所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.
“延迟retirement对年轻人就业,职业,工资和工作流动性的影响”主要发现：JLE最新文章的发现与retirement年龄政策的背景紧密相连。为了应对老龄化人口对养老金体系带来的压力，许多国家都在鼓励延迟retirement，尤其是通过提高法定retirement年龄来实现。因此，对于政策制定者来说，理解老年劳动力供给增加对年轻一代就业市场的影响至关重要.
基于Bartik IV的核心发现表明，尽管较低的retirement率并未导致22至30岁年轻群体整体就业水平的降低，但它确实对他们所从事的工作类型和获得的工资水平产生了不利影响。在那些由于初始年龄结构导致retirement人数较少的通勤区域，年轻工人的职业分布呈现出从高技能职位向低技能职位的转变。具体来说，retirement率在总人口中每下降1个百分点，将导致10年内年轻工人中高技能职位的比例减少1.2个百分点，其中约60%的降幅集中在管理类职位，同时低技能职位的比例则相应上升0.8个百分点。这种职业层次的降低还体现在“过度教育”的年轻工人比例增加了1.4个百分点，即他们的教育水平超出了所从事工作通常所需的水平。此外，retirement率每下降1个百分点，还会导致年轻工人的小时工资下降5%，以及他们的工作间流动率减少0.35个百分点。
高技能职位的减少主要影响到了年轻的大学毕业生，这一群体的就业结果受到了明显的负面影响。与此同时，低技能职位的增加则主要集中在那些没有大学学位的年轻工人中。与先前的研究结果一致，本文发现年轻人对于恶化的劳动力市场前景做出了适应性反应：他们倾向于延长在学校的学习时间，并选择离开或避免那些retirement率较低的通勤区。虽然本研究主要关注年轻成年人的就业结果，但还观察到青少年（16-21岁）和中年人（31-44岁）也因retirement人数减少而受到了不利影响。除了职业层次降低、工资减少和工作流动性降低之外，青少年还经历了明显的就业率下降。相比之下，中年人在所有维度上受到的影响都小于青少年和年轻成年人。
关于Bartik IV，参看：1.Bartik IV构建操作程序和步骤, 使用该IV策略的AER数据和code及中英文文献，2.此文的研究发现, 可能会与AER“上山下乡”一样充满争议, 连续DID, 队列DID和Bartik IV，3.AER: 中国城乡迁徙与企业生产, 移动份额工具变量法Bartik，4.Bartik工具变量是什么? 份额移动法IV应用越来越多，5.TOP5前沿: 时下最流行的移动份额工具变量SSIV研究设计指南！6.免费4门课程, 因果推断1和2, IV, 份额移动IV和高级DID, 附数据,代码,讲义和阅读清单，7.Bartik工具变量法最新发展和使用方法流程图总结
延迟retirement对年轻人就业,职业,工资和工作流动性的影响简要介绍：
近年来，美国劳动力市场最引人注目的趋势之一是年长劳动者参与率的显著提高。如图1所示，自20世纪90年代中期以来，55岁及以上的美国人的就业比例已经从30%上升至40%。考虑到55岁及以上的人群目前大约占美国总人口的三分之一，这一变化对经济和社会都产生了深远的影响。55岁以上人群就业率的增长反映了多种人口动态，其中包括老年人口教育水平的提升以及retirement模式的转变。这种转变部分是由于经济激励的增强，如社会保障计划改革旨在鼓励延迟retirement、从固定收益型养老金体系向固定缴费型养老金体系的过渡，以及人均寿命的延长。此外，工作能力的提高也得益于体力劳动的减少和老年人健康状况的整体改善。
