0.0036-0.0084焦距（千公里）-平方4744.9020 3626.7320 8371.6340Gov。人均支出（十亿美元）-0.6232-0.4764-1.0996人均税收收入（十亿美元）3.5257 2.6948 6.2205集聚测量值Yes宗教信仰测量值Yes其他社会经济和环境指标区域虚拟变量Yes表4中的系数几乎不显著，但我们仍然显示了影响大小。图1描述了海平面上升对美国沿海县经济的初步总影响估计。

我们通过将每个县的海平面上升及其平方乘以海平面上升的估计总影响（可在表5的前两行中找到）来获得县的影响。在图1中，国家按照其沿海岸的位置排序，首先是从北向南的西海岸，然后是墨西哥湾沿岸的县，然后是从南向北的东海岸。黑白相间的条形图代表每个沿海州的几组国家。考虑到参数，可能令人惊讶的是，在海平面下降的四个县，影响仅为负。图1：海平面上升对经济增长率的初始影响-总影响如上所述，我们估计了不同时期经济增长的模型（8）。我们总共估计了13个不同时间段的13个不同模型，这些模型列于表6的第一列。第一行与1990-2012年期间相关，因此该行描述了与表4第二列中相同的海平面上升和海岸距离估计值。如表6所示，对于1990-2006年以及更短的时期，线性和二次海平面上升项都是显著的，线性项为正，而二次项为负。