關於分析提高最低工資的影響的方法的建議
作為一個業餘愛好者和好奇的人，家裡有很多空閒時間，我很好奇如果你只能訪問公共數據，那麼分析一個國家最低工資增加的影響的好方法是什麼？
我最初想到的是創建一個簡單的回歸，其中包含三個變數時間、每位員工的勞動力成本和總就業人數，其中
- 時間可能包括最低工資增加前後的 3 年數據
- 每個員工的勞動力成本將是我們的可預測變數，我們將使用它來更好地了解就業人數的變化
但是，我有幾秒鐘的時間考慮回歸的輸出有多準確，因為還有許多其他因素會影響就業人數。對此，我決定問你們中是否有人知道可以包含哪些其他變數，或者只是為此提出不同的數學方法？先感謝您。
您提到的模型的輸出根本不准確，原因有幾個，包括其他原因：
- 您提到您希望將勞動力成本用作可預測變數的文章-計量經濟學中沒有可預測變數之類的東西。如果你用那個意思是預測變數（即因變數），那麼將勞動力成本作為因變數是錯誤的。即使您想將其作為僅考慮勞動力成本的預測指標，在這種情況下也沒有多大用處，因為公司可以將勞動力成本的增加轉移到客戶身上，而不是減少就業，而且研究表明，大部分勞動力成本都會增加最低工資只是轉移到了消費者身上（例如，參見Harasztosi & Lindner，2019 年）。此外，勞動力成本可能由於與最低工資完全無關的大量其他原因而增加。
- 除非您居住在一個可以公開訪問公司級別就業數據的國家，否則只有 1 個國家和 6 年是不夠的。根據經驗，每個獨立回歸器需要 30 個觀察值。鑑於您需要的大多數控制項的數據最多可以按月頻率提供，但很可能按季度/年度頻率提供，您根本沒有足夠的數據點來執行參數模型（例如回歸）。您可以通過包含多個其他國家/地區來擴展您的數據集，在這種情況下，之前 3 年和之後 3 年可能就足夠了。
- 僅控制因變數旁邊的 2 個其他變數是不夠的，您的模型可能會遭受遺漏變數偏差。
如果要分析最低工資的特定增加，文獻中相當常見的方法是差異差異（DiD）。還有更複雜的技術，但簡單的回歸不會在這裡解決它（即使它只是為了好玩，如果你完全關心結果的質量）並且 DiD 並沒有那麼複雜。
您的回歸規範如下所示：
$$ y_{it}= \delta_i + \lambda_t + \rho D_{it} + X_{it}’\beta+ \epsilon_{it} $$
在哪裡 $ y_{it} $ 將是你的因變數， $ \delta_i $ 國家固定效應， $ \lambda_t $ 時間固定效應， $ D_{it} $ 是一個假人，告訴你國家是否 $ i $ 當時確實實施了提高最低工資 $ t $ 與否，和 $ \rho $ 會告訴你這個政策的效果。最後， $ X_{it}’ $ 是控制變數的向量。您想控制您認為可能影響該國就業的任何其他事情。
這稍微複雜一些，因為您將需要至少一個沒有同時提高最低工資的額外控制國家（儘管這應該不難找到）。此外，如果沒有其他原因，您可能希望將更多國家/地區添加到數據集中，然後只是為了獲得更多數據。
現在你真正想要的作為你的依賴（即預測）變數的不是勞動力成本，而是失業率，如果這是你感興趣的話。原因是研究經常表明，最低工資上漲會導致消費價格上漲，這意味著勞動力成本的大部分增長都轉移到了消費者的肩上（參見Harasztosi & Lindner，2019 年）。因此，即使您的模型發現對勞動力成本的影響很大，它也可能對行業就業產生零影響。因此，如果就業是你需要就業作為因變數之後的樣子。
上述內容本身可能還不夠好，無法發布（還有更多問題需要解決），但它至少可以算作一些初步的模型，您可以從中得出一些初步的結論。在執行此操作之前，您可能還想查看一些計量經濟學手冊，以了解有關如何估計此類模型的更多資訊。對於上面的模型，我認為 Angrist 和 Pischke 的《Mostly Harmless Econometrics》，關於 DiD 的第 5 章已經足夠閱讀（或者看看一些線上教程）。