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.在孩子还小的时候，如果学习成绩不佳，家长们常常会将看电视视为罪魁祸首。待孩子长大后，他们也会不自觉地将这种刻板印象传递给下一代。仿佛只要孩子看了电视，或者稍微多看了一些电视，他们的学业就会一落千丈。然而，最新发表在经济学TOP刊Economic Journal上的文章会颠覆家长们的这种观念，真的不能再简单地将孩子学习成绩不好归咎于看电视了。该研究以英国苏格兰从模拟电视信号向数字电视信号的转换作为自然实验，采用双重差分法（DID）进行分析，结果发现数字电视的普及实际上对孩子们的学习成绩产生了正面影响。在数字化转型实施四年后，KS2考试的平均成绩提高了0.034个标准差。这是因为，随着数字电视信号的转换，可观看的电视台数量增加，孩子们看电视的时间也随之增加。这使得他们参与风险较高的社交活动（如酗酒、抽烟）和游戏的时间减少，继而正向促进了他们的学习成绩，在经济条件较差的家庭中，这种效应尤为显著。
Adrián Nieto Castro, Television and Academic Achievement: Evidence from the Digital Television Transition in the UK, The Economic Journal, 2024
概览：
本文利用英国超过32,000个地理单元在模拟电视信号向数字电视信号转换的外生时间差异（将此作为自然实验），深入探讨了观看电视对学业成绩的潜在因果影响及其作用机制。基于英国公立教育系统中全体学生的大规模行政数据，研究发现数字电视的转换显著提高了学生的测试成绩，特别是在经济条件不好的学生群体中，这一提升效应尤为显著。
进一步地，通过分析电视市场数据和儿童调查数据，深入探讨了数字电视转换可能的影响机制。研究结果显示，数字电视的转换显著增加了儿童的电视观看时间（尤其对于经济条件不好的儿童而言），相应地减少了他们参与风险较高的社交活动和游戏。这些发现揭示了数字电视转换对学业成绩影响的潜在路径：即通过改变儿童的日常活动和社交行为，对学业成绩产生了积极的影响。
主要内容：
在过去的几十年里，儿科医生普遍认为电视对儿童的认知发展有不利影响，并建议家长控制孩子观看电视的时间。这种关注主要基于两个原因：首先，观看电视已成为大多数儿童日常生活中不可或缺的一部分；其次，学业成绩作为人力资本的重要组成部分，对孩子的未来职业发展具有重大影响。儿科医生的担忧得到了健康和教育研究的支持，这些研究通常显示观看电视与较低的学业成绩相关。
近年来，一些研究开始探索电视对教育表现的具体因果关系，结果却不尽相同。要解释这些复杂的研究结果，理解电视如何影响学业成绩的内在机制显得尤为关键。然而，我们对这些机制的认识还相当有限。已有研究表明，电视可能通过改变时间分配，进而影响健康、劳动力和个人发展的结果。电视可能会占据孩子进行其他活动的时间，这种时间上的替代效应对教育表现的影响可能是正面的也可能是负面的，具体效果取决于被替代的活动类型。此外，由于经济条件较差的儿童更倾向于参与无结构化活动，这种时间替代效应在不同收入水平的家庭中可能会有所不同。
本文呈现了观看电视对学业表现影响的最新研究成果，并深入分析了其背后的因果关系。研究借助英国从模拟电视向数字电视过渡的自然实验（这一转变是外部因素引起的），并整合了三种数据资源：学生层面的行政数据、电视市场数据以及儿童调查数据。英国的数字电视转换工作在2008年至2012年间逐步实施，涉及将每个电视发射器升级为高功率数字信号，并停止模拟信号的传输，从而使超过1700万观众的频道选择从5个增加到40个。得益于电视发射器地理位置的多样性，本研究得以利用英格兰32,844个低层超级输出区域（LSOAs）的高功率数字信号转换日期作为自然实验。这些区域是平均人口约为1500人的精确地理统计单元。通过网络爬虫技术从DigitalUK网站获取了这些相关数据。
英国政府将这一转换项目委托给了两家通信领域的专业机构，目的是依据1960年和1970年代建造的发射器的物理特性，在预定时间内完成转换。本文利用数字电视转换时间的差异，有效解决了在评估电视对学业成绩影响时可能遇到的识别难题，例如反向因果关系或未观测到的混淆因素。
