论文导读:：人力资本存量、人力资本结构与经济增长—基于分位数回归的实证研究，经济学论文。
论文关键词：人力资本存量，人力资本结构，人均GDP，分位数回归
1.文献回顾
随着新经济增长理论的兴起，人力资本、人力资本结构对经济增长的作用越来越受到学者们的重视。例如：在分析人力资本与经济增长之间的关系中，Mankiw,Rome:和Weil (1992)，Bils和Klenow (2000)等将入学率作为人力资本的代理指标，这类研究发现人力资本对经济增长具有显著的贡献。Pritchett（1996）假设工资的自然对数与受教育年限呈对数关系，并定义任意一年的受教育资本为因受教育而增加的工资的贴现值，在此基础上求出受教育资本的增长率，然后以人均GDP的增长率为被解释变量，用91个国家1960—1985年增长率的截面数据进行回归分析发现，人力资本积累对生产力增长具有显著的负面影响。巴罗和萨拉伊马丁分别以男性与女性中等教育程度(平均年数)和高等教育程度(平均年数)作为衡量人力资本的指标，采用1965—1975年的87个国家和1975—1985年的97个国家的数据，运用回归分析方法分析人力资本对人均GDP增长率的影响，结果表明：男性中等和高等教育程度的系数是显著的，男性高等教育程度增加一个标准差，将使人均GDP增长率提高0.5个百分点，而男性中等教育程度增加一个标准差，将使人均GDP增长率提高1.1个百分点；女性中等教育程度和高等教育程度通过了联合显著性检验，但其对人均GDP增长率却有负面影响。在对人力资本与其他经济增长要素的结构进行研究的过程中，许多文献针对人力资本与其他经济增长要素(如物质资本)之间的比重结构对于经济增长产生的作用进行许多卓有成效的研究。Barro和Sala-l-Martin(1995 )在他们经济增长的典型文献中指出了人力资本、物质资本及其比例关系和经济增长之间的关系。WorldBank(1999),Chengze(1999)等的研究成果表明，虽然不少国家的人力资本的积累达到一定水平，但经济增长的效果却并不明显，经济增长没有取得与人力资本增长相应的进步，如前苏联、解体后的俄罗斯、斯里兰卡、菲律宾及改革前的越南等。
在分析人力资本与经济增长关系中，国内的学者的研究如林毅夫、刘培林（2003）以各省、自治区和直辖市1982年具有小学文化程度的人口占总人口的比例作为起始时刻的人力资本存量，运用1978—2000年的数据与回归分析方法，分析其对劳均固定资本同劳均存货资本积累引致的劳均地区生产总值的年平均增长率及技术前沿提高引致的劳均地区生产总值年均增长效应的影响，结果是经济学论文，人力资本对前者的影响不显著，对后者的影响虽然显著，但变量的系数为负，与理论预期相悖。邱冬阳、宋奇成(2008)选用人力资本代替经典C-D函数中的劳动投入，对收集的1978—2005年重庆市的GDP、固定资产投资和人力资本投入年度数据，运用单位根、Granger因果检验、协整、误差修正模型展开人力资本与经济增长的实证研究。协整结果显示：重庆市的经济增长是典型投资推动型经济增长，人力资本投入在短期、中期对经济增长没有明显的作用。在分析人力资本结构与经济增长的关系中，许多学者也进行了卓有成效的研究。如胡永远、刘智勇（2002）通过对不同类型的人力资本在经济增长中的影响进行贡献率的检验，认为不同类型的人力资本贡献率和发展趋势并不相同。周亚、甘勇、李克强（2004）认为我国的人力资本结构是一种“小托大式”结构：高技能、高技术劳动力所占比重极小，而且人力资本的分布差异主要表现在结构性的分布差异。刘海英、赵英才和张纯洪（2004）的实证发现人力资本“均化”对经济增长质量有促进作用，因此应将受教育机会更多的给予普通劳动者。杨俊、李雪松(2007)认为教育不平等将阻碍经济增长,中国地区间教育不平等已经成为各地区经济发展差异的重要因素。
纵观以往文献，由于研究者分析的侧重点、采用的方法、数据的来源、指标的选择等不同，各种结果之间存在一定差异。研究方法上大多是采用普通最小二乘法估计或面板数据模型进行分析。由于这种方法只能度量解释变量对被解释变量的“平均影响”，而没有考虑在条件分布不同位置时自变量的影响差异,因而存在一定的局限性。基于此，本文运用了较为前沿的分位数回归方法，致力于研究人力资本、人力资本分布结构对地区经济增长的影响。
2．理论框架与实证设计
2.1理论模型的选择
分位数回归的基本思想：区分在条件分布不同位置，人力资本和人力资本结构究竟会对经济增长产生怎样的影响。分位数回归方法最早是由Koenker等(1978)提出来的论文开题报告范文。从理论上说，分位数回归是一种基于被解释变量的条件分布来拟合被解释的线性函数的回归方法，是在均值回归上的拓展。由分位数回归方法得到的估计系数表示为解释变量对被解释变量在特定分位点的边际效应。
对于分位数回归而言，假设随机变量Y的概率分布为F(y)=Prob(Y≤y)，（李育安，2006）则Y的分位数定义满足F(y)≥的最小y值，即
q()=inf{y：F(y) ≥}，0＜＜1（1）
其中中位数表示为q(0.5)，回归分析的基本思想是使样本值与拟合值之间的距离最短，对于y的一组随机样本观测值{ ，，…，}，F(y)可由经验分布函数替代为：
（2）
I(z)是指示函数，z是条件关系式，当z为真时，I(z)=1；当z为假时，I(z)=0。相应的，经验分位数为：
，0＜＜1 （3）
F(y)的分位点q()可以由最小化关于的目标函数得到，即
（4）
式中{.}函数表示取最小值时的取值，称为检查函数。在线性条件下给定x后，Y的分位数函数为：
（5）
在不同的下，就能得到不同的分位数函数。当在（0，1）上变动时，就能得到所有y在x上的条件分布的轨迹， 与普通二乘法只能拟合一条曲线不同的是，分位数回归可以拟合成一簇曲线，普通二乘法只能描述自变量对因变量均值分布的影响，而分位数回归可以在自变量对不同部分情况下的因变量的分布产生不同影响时清晰地刻画不同分位数下分布的特征。
本篇文章由小编收集整理！望大家喜爱，谢谢！