通过将55岁以上人群的就业率按职业类型细分为低技能、中技能和高技能职业，图1揭示了一个不太为人所知的现象：老年工人越来越倾向于从事高技能工作，如管理和专业职位，这一趋势是老年群体教育水平提升的直接结果。与此同时，近年来美国年轻人在劳动力市场上的表现有所下滑，包括大学毕业生在内的年轻群体就业情况也面临挑战。图2展示了从1990年到2017年，22至30岁年轻成年人的就业占比变化，这一变化按学历分为整体群体、拥有大学学位者和无大学学位者进行分别分析。尽管年轻工人在高技能职位上的就业有所增加，但这一增长完全是由大学教育普及率的提升所驱动。自1990年以来，不论是拥有大学学位还是无大学学位的年轻工人，从事高技能工作的比例实际上都在减少，越来越多的年轻人，尤其是那些没有大学学位的人群，开始在低技能职位中开启他们的职业生涯。基于这些观察，本文旨在探讨年长美国人劳动力供给的增加对近几十年来初入职场的年轻人就业前景的影响程度。为了回答这一问题，本文比较了1980年至2017年间美国不同通勤区域青年就业状况的变化，这些区域的retirement率存在显著差异。利用横截面数据差异来估计retirement对年轻工人的因果影响存在一定的挑战，因为不可观测的劳动力需求变化往往会同时影响retirement率和青年就业结果，从而在两者之间形成一种机械性的关联。
为应对这一内生性问题，本文采用了工具变量（IV）方法，该方法基于老年人口年龄结构在不同地理区域的差异，以此区分retirement对劳动力供给的影响。具体来说，构建了一个类似于Bartik的工具变量，它通过结合当地初始45岁以上人口比例与全国按年龄划分的10年retirement率来实现。这个工具变量的有效性建立在美国人通常在60多岁时退出劳动力市场这一事实的基础上。因此，那些初始即将retirement人口比例低于全国平均水平的通勤区，在随后的10年内自然会经历较少的retirement现象。
IV方法的有效性基于一个关键假设：45岁以上人口结构的差异仅通过影响retirement率来间接影响年轻人的就业结果。通过分析表明，45岁以上人口结构的大部分变化可以追溯到历史上的出生模式，这进一步强化了该工具变量所依赖的变异性在很大程度上是预先决定的。为了解决不同通勤区出生模式可能存在不同趋势的问题，本文证明了当结果仅依赖于通勤区内45岁以上人口结构的时间变化时，结论依然稳健。此外，利用二战后婴儿潮时期的出生模式作为变异来源的分析也得到了相似的结果。受到近期关于Bartik工具变量研究（Goldsmith-Pinkham 等，2020）的启发，还展示了主要发现并不依赖于如何利用年龄结构的变化作为retirement的工具变量。直接使用45岁以上人口比例作为独立工具变量的分析也得出相似的结果，并且该工具变量通过了所有主要结果的过度识别检验，这进一步支持了IV策略的有效性。
本文的核心发现表明，尽管较低的retirement率并未导致22至30岁年轻群体整体就业水平的降低，但它确实对他们所从事的工作类型和获得的工资水平产生了不利影响。在那些由于初始年龄结构导致retirement人数较少的通勤区域，年轻工人的职业分布呈现出从高技能职位向低技能职位的转变。具体来说，retirement率在总人口中每下降1个百分点，将导致10年内年轻工人中高技能职位的比例减少1.2个百分点，其中约60%的降幅集中在管理类职位，同时低技能职位的比例则相应上升0.8个百分点。这种职业层次的降低还体现在“过度教育”的年轻工人比例增加了1.4个百分点，即他们的教育水平超出了所从事工作通常所需的水平。此外，retirement率每下降1个百分点，还会导致年轻工人的小时工资下降5%，以及他们的工作间流动率减少0.35个百分点。
高技能职位的减少主要影响到了年轻的大学毕业生，这一群体的就业结果受到了明显的负面影响。与此同时，低技能职位的增加则主要集中在那些没有大学学位的年轻工人中。与先前的研究结果一致，本文发现年轻人对于恶化的劳动力市场前景做出了适应性反应：他们倾向于延长在学校的学习时间，并选择离开或避免那些retirement率较低的通勤区。虽然本研究主要关注年轻成年人的就业结果，但还观察到青少年（16-21岁）和中年人（31-44岁）也因retirement人数减少而受到了不利影响。除了职业层次降低、工资减少和工作流动性降低之外，青少年还经历了明显的就业率下降。相比之下，中年人在所有维度上受到的影响都小于青少年和年轻成年人。