本文分为两个部分，旨在深入分析数字化转型对中小学生考试成绩的影响。在第一部分中，我们运用差分中差分模型，对比了不同时间段内LSOA（下层超级输出区）学生在关键阶段2（KS2）考试分数的变化。数据来源于英国教育部（DfE）的学生管理数据集，覆盖了2006年至2019年英格兰公立学校学生的考试成绩。样本量超过700万条，几乎涵盖了英格兰全部学生群体的94%。这些数据不仅包括学生的KS2考试成绩，还包括他们的社会人口学特征和居住地信息，使我们能够在微观层面上分析数字化转型对成绩的具体影响。研究发现，在数字化转型实施四年后，KS2考试的平均成绩提升了0.034个标准差。考虑到家庭背景对学业成绩的重要作用，还进一步探讨了这一效应在不同学生特征上的分布，结果表明，这一提升效应主要出现在贫困家庭和低收入地区的学生中。
第二部分则揭示了两组与机制相关的发现。首先，通过分析电视市场的区域-周度面板数据，探讨了数字化转型如何显著增加了儿童的电视观看时间，进而影响了他们对其他活动的时间分配。其次，通过与“理解社会”调查中的儿童问卷数据相匹配，发现数字化转型减少了儿童参与高风险行为（例如饮酒）以及与不良同伴交往的频率，特别是在经济困难家庭和低收入地区，这一效应更为显著。
本文为探讨电视对学生学业成绩的影响提供了新的因果关系证据，并深入揭示了电视如何潜在地作用于教育表现。此外，本研究还扩展了关于其他技术对学业成绩影响的研究领域。具体来说，Sanchis-Guarner等（2021）的研究发现，家庭高速互联网的使用能够提升学生的考试成绩；而Machin等（2007年）的研究则表明，增加信息通信技术的投入对教育成效有正面作用。相较于电视，互联网和电脑等技术对学生学业成绩的影响同样引起了社会的广泛关注，因此，本文的研究结果在这一领域具有重要的参考价值。
文章的结构如下：第一部分详细阐述了数字电视转换及其在英国电视市场的推广过程；第二部分深入描述了研究所使用的数据集；第三部分展示了学业表现的实证分析模型及其分析结果；第四部分探讨了数字电视转换对学业成绩可能产生影响的机制；最后一部分对全文进行了总结。
数字电视转换及其在英国电视市场的推广过程：
数据
数字电视数据
通过抓取DigitalUK网站的数据，搜集了英格兰所有低层超级输出区域（LSOA）的数字电视转换具体日期，以及为这些区域首次提供高功率数字电视信号发射器的标识信息。由于英格兰的数字电视转换是分步骤实施的，不同LSOA的转换时间并不相同。在线附录A中，可以看到每年获得高功率数字电视信号的LSOA比例的变化趋势。从2009年至2013年，拥有高功率数字电视信号的LSOA比例逐年增长，2011年尤为显著，这一年是模拟信号向数字信号转换的高峰期。
教育数据
在英格兰，5至16岁的孩子必须接受义务教育。在这个教育过程中，孩子们会在三个关键阶段参加考试：7岁时的KS1（关键阶段1）、11岁时的KS2（关键阶段2）以及16岁时的KS4（关键阶段4）。为了研究观看电视对教育的影响，本文使用了国家小学生数据库（National Pupil Database）中的行政记录数据。该数据库由英国教育部提供，包含了2006年至2019年间英格兰公立学校学生的年度学业和社会人口统计信息，覆盖了94%的学生。本研究特别聚焦于KS2考试，原因有以下几点：
KS2考试标志着小学教育的结束，孩子们在11岁时参加这一考试。在这个年龄阶段，孩子们开始逐步减少对父母的依赖，与同龄人的互动变得更加频繁，并且开始参与各种具有不同认知价值的活动。这些活动有时可能会对他们产生不利的影响。
此外，KS2考试中的英语和数学科目完全由外部机构进行评估，这与其他关键阶段的考试（如KS1）不同。使用外部评估的分数作为分析基础，可以提供更客观的教育绩效指标，并且降低了教师主观评估可能带来的偏差风险。
KS2考试的评分体系比KS1和KS4更为精准，显著减少了测量误差，从而能够更加精准地探测到学生学业成绩的微小变化。
国家小学生数据库详尽地记录了学生在KS2考试中的数学、英语和科学三门科目的成绩。然而，由于从2009年起科学科目不再纳入考试范围，本文的分析将重点放在了2009年至2019年间，由外部机构全面评估的英语和数学成绩上。根据学科和年份对这些成绩进行了标准化处理，并将这两门科目的平均成绩作为衡量学生整体KS2学业成绩的依据。数据库还包含了学生的性别、年龄、KS1阶段的成绩、是否符合免费校餐资格、是否有特殊教育需求、所在学校等年度社会人口统计信息，以及学生居住的LSOA的详细资料。借助这些信息，将国家小学生数据库与LSOA层面的数字电视转换日期数据进行了有效对接，最终汇总得到了7,450,381个学生-年度的观测样本。在线附录B中详细列出了这些样本的汇总统计信息。
电视收视数据
