邮箱：[email protected]
所有计量经济圈方法论丛的do文件,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.
Joshua Graff Zivin，YingquanSong，QuTang，PengZhang，2020. Temperature and high-stakes cognitive performance: Evidence from the national college entrance examination in China，Journal of Environmental Economics and Management.We provide the first nation-wide estimates of the effects of temperature on high-stakes cognitive performance in a developing country using >
Fig.1 描述了考试期间平均温度的分布情况，这一直方图揭示了极大的异质性，温度分布主要在10℃-30℃之间，峰值在25℃处。为了测量温度的非线性影响，作者构建了两个测量量：DD（degree days）作为一个分段线性函数用于描述低于/高于阈值14℃的天数；另一个用于捕获非线性效应的方式是构建一系列2℃的箱，其中最低的包括12℃以下所有温度，最高的包括28℃以上所有温度。
另一个需要重点注意的因素是考试评分会在考后1-2周内由专业的老师在各省省会有空调的旅馆内完成。此外，每一位评分者只改一道题，每题由2名评分者评分，再进行交叉验证。因此，温度对于评分者表现的任何潜在影响在作者评估高考成绩时被进一步最小化。
同时，作者也不是很关心学生的选择，已有研究表明，尽管更聪明的学生会希望推迟他们的考试因为预期考试条件会得到改善，但是推迟的成本太高，学生需要等待整整一年才能再次参加高考（NCEE）。Empirical strategy为了评估温度对学生表现的影响，作者构建如下等式：Yict = α0 + β1*Tct + β2*Wct + γc + ηt + ∈ict式中，i代表学生个体，c代表考试进行的县城，t代表考试年份；Yict有2个测量值。一个是对数考试成绩，选择对数是为了增强解释因为点估计值对应于考试成绩相对于温度的半弹性。另一个是一个虚拟变量，当学生的分数大于等于本一线时为1，否则为0。两种方法都使用OLS估计。Tct代表6月7日和8日的日平均温度（最高气温与最低气温的均值）。Wct代表一个包含所有天气变量的矩阵，包括降水，相对湿度，风速，日照时间，气压和能见度，与温度变量一致，所有上述变量都选取两天的平均值。γc代表县城的固定效应，用以控制研究时间段县城的地理、文化、人口等特征是稳定的。ηt代表年份的固定效应，用以控制任何全国性的政策或者经济冲击会随着时间变化但对所有县城的考试的影响是公平的。因为天气变量是按照县城级别分组的，标准误差可能会下偏，所以按照县城尺度增加误差项∈ict。作者的识别差异是县一级的，因而避免使用省级从层面的年度固定效应，因为这会吸收数据中的大部分变异并且给定县内短期温度波动的随机性使其不可能与考试难度相关。但是，作者使用省级时间趋势进行了稳健性检验并且发现了相似的结果。本文关心的系数是βi。当对温度进行线性度量时，这一系数表示考试期间温度每升高1℃总成绩变化的百分比（进入一本高校的可能性的变化）；当使用DD时，DD的估计系数表示考试期间在温度大于（小于）14℃温度每升高（降低）1℃总成绩变化的百分比（进入一本高校的可能性的变化）；但对于非线性的箱式接近方法时，每一个箱的系数度量了当温度相对于参考温度12-14℃下降到该温度区时总成绩变化的百分比（进入一本高校的可能性的变化），参考区的选择是因为它与最高的考试成绩相关。Results主要结果Table 2 给出了主要的回归结果，其中因变量为总成绩的对数，（1）和（2）为所有学生，（3）和（4）为文科生，（5）和（6）为理科生；（1）（3）（5）温度的度量为6月7日和8日的日均气温，（2）（4）（6）的温度度量为之前描述的DD。