本文的贡献主要体现在两个方面。首先，通过采用一种新颖的实证策略，为retirement对劳动力市场的影响提供了新的视角。一方面，基于时间序列或跨州差异的研究表明，在美国及其他国家，老年劳动力并未明显“挤出”年轻劳动力（Gruber 和 Wise, 2010；Munnell 和 Wu, 2012）。另一方面，针对特定国家养老金改革的研究往往发现，由政策引发的延迟retirement在短期内对企业层面产生了挤出效应。例如，Boeri等（2022）分析了意大利2011年提高retirement年龄的养老金改革，发现受该改革影响较大的企业中，年轻人和中年人的就业有所下降。这些关于养老金改革的研究在其他国家也发现了类似的企业层面替代效应（Martins等, 2009；Hut, 2021；Cullen 和 Nakazawa, 2022）。
从概念上讲，采用宏观视角的缺点在于难以将retirement趋势的影响与其他经济总体趋势的影响区分开来。虽然企业层面的研究通过跨企业对比克服了这一问题，但它们的不足在于无法全面捕捉整个劳动力市场的变化，因为这些研究未考虑企业间运作的一般均衡效应。此外，它们通常只比较现有的存续企业，忽略了新企业的工作创造和倒闭企业的工作消失。最后，由于这些政策变化的时间较近，相关研究的时间跨度往往较短，而劳动力市场通常需要时间来充分调整。
本文选取地方劳动力市场作为分析的单位，综合考虑了本地的一般均衡效应，并研究了四十年间以十年为周期的变化。通过利用区域间年龄结构差异所引发的retirement变动，本文平衡了宏观和微观两种研究方法的优缺点。Bertoni和Brunello（2021）在意大利的研究也探讨了2011年养老金改革对省级就业的影响，发现由于年龄结构的差异，受改革影响较大的地区，青年和中年人的就业水平有所下降，部分原因是企业退出的增加。
本文不仅为美国的情况提供了证据——这可能与其劳动力市场制度相较于欧洲更具灵活性有关——而且，研究的视野不局限于retirement对就业的影响，还扩展到了职业类型、工资水平和工作流动性等多个重要维度。通过这些研究，勾勒出了retirement影响的全貌，包括年轻人如何通过调整学业和居住地的选择来应对劳动力市场前景的变化。本文还特别强调了美国retirement趋势的技能偏向特征，这对于理解retirement的影响主要体现在职业构成而非就业水平上非常关键。研究发现，retirement人数的减少导致年轻人（以及中年人）在高技能职位，尤其是管理职位中的比例下降，这一结果与近期在意大利和荷兰的研究相吻合，这些研究表明，延迟retirement对同事的职业晋升机会产生了负面影响。
本文的第二项贡献在于为近年来美国年轻人就业市场的恶化提供了一个新的解释角度。尽管这一趋势已被广泛研究，但其背后的具体原因尚不明确。Beaudry等（2016）提出，由于信息技术的发展趋势，美国在2000年左右经历了对认知技能需求的逆转，这导致了对高技能工人需求的下降。而retirement节奏的放缓及其技能偏向效应，可以被视为另一个重要的影响因素。本文估计结果表明，如果没有retirement节奏的放缓，那么从1990年到2017年间，年轻人从事低技能工作的比例将只会上升5.2个百分点，而不是实际观察到的7.1个百分点；相应地，高技能工作的比例将上升7.3个百分点，而不是5.1个百分点。
本文的发现与retirement年龄政策的背景紧密相连。为了应对老龄化人口对养老金体系带来的压力，许多国家都在鼓励延迟retirement，尤其是通过提高法定retirement年龄来实现。因此，对于政策制定者来说，理解老年劳动力供给增加对年轻一代就业市场的影响至关重要。
第三部分 实证策略
A. 实证模型说明