第三个数据集来源于英国广播受众研究委员会（BARB），它包含了关于电视收视和内容的详细信息。BARB是一家致力于监测英国电视观众收视行为的非盈利有限公司。通过一个由12,000名个体和5,300个家庭组成的具有代表性的样本，BARB每周收集关于个人观看电视时长以及各类电视节目观看比例的数据。为了识别观众正在观看的具体节目，BARB在受访者的电视设备上安装了一个能够将电视节目声音转换为数字指纹的设备，并与电视节目数据库进行匹配。此外，BARB还为每个家庭成员（包括访客）分配了一个遥控器，用以记录他们观看电视的进出时间，从而准确确定实际观看电视的人员。BARB将收集到的数据按电视区域和周次进行汇总，并在获得相应许可后，提供按社会人口群体分类的汇总数据供研究使用。
英国自1955年至1965年设立了13个电视区域，这一划分至今仍在使用。本研究利用了BARB提供的2007年至2014年间4至15岁儿童的电视收视数据，包括每周儿童的平均收视时长以及他们观看不同类型节目的时间比例，如艺术、儿童节目、时事、纪录片、电视剧、教育内容、娱乐、电影、音乐、新闻、政治内容、宗教内容、肥皂剧等。没有对样本进行任何限制，最终收集到了5,408个电视区域-周次的观测样本，并将这些数据与各电视区域儿童接触数字电视转换的比例数据相匹配。在线附录B提供了电视市场分析样本的详细汇总统计信息。“理解社会”调查数据
第四个数据集来自“理解社会”调查（Understanding Society Survey, UKHLS, 2019a）的青少年问卷部分。自2009年以来，该调查每年追踪英国40,000户家庭的成员，10至15岁的青少年每年需回答调查中的青少年问卷部分，涉及他们的习惯及参与的活动。例如，该问卷调查了青少年参与高风险行为活动或玩电子游戏的频率，还提供了学业动机、学校出勤率及社会人口特征信息，如年龄、性别和家庭收入等。此外，可通过问卷追踪儿童随时间的变化。据此构建了一个17,312个个体-年度观察的不平衡面板，平均每名儿童在分析期间出现2.99年。“理解社会”调查还提供了参与者居住的LSOA信息，这些信息在获得相应许可后可以获取。将“理解社会”数据集与数字电视转换日期的数据进行了整合。在在线附录B中，提供了合并后样本的汇总统计数据。其他数据
在分析过程中，补充了两组数据集，用以控制学生居住地区的特征因素。首先，依据土地登记处提供的行政数据，计算了2006年至2019年间各个下层超级输出区（LSOA）的年度房价均值。其次，参考了英国国家统计局发布的年度失业率数据。通过整合这两组数据，在教育效果分析以及基于儿童调查数据的机制分析中，对居住地区的年度房价均值和失业率进行了综合考量。这样的方法有助于更精确地评估教育政策及儿童行为的影响，同时充分考虑到地区经济状况的多样性。
学业表现分析
实证策略
本文通过分析英格兰不同低层次统计区（LSOA）间数字电视转换的时间差异，探讨了观看电视对学业成绩表现可能产生的因果影响。研究中，采用了双重差分模型（Difference-in-Differences，DiD），对比了在不同时间点获得数字电视服务的儿童在测试成绩上的变化。模型的具体表达式如下：在此模型中，下标 (i) 代表学生，(r) 代表学生居住的LSOA，(s) 代表学生就读的学校，而 (t) 代表考试的时间点。yi,r,s,t 表示学生的标准化KS2测试成绩，DSr,t是一个指示变量，当学生所在的LSOA在考试前已完成数字电视转换时，该变量值为1。通过分析32,844个LSOA的数字转换数据，能够在更精细的地理层面上捕捉到由数字电视转换带来的外生变化。
模型中的
代表年度虚拟变量，用于控制学生KS2成绩随时间的变化；
为LSOA固定效应，控制了地区固有的、不随时间变化的特征；
为学校固定效应，控制了学校层面的、时间不变的因素；Xi,t是个体协变量向量，包括学生的性别、年龄、是否享受免费午餐、是否有特殊教育需求等信息；Yr,t 是地区时间变化特征向量，包括LSOA层面的年均房价和年度失业率。误差项
随学生和时间变化而变化。标准误在地方政府层面进行聚类处理，涵盖了317个地方政府单位，它们负责教育和交通等服务。
考虑到数字电视转换对教育效果的影响可能是短期的，也可能是长期的，进一步分析了这种影响的持续性，并检验了转换过程是否与学生之前的成绩趋势相关。具体的模型表达式如下：其中，Yearsr,t+1是事件虚拟变量，表示学生考试日期 (t) 与LSOA数字电视转换前后的年数差距。基于LSOA数字转换的确切日期，可以精确计算出数字转换与考试之间的天数，进而构建事件虚拟变量。尽管模型已经考虑了年度和LSOA的固定效应，但不同LSOA之间数字电视接入时间的差异性仍然提供了足够的变化，使得进行此类分析成为可能。