就（1）（3）（5）列而言，所有的估计值都是负数并且在1%的置信区间下显著。对所有学生而言，第（1）列的估计系数表明，温度每升高1℃，总成绩将下降0.34％，即平均得分下降1.76（平均分为518.96），即一个标准偏差的温度升高（3.29℃）会使总测试成绩降低1.12％，相当于标准偏差的9.59％（标准偏差为60.40）。由于作者的模型包括县级固定效应，因此作者还使用县内温度的标准偏差2℃来校准幅度：县城温度每升高一个标准偏差（2℃），会使总测试成绩下降0.68％，相当于标准偏差的5.83％。就（2）（4）（6）列而言，当DD大于等于14时，对所有学生而言，第（2）列的系数为负且结果显著，并且与（1）列的结果基本一致。这主要是受考试时间的影响，高考的两天全国的平均气温为22.78℃，远超过阈值14℃。与之相对，当DD小于14时，结果在统计意义上不显著。对于不同科目学生而言，作者发现温度的消极影响对于文科生更为显著。除去温度，作者在回归模型中还考虑了降水、相对湿度、风速、日照时间、气压和能见度这些天气要素。结果表明风速和日照时间有显著的正效应，而降水、相对湿度、气压和能见度的估计情况在统计学意义上不显著。
Fig. 2 绘制了当因变量是考试成绩的对数时，在非参数箱式接近方法下的系数（蓝色）和95％置信区间（灰色），所有估计值都是相对于被省略的12-14℃箱。结果表明，所有温度高于12-14℃的箱的系数单调下降，且幅度与Table 2中Panel A的第（1）列相符合。
学习与认知表现
在这一部分，作者将高考前一整年的温度加入到回归模型当中，目的有二，一是确保认知行为的短期效应不受对学生学习的长期效应的影响，二是识别是否存在长期效应。Table 3. 展示了结果。与基础模型相比，同期温度的回归系数基本不变，但是前一年温度的回归系数很小并且统计意义上不显著；对于DD的回归结果而言，加入前一年温度会产生显著的负面影响。这些发现表明作者所研究的短期行为效应不受长期学习效应的驱动，也证明极端温度会损害学习行为。
机制测试在作者的基准模型中使用的是日平均温度，即每日最高和最低温度的平均值，因此，作者的估计可以反映两种温度对考试成绩影响的潜在渠道：学生的表现可能会直接受到考试期间高温的损害或者受到极端高温对学生睡眠造成消极影响的间接损害。因为日最高气温和最低气温分别度量了白天和夜晚的温度，作者单独考虑这些变量来揭示这些潜在渠道。Table 4 中第（1）列重复了基准研究的结果， 第（2）（3）列分别使用最高和最低温度，第（4）列同时考虑了最高和最低温度，第（5）列在基准模型的基础上增加了考试两天温度的差值。结果表明，日最高温度起到重要作用并且强调了直接影响的重要性，同时，考试持续的两天的温度变化也有显著的消极影响。
动态效应从Fig.3 中，作者发现在考试前一段时间的温度的明显消极影响，因为滞后的温度可能会影响学生对考试的准备。相反，当作者加入考试后一段时间的温度时，效果变小，最终变得微不足道。
空调的作用已有研究表明空调可以保护人体免受过高温度的影响并且这种防护会影响认知表现。但作者无法获取测试机构是否使用空调的信息，并且出于公平的考虑，在高考考场禁止使用空调因为部分地区不具备这一条件。然而，作者通过将作者的样本划分为城市和乡村区域来间接探索空调的作用（假定在城市区域的考察有更大的可能性拥有空调）。结果表明在城市区域温度的影响更大，尽管这样的差异并不十分显著。空气污染作为可能的混杂因素为了验证空气污染在本文模型中是否产生混杂，作者使用API数据来测试空气质量和考试成绩之间的关系。由于只能获得主要城市的API数据，这一分析的样本量有很大缩减。从Table 5. 的结果可以看出，由于加入API数据不会对温度效应项的回归系数产生较大影响，可以说明空气污染不会对作者的结果产生影响。当然，作者还进一步用2013-2016年的数据对PM2.5的影响进行验证，结果显示PM2.5在作者的研究设定中也不会产生太大影响。