本研究的实证分析旨在探究1980年至2017年间，不同通勤区域retirement率的差异如何影响青年就业结果的变化。为此，计算了在时间区间 ( t-10 ) 至 ( t ) 内，通勤区 ( c ) 的45至80岁劳动力与16岁以上人口的比率，再减去同一时间区间内55至90岁劳动力与26岁以上人口的比率，以此作为衡量retirement人数的指标：
尽管这一指标不仅仅反映retirement情况，但它能够近似估计在 ( t-10 ) 至 ( t ) 这段时间内，最初年龄在45岁以上的劳动力中retirement的人数。选择这一年龄区间的原因是，许多美国人在50多岁末开始retirement，而越来越多的人选择在60多岁甚至更晚retirement。为了便于在不同通勤区之间进行比较，retirement人数被标准化为初始总人口的比率。图3的A和B展示了不同通勤区在不同时间段retirement率的显著差异。例如，在2007至2017年期间，retirement率的分布范围从3.7%延伸至14.2%，中位数为8.6%，四分位差为2.1%。本研究的核心实证模型通过回归分析，考察了四个不同时间段（1980-1990年、1990-2000年、2000-2007年、2007-2017年）内十年期的青年就业结果变化与同期retirement人数变化的关系，同时控制了时间固定效应和通勤区的c初始特征：其中，时间固定效应用于吸收每个时期内所有通勤区青年就业结果和retirement变化的全国性因素。通勤区的初始控制变量涵盖了可能与retirement人数和青年劳动力市场变化相关的多种因素，包括制造业就业比重、常规职业的就业比重、职业离岸外包敏感度指数、移民人口比重、失业率、女性就业率，以及人口的年龄、性别、种族和教育水平等构成要素。在所有回归分析中，观测值根据时期特定的通勤区国家人口份额进行加权，以赋予人口较多的通勤区更大的权重，而标准误则按州级聚类处理，允许误差项在通勤区和时间上呈现州内的关联性。
核心系数β代表了retirement人数每增加1个百分点，对青年劳动力市场结果在10年期内的影响。然而，使用普通最小二乘法（OLS）对β进行估计可能会存在偏差，这主要由两个因素导致。
首先，(RET45+) 不仅仅捕捉了劳动力从就业状态向非活跃状态（即retirement）的转变，它还涵盖了就业与失业之间的流动，例如招聘和解雇。这可能会引起问题，因为招聘、裁员以及自愿离职等行为通常与当地的经济状况密切相关，而这些经济状况同样会对年轻工人产生影响。换言之，在经济繁荣（或萧条）的地区，企业往往会倾向于增加（或减少）所有年龄段工人的招聘，这可能导致 (RET45+) 与青年劳动力市场结果之间出现一种机械性的关联。
其次，工人的retirement决策可能会受到经济状况的影响。Coile和Levine（2011）指出，在经济衰退期间，符合社会保障资格的个体更可能选择retirement，尤其是那些教育水平较低的人群。而Goda等（2011）则认为，在大萧条期间，由于资产的损失，一些人可能会推迟他们的retirement计划。无论哪种情况，retirement流动对经济环境的敏感性都意味着 (RET45+) 可能不仅反映了劳动力供给的变化，也可能反映了劳动力需求的变化。
B. 工具变量法：老年人的年龄结构
为解决前述内生性问题，采用了工具变量法。基于美国人在特定年龄段退出劳动力市场的现象，我们可以利用通勤区的初始年龄结构来预测未来10年内可能retirement的人数。只要老年人的年龄结构与当地的劳动力市场条件无关，并且仅通过retirement这一渠道影响年轻工人，那么这种差异作为RET45+的工具变量就能够隔离出retirement对年轻工人的因果效应。