识别假设
虽然数字电视转换是由两家独立的电视台实施的，但不同LSOA的转换时间可能会受到社会人口特征的影响，并且这种转换可能与整体人口特征的变化同时发生。因此，数字转换可能与某些样本特征存在天然的相关性。本文发现，在控制了LSOA、年份、学校固定效应以及个体和地区特征之后，数字转换时间的变化应与未观测到的学业表现决定因素的变化无关。这种识别策略与利用地区-时间差异来研究电视技术推广的相关文献相一致。附录C显示，在控制了LSOA和年份固定效应之后，数字转换时间与一些预设特征之间的相关性不再显著。此外，学生成绩的前期趋势相似，稳健性检验也证实了这一识别策略的有效性。
结果
表1揭示了数字电视转换对学业成绩的积极影响。具体地，在第(1)列，我们控制了年度效应和LSOA固定效应；到了第(2)列，进一步加入了学校虚拟变量；第(3)列中，引入了个体协变量；而第(4)列则增添了地区特征。研究结果显示，数字电视的转换显著提高了学生的KS2成绩，这一提升在统计上是显著的。具体地，估计值的变化幅度在0.011到0.018个标准差之间，这相当于分数排名提升了0.35到0.55个百分点。
与其他技术干预的效果相比，互联网宽带接入能够使分数排名提升1.37个百分点，提供免费电脑可以提升0.14个标准差，而使用代数教学软件则能提高0.17个标准差。同时，减少与不良同伴的接触也能提升0.01到0.02个标准差。本文的估计结果与这些先前的研究结果相当。
进一步分析还发现，数字电视转换对学业成绩的正面影响随着时间的推移而增强，四年后KS2成绩提升了0.034个标准差。总体而言，数字电视信号的转换对于人力资本的积累起到了显著的促进作用。
后面就是各种稳健型检验，例如变换计量模型、增加控制变量、把被解释变量标准化、考虑替代性技术发展、异质性处理效应（异质性稳健DID）。
事件研究法，既可以看到动态效应，又可以检验事前趋势。
机制分析：包括两个机制，增加了观看电视的时间、减少了参与风险性活动或玩游戏。
关于多期DID或交叠DID: 1.DID相关前沿问题“政策交错执行+堆叠DID+事件研究”, 附完整slides，2.交错(渐进)DID中, 用TWFE估计处理效应的问题, 及Bacon分解识别估计偏误，3.典范! 这篇AER在一图表里用了所有DID最新进展方法, 审稿人直接服了！4.最新Sun和Abraham(2020)和TWFE估计多期或交错DID并绘图展示结果！详细解读code！5.多期DID或渐进DID或交叠DID, 最新Stata执行命令整理如下供大家学习，6.多期DID前沿方法大讨论, e.g., 进入-退出型DID, 异质性和动态性处理效应DID, 基期选择问题等，7.交叠DID中平行趋势检验, 事件研究图绘制, 安慰剂检验的保姆级程序指南！8.欣慰! 营养午餐计划终于登上TOP5! 交叠DID+异质性稳健DID！9.用事件研究法开展政策评估的过程, 手把手教学文章！10.从双重差分法到事件研究法, 双重差分滥用与需要注意的问题，11.系统梳理DID最新进展: 从多期DID的潜在问题到当前主流解决方法和代码! 12.标准DID中的平行趋势检验,动态效应, 安慰剂检验, 预期效应教程，13.DID从经典到前沿方法的保姆级教程, 释放最完整数据和代码！关于三重差分DDD估计，参看1.计量TOP刊最全三重差分DDD估计指导，2.TOP5最新文靶向了中国AI公司, 使用三重差分DDD进行实证评估，3.一些使用三重差分DDD的中文文章, 剔除其他干扰因素后获得政策的净效应！4.三重差分法运行和示例, 附上运行代码和结果解析！5.多期双(三)重差分法的操作指南(经典回顾)，6.DID和DDD, 一个简明介绍, 双重和三重差分模型，7.曾国藩QJE: 权力之网, 运用DID, DDD, 事件研究方法！8.用9个示例系统讲解DID, DDD模型的用法, 并且都给出了数据和代码供操作！9.继发AER之后, 2021年再发Top5, 这是什么神仙组合? DID, DDD方法在顶刊仍然耐打！10.连续DID, DDD和比例DID, 不可观测选择偏差，11.AER上以DID, DDD为识别策略的劳动和健康经济学，12.做了一份Slides, 就Stata17中DID, DDD方法及使用策略, 代码做了总结
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，始终坚信优秀通过感染优秀而互相成就彼此。