异质性分析Table 6. 展示了将县城划分为温差超过平均值和低于平均值两类，尽管在温度较高县城的效应略低于温度较低县城，标准差的结果显示它们在统计学意义上没有明显的差异，交叉项验证的结果也相似。Table 7. 通过人均GDP划分县城的富裕程度，结果显示在富裕地区的股聚酯略高于贫困地区，但在统计意义上也没有显著差异，交叉项验证的结果也相似。Fig. 4 探索了学生成绩的异质性影响。从图中的结果可以看出，随着学生成绩排名百分比的上升，估计的系数明显下降，说明考试能力强的学生对于温度更加敏感，而能力较弱的学生受环境条件的影响较小。
温度对进入精英大学/机构的影响
Table 8. 和Fig.5 将因变量替换为进入一本大学的可能性，对所有学生而言，第（1）列中的估计系数表明，温度每升高1℃，进入一本大学的可能性下降0.60％，相当于标准偏差的1.33％（标准偏差为0.45）。第二列使用DD的估计结果表明，14℃以上温度每升高1℃，进入一本大学的可能性也下降0.60％，同样，这一影响在文科生中更加明显。然而，其他天气变量的影响有所不同，降水，湿度和气压的回归系数都在统计意义上显著，并且小于用均值估算的结果，能见度的回归系数是负的，并且系数值较大且在统计意义上显著，Fig.5 的非线性测试的情况也表现了相似的结果。
鲁棒性检验Table 9. 展现了对主要结果的鲁棒性检验，第（2）-（8）列通过对基准回归模型中变量的不同替换和统计学检验，其结果都表明，回归模型的结果是稳健的。
气候情景预测Fig.6 预测了2070-2099年在RCP8.5情境下每个县城的情况，从图中可以看出，西部的县城学生成绩的下降更大，这说明了在气候变化情境下省内不公平的加剧和省际间效率分配的失衡。
Discussion and Conclusion本文中，通过对中国高考数据的分析，作者发现温度对于高风险的认知行为有着重要的作用，具体而言，在考试期间1℃温度的升高会导致总成绩下降一个标准偏差的2.91%。此外，本文的研究还发现在各省内，高温地区的考生占有劣势。研究强调了对于中国高考体制下录取公平性的
所有计量经济圈方法论丛的do文件,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.
Joshua Graff Zivin，YingquanSong，QuTang，PengZhang，2020. Temperature and high-stakes cognitive performance: Evidence from the national college entrance examination in China，Journal of Environmental Economics and Management.We provide the first nation-wide estimates of the effects of temperature on high-stakes cognitive performance in a developing country using >
Fig.1 描述了考试期间平均温度的分布情况，这一直方图揭示了极大的异质性，温度分布主要在10℃-30℃之间，峰值在25℃处。为了测量温度的非线性影响，作者构建了两个测量量：DD（degree days）作为一个分段线性函数用于描述低于/高于阈值14℃的天数；另一个用于捕获非线性效应的方式是构建一系列2℃的箱，其中最低的包括12℃以下所有温度，最高的包括28℃以上所有温度。
另一个需要重点注意的因素是考试评分会在考后1-2周内由专业的老师在各省省会有空调的旅馆内完成。此外，每一位评分者只改一道题，每题由2名评分者评分，再进行交叉验证。因此，温度对于评分者表现的任何潜在影响在作者评估高考成绩时被进一步最小化。