为了更直观地展示retirement倾向如何随个体生命周期而变化，图4绘制了按年龄划分的全国10年期retirement率。这一比率定义为某一出生队列在特定时期开始时的就业率与同一队列在10年后的就业率之差。例如，1990年45岁人群的10年期retirement率是指1990年45岁人群的就业率减去2000年55岁人群的就业率。换言之，这大致反映了1990年45岁人群在1990至2000年间的某个时间点选择retirement的比例。通过这种方法，可以更准确地捕捉到retirement行为的时间趋势，并将其作为分析的工具。两个显著的特点值得关注。首先，就业率在55岁至60岁之间呈现钟形曲线，这表明大多数美国人通常在60多岁时retirement。曲线的两端则显示，在50多岁末retirement的人数较少，而60多岁及以上的人群大多数已经退出了劳动力市场。其次，52岁、55岁、62岁和65岁这些特定年龄点上的明显离散变化，与社会保障和医疗保险的资格年龄相吻合。
这些经验规律提示我们，可以利用老年人口年龄结构的地区差异来预测未来的retirement趋势，进而分离出RET45+的劳动力供给端影响。具体来说，构建了一个Bartik风格的工具变量，称之为“预测retirement人数”，它通过结合通勤区特定的45岁以上人口比例与全国按年龄划分的10年期retirement率来计算：
其中，(emp_{pop_a (-c),t}) 表示在计算时排除了目标通勤区 (c) 的全国各年龄段的就业率，这样做是为了避免在第一阶段回归中产生任何机械性的相关性。通过这种方法，我们可以更准确地预测retirement人数，从而为分析提供强有力的工具变量。
45岁以上人口的年龄结构在不同通勤区之间表现出显著的差异，如图3的C和D所示。在2007至2017年间，预测的retirement人数分布从18.9%到22.1%不等，中位数为20.8%，四分位差为0.6%。值得注意的是，与基于当地产业构成或移民来源国的常见Bartik工具变量策略不同，年龄结构是随时间不断变化的，这意味着一个地区预测的retirement人数会自然地随时间而波动。为了避免将45岁以上人口构成的变化与45岁以上人口规模的变化相混淆，特意将45岁以上人口比例定义为45岁以上人口中的比例，而非总人口中的比例。该工具变量的目的是比较那些即将retirement的人口比例不同的地区，而非单纯比较老年人口比例不同的地区。在回归分析中，明确控制了总体年龄分布的形状，以确保推动变化的是45岁以上人口内部的年龄构成。
表1显示，该工具变量具有充分的解释力。第一阶段的结果在表1的第1至第4列中按时期分别展示，第5列则汇总了所有时期的数据。第5列中的Kleibergen-Paap（K-P）F统计量较大，表明不存在弱工具变量的问题。从数量级来看，预测的retirement人数在未来10年内每增加1个百retirement人数平均增加0.82个百分点。第一阶段的系数低于1，这是因为预测的retirement人数是基于初始45岁以上人口比例来测量的，而不是基于初始总人口比例。
C. 老年人年龄结构差异的解读
正如Goldsmith-Pinkham等（2020）所讨论的，Bartik工具变量策略的有效性取决于基础假设的实验思路，以及在特定的实证环境中哪种渐进性最为适宜。在本研究设计中，最自然的解释是不同地区通过其45岁以上人口的年龄结构，受到全国retirement率的“共同冲击”。从渐进性的视角来看，这种实证设置最适合于地点数量无限增多，但时期和Bartik分配类别保持固定（例如，722个通勤区，4个时期，36个年龄类别）的情况。在这种情境下，工具变量方法的有效性取决于初始45岁以上年龄分布的外生性。更具体地说，由于Bartik工具变量估计等同于使用个体份额作为工具变量（且加权矩阵是冲击的函数）进行的广义矩估计（GMM），其隐含的假设是每个45岁以上年龄份额都是一个有效的工具变量。为了评估这一识别假设的合理性，本节将探讨两个关键问题：（1）哪些年龄份额在推动估计中“最为关键”？（2）是什么因素导致了45岁以上年龄构成的横截面差异？
