Microdata are required to evaluate the distributive impact of the taxation system as a whole (direct and indirect taxes) on individuals or households. However, in European Union countries this information is usually distributed into two separate surveys: the Household Budget Surveys (HBS), including total household expenditure and its composition, and EU Statistics on Income and Living Conditions (EU-SILC), including detailed information about households' income and direct (but not indirect) taxes paid. We present a parametric statistical matching procedure to merge both surveys. For the first stage of matching, we propose estimating total household expenditure in HBS (Engel curves) using a GLM estimator, instead of the traditionally used OLS method. It is a better alternative, insofar as it can deal with the heteroskedasticity problem of the OLS estimates, while making it unnecessary to retransform the regressors estimated in logarithms. To evaluate these advantages of the GLM estimator, we conducted a computational Monte Carlo simulation. In addition, when an error term is added to the deterministic imputation of expenditure in the EU-SILC, we propose replacing the usual Normal distribution of the error with a Chi-square type, which allows a better approximation to the original expenditures variance in the HBS. An empirical analysis is provided using Spanish surveys for years 2012–2016. In addition, we extend the empirical analysis to the rest of the European Union countries, using the surveys provided by Eurostat (EU-SILC, 2011; HBS, 2010).

需要微观数据来评估整个税收系统（直接税和间接税）对个人或家庭的分配影响。然而，在欧盟国家，这些信息通常被分配到两个独立的调查中：家庭预算调查 (HBS)，包括家庭总支出及其构成，以及欧盟收入和生活条件统计 (EU-SILC)，包括有关以下方面的详细信息家庭收入和支付的直接（但不是间接）税。我们提出了一个参数统计匹配程序来合并两个调查。对于匹配的第一阶段，我们建议使用 GLM 估计量来估计 HBS（恩格尔曲线）中的家庭总支出，而不是传统使用的 OLS 方法。是更好的选择，只要它可以处理 OLS 估计的异方差问题，同时无需重新转换以对数估计的回归量。为了评估 GLM 估计器的这些优势，我们进行了计算蒙特卡罗模拟。此外，当在 EU-SILC 中的支出确定性估算中添加误差项时，我们建议用卡方类型替换通常的误差正态分布，这样可以更好地近似原始支出方差哈佛商学院。使用西班牙 2012-2016 年的调查提供了实证分析。此外，我们使用欧盟统计局提供的调查（EU-SILC，2011；HBS，2010）将实证分析扩展到欧盟其他国家。同时无需重新转换以对数估计的回归量。为了评估 GLM 估计器的这些优势，我们进行了计算蒙特卡罗模拟。此外，当在 EU-SILC 中的支出确定性估算中添加误差项时，我们建议用卡方类型替换通常的误差正态分布，这样可以更好地近似原始支出方差哈佛商学院。使用西班牙 2012-2016 年的调查提供了实证分析。此外，我们使用欧盟统计局提供的调查（EU-SILC，2011；HBS，2010）将实证分析扩展到欧盟其他国家。同时无需重新转换以对数估计的回归量。为了评估 GLM 估计器的这些优势，我们进行了计算蒙特卡罗模拟。此外，当在 EU-SILC 中的支出确定性估算中添加误差项时，我们建议用卡方类型替换通常的误差正态分布，这样可以更好地近似原始支出方差哈佛商学院。使用西班牙 2012-2016 年的调查提供了实证分析。此外，我们使用欧盟统计局提供的调查（EU-SILC，2011；HBS，2010）将实证分析扩展到欧盟其他国家。当误差项被添加到 EU-SILC 中支出的确定性估算中时，我们建议用卡方类型替换通常的误差正态分布，这样可以更好地近似 HBS 中的原始支出方差。使用西班牙 2012-2016 年的调查提供了实证分析。此外，我们使用欧盟统计局提供的调查（EU-SILC，2011；HBS，2010）将实证分析扩展到欧盟其他国家。当误差项被添加到 EU-SILC 中支出的确定性估算中时，我们建议用卡方类型替换通常的误差正态分布，这样可以更好地近似 HBS 中的原始支出方差。使用西班牙 2012-2016 年的调查提供了实证分析。此外，我们使用欧盟统计局提供的调查（EU-SILC，2011；HBS，2010）将实证分析扩展到欧盟其他国家。