同时，作者也不是很关心学生的选择，已有研究表明，尽管更聪明的学生会希望推迟他们的考试因为预期考试条件会得到改善，但是推迟的成本太高，学生需要等待整整一年才能再次参加高考（NCEE）。Empirical strategy为了评估温度对学生表现的影响，作者构建如下等式：Yict = α0 + β1*Tct + β2*Wct + γc + ηt + ∈ict式中，i代表学生个体，c代表考试进行的县城，t代表考试年份；Yict有2个测量值。一个是对数考试成绩，选择对数是为了增强解释因为点估计值对应于考试成绩相对于温度的半弹性。另一个是一个虚拟变量，当学生的分数大于等于本一线时为1，否则为0。两种方法都使用OLS估计。Tct代表6月7日和8日的日平均温度（最高气温与最低气温的均值）。Wct代表一个包含所有天气变量的矩阵，包括降水，相对湿度，风速，日照时间，气压和能见度，与温度变量一致，所有上述变量都选取两天的平均值。γc代表县城的固定效应，用以控制研究时间段县城的地理、文化、人口等特征是稳定的。ηt代表年份的固定效应，用以控制任何全国性的政策或者经济冲击会随着时间变化但对所有县城的考试的影响是公平的。因为天气变量是按照县城级别分组的，标准误差可能会下偏，所以按照县城尺度增加误差项∈ict。作者的识别差异是县一级的，因而避免使用省级从层面的年度固定效应，因为这会吸收数据中的大部分变异并且给定县内短期温度波动的随机性使其不可能与考试难度相关。但是，作者使用省级时间趋势进行了稳健性检验并且发现了相似的结果。本文关心的系数是βi。当对温度进行线性度量时，这一系数表示考试期间温度每升高1℃总成绩变化的百分比（进入一本高校的可能性的变化）；当使用DD时，DD的估计系数表示考试期间在温度大于（小于）14℃温度每升高（降低）1℃总成绩变化的百分比（进入一本高校的可能性的变化）；但对于非线性的箱式接近方法时，每一个箱的系数度量了当温度相对于参考温度12-14℃下降到该温度区时总成绩变化的百分比（进入一本高校的可能性的变化），参考区的选择是因为它与最高的考试成绩相关。Results主要结果Table 2 给出了主要的回归结果，其中因变量为总成绩的对数，（1）和（2）为所有学生，（3）和（4）为文科生，（5）和（6）为理科生；（1）（3）（5）温度的度量为6月7日和8日的日均气温，（2）（4）（6）的温度度量为之前描述的DD。就（1）（3）（5）列而言，所有的估计值都是负数并且在1%的置信区间下显著。对所有学生而言，第（1）列的估计系数表明，温度每升高1℃，总成绩将下降0.34％，即平均得分下降1.76（平均分为518.96），即一个标准偏差的温度升高（3.29℃）会使总测试成绩降低1.12％，相当于标准偏差的9.59％（标准偏差为60.40）。由于作者的模型包括县级固定效应，因此作者还使用县内温度的标准偏差2℃来校准幅度：县城温度每升高一个标准偏差（2℃），会使总测试成绩下降0.68％，相当于标准偏差的5.83％。就（2）（4）（6）列而言，当DD大于等于14时，对所有学生而言，第（2）列的系数为负且结果显著，并且与（1）列的结果基本一致。这主要是受考试时间的影响，高考的两天全国的平均气温为22.78℃，远超过阈值14℃。与之相对，当DD小于14时，结果在统计意义上不显著。对于不同科目学生而言，作者发现温度的消极影响对于文科生更为显著。除去温度，作者在回归模型中还考虑了降水、相对湿度、风速、日照时间、气压和能见度这些天气要素。结果表明风速和日照时间有显著的正效应，而降水、相对湿度、气压和能见度的估计情况在统计学意义上不显著。
Fig. 2 绘制了当因变量是考试成绩的对数时，在非参数箱式接近方法下的系数（蓝色）和95％置信区间（灰色），所有估计值都是相对于被省略的12-14℃箱。结果表明，所有温度高于12-14℃的箱的系数单调下降，且幅度与Table 2中Panel A的第（1）列相符合。
学习与认知表现
在这一部分，作者将高考前一整年的温度加入到回归模型当中，目的有二，一是确保认知行为的短期效应不受对学生学习的长期效应的影响，二是识别是否存在长期效应。Table 3. 展示了结果。与基础模型相比，同期温度的回归系数基本不变，但是前一年温度的回归系数很小并且统计意义上不显著；对于DD的回归结果而言，加入前一年温度会产生显著的负面影响。这些发现表明作者所研究的短期行为效应不受长期学习效应的驱动，也证明极端温度会损害学习行为。
