《表3 内生性分析：全球价值链嵌入与技能溢价——基于中国微观企业数据的经验分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《全球价值链嵌入与技能溢价——基于中国微观企业数据的经验分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:第（1）列Kleibergen-Paap统计量中{}内数值为Stock-Yogo检验10%水平的临界值；第二列AR （1）、AR （2）和Sargan报告的均为统计量的p值。

由于存在企业自选择问题，即技能溢价高的企业可能会自动选择更多地参与到国际分工中，这种逆向因果关系可能会导致回归结果的偏误。同时，考虑到一些不可观测因素可能会引致的内生性问题，本文将采用以下方法进一步分析。首先，借鉴周茂等（2018）[31]的思想构建工具变量:使用该企业所在省份-三分位行业其他企业的GVC嵌入度均值作为工具变量。这样选择，一方面，该企业的GVC嵌入度与其所在地区-行业保持较强的同步性，满足工具变量对“相关性”的要求。另一方面，除去该企业的行业均值不会直接影响该企业的GVC嵌入度，可以认为满足工具变量对“外生性”的要求。表3第（1）列给出了相应的两阶段最小二乘法（2SLS）估计结果。结果显示，Kleibergen-Paap rk LM和Kleibergen-Paap Wald rk F检验拒绝了工具变量识别不足与弱识别的原假设，表明选取的工具变量是合理的。其次，第（2）列采取两步系统GMM方法，尽可能解决回归方程中的逆向因果关系导致的内生性问题。表3第（2）列AR （1）和AR （2）检验结果表明，模型的随机误差项不存在序列相关，Sargan统计量p值大于1%表明工具变量不存在过度识别问题，所以计量模型的工具变量选择是合适的。最后，本文采用GVC滞后一期及其平方项的滞后一期以进一步降低可能存在的内生性问题，回归结果见表3第（3）列。由表3中各列结果可知，在考虑可能存在的内生性问题之后，全球价值链嵌入对技能溢价的影响仍呈倒U型，本文的核心结论较为稳健。