为回答第一个问题，采用了Goldsmith-Pinkham等（2020）的观点。他们指出，Bartik工具变量估计可以重构为使用各个年龄份额作为独立工具变量的正确定义工具变量估计的加权和。这些权重——被称为“Rotemberg权重”——可以是正数或负数，总和为1，并反映了多重工具变量估计对任何年龄份额内生性的敏感度。图5展示了每个年龄份额的Rotemberg权重。值得注意的是，该图中的模式与图4中的模式相似，52至59岁年龄段的8个年龄份额具有最大的权重。这是因为Rotemberg权重是根据年龄段的10年retirement率直接计算的，尽管权重也受到其他因素的影响，因此这种相似性并非完全出于机械性。
这些权重揭示了识别变化的关键所在：它们表明，采用预测retirement人数作为工具变量的两阶段最小二乘法（2SLS）估计，实质上是在比较那些在未来10年内retirement倾向高于或低于平均水平的通勤区。这自然引出了一个问题，即那些在初始45岁以上年龄分布上存在差异的地区，尤其是52至59岁年龄段的初始份额不同的地区，是否可以作为有效的对照组，用于评估retirement对青年劳动力市场结果的影响。
年龄结构的横截面差异按定义可以源自三个因素：（1）历史出生模式，（2）迁移模式，以及（3）死亡率模式。假设远古时期的出生模式与当前当地劳动力市场条件无关，这一假设似乎是合理的。然而，迁移和死亡率模式可能随着时间的推移而与当地经济状况产生关联。例如，一些地区的工业衰退可能同时导致青年就业结果不佳和人口老龄化，因为工作年龄的人口可能会随时间推移而逐渐外迁。由于较高的初始老年人口比例可能意味着较低的预测retirement率，这可能会导致估计结果倾向于发现retirement对年轻工人产生负面影响。因此，一个关键的考虑因素是，年龄结构的变化中有多少可以仅由过去的出生率来解释。
作为分析的中间步骤，表2的A展示了如何利用1980年的年龄结构来预测45岁以上人口的比例。例如，为了预测2000年通勤区c中45-80岁人口里60岁人口的比例，采用了1980年该通勤区40岁人口的数量，除以1980年5至40岁人口的数量，并根据死亡率进行了调整。接着，分别按年份回归了实际的45岁以上人口比例与预测的年龄份额，并在其他列中结合了各种固定效应（所有列均汇总了年龄类别和通勤区）。1980年的年龄结构对于预测未来年龄结构具有很强的预测力，其决定系数R²约为0.8。在B中，使用按县划分的历史出生数据来预测45岁以上年龄份额。在这种情况下，2000年通勤区c中45-80岁人口里60岁人口的比例，是通过同一通勤区中1940年出生的人数除以1920至1955年间出生的人数来预测的，并再次根据死亡率进行了调整。由于20世纪初县级出生数据的不完整性，只能可靠地预测2000年和2007年部分县的年龄份额。作为替代方案，C采用了1910至1940年人口普查中的0至9岁儿童人口数据来近似1940年之前的出生情况。无论采用哪种方法，历史出生模式在预测未来年龄结构方面都显示出了强大的预测力。在B中，汇总所有年份且不包含任何固定效应的首选规格的决定系数R²为0.73，而C中为0.67。
另一个有助于理解45岁以上人口构成差异的有用做法是，将实际和预测的retirement率与初始通勤区特征相关联。在附录表A2和A3中，回归了实际和预测的retirement率与时期固定效应以及各种时期初始的通勤区特征。值得注意的是，实际retirement率与产业和职业就业份额相关，但预测retirement率则不相关。这与实际retirement率部分反映劳动力市场趋势的观点一致，而这些趋势可能与当地的产业/职业构成相关。预测retirement率在初始31至44岁人口比例较高、少数族裔（西班牙裔、黑人、亚裔）人口比例较高、女性就业率较高、失业率较高和移民比例较低的通勤区中更高（所有这些因素均包含在基线规范中作为控制变量）。
在本研究的分析中，将评估retirement对青年劳动力市场的多方面影响，包括就业率、职业结构、工资水平以及工作的流动性。这一分析基于一个隐含的假设——排除限制条件是有效的，即那些同时影响retirement和青年劳动力市场变化的未观测到的因素（如劳动力需求的变化）与当地初始的45岁以上年龄分布的形状是无关的。表2的结果显示，这些年龄结构的大部分差异可以追溯到历史出生模式，而这些模式不太可能与40年后当地劳动力市场条件的变化直接相关。