机制测试在作者的基准模型中使用的是日平均温度，即每日最高和最低温度的平均值，因此，作者的估计可以反映两种温度对考试成绩影响的潜在渠道：学生的表现可能会直接受到考试期间高温的损害或者受到极端高温对学生睡眠造成消极影响的间接损害。因为日最高气温和最低气温分别度量了白天和夜晚的温度，作者单独考虑这些变量来揭示这些潜在渠道。Table 4 中第（1）列重复了基准研究的结果， 第（2）（3）列分别使用最高和最低温度，第（4）列同时考虑了最高和最低温度，第（5）列在基准模型的基础上增加了考试两天温度的差值。结果表明，日最高温度起到重要作用并且强调了直接影响的重要性，同时，考试持续的两天的温度变化也有显著的消极影响。
动态效应从Fig.3 中，作者发现在考试前一段时间的温度的明显消极影响，因为滞后的温度可能会影响学生对考试的准备。相反，当作者加入考试后一段时间的温度时，效果变小，最终变得微不足道。
空调的作用已有研究表明空调可以保护人体免受过高温度的影响并且这种防护会影响认知表现。但作者无法获取测试机构是否使用空调的信息，并且出于公平的考虑，在高考考场禁止使用空调因为部分地区不具备这一条件。然而，作者通过将作者的样本划分为城市和乡村区域来间接探索空调的作用（假定在城市区域的考察有更大的可能性拥有空调）。结果表明在城市区域温度的影响更大，尽管这样的差异并不十分显著。空气污染作为可能的混杂因素为了验证空气污染在本文模型中是否产生混杂，作者使用API数据来测试空气质量和考试成绩之间的关系。由于只能获得主要城市的API数据，这一分析的样本量有很大缩减。从Table 5. 的结果可以看出，由于加入API数据不会对温度效应项的回归系数产生较大影响，可以说明空气污染不会对作者的结果产生影响。当然，作者还进一步用2013-2016年的数据对PM2.5的影响进行验证，结果显示PM2.5在作者的研究设定中也不会产生太大影响。
异质性分析Table 6. 展示了将县城划分为温差超过平均值和低于平均值两类，尽管在温度较高县城的效应略低于温度较低县城，标准差的结果显示它们在统计学意义上没有明显的差异，交叉项验证的结果也相似。Table 7. 通过人均GDP划分县城的富裕程度，结果显示在富裕地区的股聚酯略高于贫困地区，但在统计意义上也没有显著差异，交叉项验证的结果也相似。Fig. 4 探索了学生成绩的异质性影响。从图中的结果可以看出，随着学生成绩排名百分比的上升，估计的系数明显下降，说明考试能力强的学生对于温度更加敏感，而能力较弱的学生受环境条件的影响较小。
温度对进入精英大学/机构的影响
Table 8. 和Fig.5 将因变量替换为进入一本大学的可能性，对所有学生而言，第（1）列中的估计系数表明，温度每升高1℃，进入一本大学的可能性下降0.60％，相当于标准偏差的1.33％（标准偏差为0.45）。第二列使用DD的估计结果表明，14℃以上温度每升高1℃，进入一本大学的可能性也下降0.60％，同样，这一影响在文科生中更加明显。然而，其他天气变量的影响有所不同，降水，湿度和气压的回归系数都在统计意义上显著，并且小于用均值估算的结果，能见度的回归系数是负的，并且系数值较大且在统计意义上显著，Fig.5 的非线性测试的情况也表现了相似的结果。
鲁棒性检验Table 9. 展现了对主要结果的鲁棒性检验，第（2）-（8）列通过对基准回归模型中变量的不同替换和统计学检验，其结果都表明，回归模型的结果是稳健的。
气候情景预测Fig.6 预测了2070-2099年在RCP8.5情境下每个县城的情况，从图中可以看出，西部的县城学生成绩的下降更大，这说明了在气候变化情境下省内不公平的加剧和省际间效率分配的失衡。
Discussion and Conclusion本文中，通过对中国高考数据的分析，作者发现温度对于高风险的认知行为有着重要的作用，具体而言，在考试期间1℃温度的升高会导致总成绩下降一个标准偏差的2.91%。此外，本文的研究还发现在各省内，高温地区的考生占有劣势。研究强调了对于中国高考体制下录取公平性的
收藏