Chapter 工具变量法【DOC精选】.docVIP

两阶段最小二乘法 在模型的基本假定中，解释变量与误差项正交保证了参数估计量的无偏性和一致性。当这一假定被违背时，称解释变量是内生的。常见的几种情况会导致内生问题：忽略重要的解释变量、变量的测量误差、变量的联立性。工具变量估计是解决解释变量内生问题的基本方法。本章介绍工具变量法和两阶段最小二乘法，以及模型内生性检验和过度识别约束检验等问题。 变量的内生性 如果模型中的解释变量与误差项出现相关，即，称解释变量是内生的。导致解释变量内生性的原因有很多，主要的几个原因包括：模型中忽略了重要的解释变量、变量因果关系的双向性、变量的测量误差等。 模型中出现内生解释变量时，OLS估计量是不一致的。根据OLS估计量： (1.1) 由假定Rank(X)=K和大数定律，样本均值的概率极限等于总体均值，可得： ， 。 (1.2) 又由Slustky定理， (1.3) 工具变量估计 工具变量 在如下模型中， y = X(+ u 第i个解释变量xi为内生解释变量。如果存在变量z，z满足如下两个条件： 正交条件：与u不相关，即cor(z, u) = 0 相关条件：与x相关，即cor(z, xi) ( 0，也称为识别约束条件。 那么，z被称作xi的工具变量。 工具变量估计 设回归模型为： y=Xβ+u (1.4) 其中，解释变量为X（1×K）工具变量为Z（1×K）。Z作为工具变量满足正交条件和识别约束条件。在正规方程组中，用Z替换X， (1.5) 解此方程组，可得IV估计量为： (1.6) 将y=Xβ+u带入估计量中，可得 可以证明， 即IV估计量是无偏的，但不是有效的。同时，由 可知，IV估计量是一致的。 两阶段最小二乘法 设模型中存在K个内生解释变量，存在L=K个工具变量。每个工具变量都必须满足正交条件和相关条件。如果L=K，称为恰好识别；如果LK，称为过度识别。即利用其中不同的K个工具变量，都可以得到不同的估计量。当然，用任何一组工具变量得到的估计量都是一致的。因此，现在的问题是如何在这L个工具变量中找到K个工具变量使其估计量最有效。这即是两阶段最小二乘法。 TSLS估计 设模型为： (1.7) 其中，解释变量为X（1×K）工具变量为Z（1×L）。用Z作为工具变量，Z满足正交条件和识别约束条件。首先回归模型 (1.8) 可得，并提取拟合值。令，PZ为对称幂等矩阵，则。然后，利用做为工具变量回归模型，可得IV估计量为： (1.9) 而 。 由此可得： (1.10) 而是y对的OLS回归估计量。因此，利用作为工具变量作IV回归与利用替换X作LS回归是等价的。也正因为此，我们称之为两阶段最小二乘法。估计步骤归纳如下。 Step1：利用X对Z作OLS回归：；提取拟合值。 Step2：用替换X，直接作OLS回归。 2SLS的渐进特征 假定1：令X表示解释变量（包括常数变量1）。假定存在L个工具变量构成的（1×L）向量Z，满足E(Zu)=0。Z包含模型中的外生解释变量。如果模型中存在内生变量，则Z必须包含模型以外的外生变量。 假定2：（A）Rank(ZZ)=L；（B）Rank(ZX)=K。（A）条件是指L个向量Z不存在完全的线性关系；条件（B）是指Z与X充分线性相关，即所有工具变量都必须满足识别约束条件。条件（B）称为秩条件。秩条件成立的必要条件是L≥K。即，工具变量的个数至少等于解释变量的个数，称之为阶条件。 由X =Z(+v（其中，(为L×K矩阵），两侧同时乘Z并求期望可得：