尽管如此，仍然存在两种情况可能导致排除限制失效。首先，历史出生模式可能部分受到过去当地经济状况的影响，而这些经济状况可能会持续一段时间。如果不同历史出生模式的通勤区（CZs）在时间上呈现不同的趋势，这可能会对分析结果造成干扰。在第四节F部分，将直接应对这一问题，展示即使在允许州或通勤区特定时间趋势的情况下，结果依然稳健。此外，还将展示2007-2017年的分析结果，这些结果明确依赖于二战后婴儿潮期间的出生模式——这是美国历史上一个独特的生育高峰期。使用这一变异源的发现在性质上与主要发现是类似的。
第二个问题是，即使当地的年龄结构不会通过劳动力市场的结构性趋势直接影响年轻工人，它仍可能通过不同年龄段的消费模式间接影响他们。随着人们在生命周期中的变化，他们消费的商品和服务类型也会随之变化，这可能会反过来影响不同行业对劳动力的需求（Cravino等，2022）。换句话说，年轻工人最终从事低技能工作，是因为retirement人数的减少，还是因为对这些类型服务的消费者需求增加？如果消费模式是主要解释，我们可能会预期看到低技能工作的工资上升。然而，在第四节B部分，将展示实际观察到的是相反的情况，这与劳动力供应增加的情况更为一致。
尽管由于县级历史出生数据的不完整性，本文在基准结果中使用了基于初始45岁以上年龄分布的Bartik工具变量，但为了缓解与时间相关的内生性死亡率和迁移模式的担忧，将在第四节F部分展示，当使用基于1980年年龄结构或历史出生数据预测的年龄份额替换实际年龄份额后，结果依然稳健。遵循Goldsmith-Pinkham等（2020）的建议，还将展示结果对于使用45岁以上人口中52-59岁初始份额作为工具变量，或在广义矩估计（GMM）程序中将各个45岁以上年龄份额作为独立工具变量的敏感性不大。GMM的结果还将表明，这些工具变量在所有主要结果中通过了过度识别检验，这进一步支持了工具变量策略的有效性。
工具变量，参看1.内生性问题操作指南, 广为流传的22篇文章，2.看完顶级期刊文章后, 整理了内生性处理小册子，3.如何寻找工具变量？得工具者得实证计量，4.内生性处理的秘密武器－工具变量估，5.工具变量在社会科学因果推断中的应用，6.为你的"工具变量"合理性进行辩护, 此文献可以作为范例，7.没有工具变量、断点和随机冲击，也可以推断归因，8.工具变量与因果推断, 明尼苏达Bellemare关于IV的分析，9.工具变量IV与内生性处理的精细解读，10.我的"工具变量"走丢了，寻找工具变量思路手册，11.面板数据里处理多重高维固定效应的神器, 还可用工具变量处理内生性，12.豪斯曼, 拉姆齐检验，过度拟合，弱工具和过度识别，模型选择和重抽样问题，13.工具变量先锋 Sargan，供参考，14.AEA期刊的IV靠不靠谱？15.计量大焖锅: iv, clorenz, rank, scalar, bys, xtile, newey, nlcom，16.GMM是IV、2SLS、GLS、ML的统领，待我慢慢道来，17.IV和GMM相关估计步骤，内生性、异方差性等检验方法，18.因果推断IV方法经典文献，究竟是制度还是人力资本促进了经济的发展？19.内生变量的交互项如何寻工具变量, 交互项共线咋办，20.面板数据、工具变量选择和HAUSMAN检验的若干问题，21.IV和Matching老矣, “弹性联合似然法”成新趋势，22.IV回归系数比OLS大很多咋回事, 怎么办呢? ，23.不用IV, 基于异方差识别方法解决内生性, 赐一篇文献，24.找不到IV, RD和DID该怎么办? 这有一种备选方法，25.内生转换模型vs内生处理模型vs样本选择模型vs工具变量2SLS，26.内生性, 工具变量与 GMM估计, 程序code附，27.GMM和工具变量在面板数据中的运用，28.关于工具变量的材料包, 标题,模型,内生变量,工具变量，29.必须使用所有外生变量作为工具变量吗？30.工具变量精辟解释, 保证你一辈子都忘不了，31.毛咕噜论文中一些有趣的工具变量！33.前沿: 删失数据分位数工具变量(CQIV)估计, 做删失数据异质性效应分析，34.不需要找工具变量, 新方式构建工具变量, 导师再也不用担心内生性问题了！35.关于顶级外刊工具变量的使用最全策略, 不收藏反复读就不要谈IV估计！36.如何通过因果图选择合适的工具变量？一份关于IV的简短百科全书，37.前沿: nature刊掀起DAG热, 不掌握就遭淘汰无疑！因果关系研究的图形工具!38.最清晰的内生性问题详解及软件操作方案！实证研究必备工具！39.中国女学者与其日本同行在JPE上发文了！利用独特数据, 地理断点RDD和IV研究中国环境议题！40.双胞胎样本解决遗漏变量和测量误差, LIV解决选择偏差，41.内生性处理的秘密武器－工具变量估计，42.工具变量IV必读文章20篇, 因果识别就靠他了，43.看完顶级期刊文章后, 整理了内生性处理小册子，44.“内生性” 到底是什么鬼? New Yorker告诉你，45.Heckman两步法的内生性问题(IV-Heckman)，46.最全估计方法，解决遗漏变量偏差，内生性，混淆变量和相关问题，47.非线性面板模型中内生性解决方案，48.内生性处理方法与进展，49.万能cmp程序, 有了他, 建议把其他程序全删掉！50.你的内生性解决方式out, ERM独领风骚，51.面板数据是怎样处理内生性的，52.计量分析中的内生性问题综述，53.一份改变实证研究的内生性处理思维导图，54.Top期刊里不同来源内生性处理方法，55.面板数据中heckman方法和程序(xtheckman)，56.控制函数法CF, 处理内生性的广义方法，57.二值选择模型内生性检验方法，58.2SRI还是2SPS, 内生性问题的二阶段CF法实现，59.非线性模型及离散内生变量处理利器, 应用计量经济学中的控制函数法！60.最全利用工具变量控制内生性的步骤和代码—在经管研究中的应用，61.如何选择合适的工具变量, 基于既有文献的总结和解释！62.中介效应最新进展: 中介效应中的工具变量法使用方法及其代码！63.弱工具变量的稳健性检验, 附上code和相关说明！64.工具变量对因果效应的识别和外推, 大牛的顶级评述！65.几百年一遇的工具变量让基于OLS的截面数据回归结果发到Top了, 设计巧妙让人叹服！66.一份使用工具变量回归的AER文章清单, 思路惊奇定会让你脑洞大开！67.估计工具变量回归时, 是否必须将所有外生变量用作工具变量？68.引力模型基础上的工具变量如何构建？69.必读, 宗教是如何阻碍经济发展的? 基于DID, IV和各种机制分析的AER量化史分析！70.JPE上利用地理断点RDD和IV研究中国环境议题的do文件release！71.工具变量IV估计免费课程, 文章, 数据和代码全在这里, 不学习可不要后悔！72.天下回归, 无内生性不破, 唯此神文不破, 练就内生性处理的终极大法！73.搞懂因果推断中内生性问题解决方法必读的书籍和文献已搜集好！74.2020年博导圈流传最广的一份“几十种内生性处理方法及其要求和局限”的宝典, 并附上代表性重要文献！75.因变量和内生变量是连续,有序和无序多元变量时, 该如何做工具变量估计？76.你确定找到一个好的工具变量了吗? 这将是一篇最值得你看的文章！77.华人金融学术女神为运用工具变量估计方法做因果推断的学者提供了如下宝贵建议！
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。
7年，计量经济圈近2000篇不重类计量文章，
可直接在公众号菜单栏搜索任何计量相关问题,
Econometrics Circle
计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。
