第一部分5IV和GMM.doc

第五章 IV和GMM 一、IV估计量 1、内生解释变量 （1）什么是内生性 回顾经典假设：对于回归模型， ， OLS 的基本假设：(见陈强，书P15) 严格外生性假定可以推出： Cov[X,u] = 0。即： 解释变量X与随机项不相关； 定义： 内生解释变量。——如果X与随机项u之间存在相关性，称X为内生解释变量。 （2）内生性解释变量产生的原因 ①遗漏了重要的解释变量 True: Do: ②观测误差 True: Do: X与是否相关？比如吸烟与健康的调查中。不吸烟者的误差为零。吸烟者对吸烟次数的报告有较大的偏差 ③滞后被解释变量 如果时间序列中有自相关的话 ④联立方程中（说明见陈强书：第十章，P120-121） （3）、内生性的后果 ①参数估计是有偏的，有时甚至（同期相关）是不一致的。难以通过扩大样本改善估计性质。 内生性问题 （因为，所以OLS估计是有偏的） ②此时参数估计的偏差不仅仅存在于内生解释变量的参数上，而是所有的参数估计值都会受到影响 2、工具变量 对内生变量的解决思路 增加遗漏的变量，或者其代理变量 面板数据 工具变量法（Instrument variables） （1）工具变量的定义： 工具变量：在模型估计过程中被作为工具使用，以替代模型中与随机误差项相关的随机解释变量。 （2）工具变量要满足的条件： ①工具变量相关性： 工具变量与所替代的随机解释变量高度相关； ②工具变量外生性： 工具变量与随机误差项不相关； 另外：所找的工具变量要尽量与模型中其它解释变量不相关，以避免出现多重共线性。 3、IV估计量和TSLS （1）思路 X的变动中，一部分与u无关，一部分与u相关。用工具变量抓住X变动中与u无关的部分。忽略那些与u相关的X的变动（正是这部分变动导致了ＯＬＳ估计的有偏） （2）一个工具变量的情形 ，X为内生变量，找到一个工具变量Z 第一阶段：做回归 X被分解为两个部分： ①与u无关的部分：由于Z与u无关，因此线性部分是X中没有问题的部分； ②与u有关的部分v：忽略v 第二阶段：做回归 得到TSLS的估计量 （3）多个工具变量的情形 对于模型: ，假设Ｘ为内生变量，若存在两个工具变量 z1 和 z2，将得到两个 IV 估计量。 问题：如何将这两个IV估计量合并起来？ 第一阶段：, 得到 x 的拟合值，视为 x 的工具变量 第二阶段：。 *****************说明************************************* **TSLS软件会直接执行两个步骤，无需分开自行求解。自行求解时残差序列是错误的 **工具变量个数一定不能少于内生变量个数。 如果工具变量个数恰好等于内生变量个数，称为系数恰好识别 如果工具变量个数大于内生变量个数，称为系数过度识别 **可以把外生变量，看做自己的工具变量。也就是此时可见OLS是IV估计的特例 （4）矩阵的视角看IV估计（IV估计可以解决问题吗？） 因为工具变量外生性，所以 *IV估计不是用Z代替X，而只是分离出与u不相关的部分，只是部分的代替 （5） IV估计的性质 在大样本下，IV 估计是一致的， 4、工具变量有效性的检验 （1）假设1：工具变量相关性 ①什么是弱工具变量 几乎不能解释Ｘ变动的工具变量称为弱工具变量 ②为什么若工具变量是个问题？ 如果工具变量较弱，TSLS不再是可靠的。 事实上，如果工具变量较弱，TSLS估计严重偏向OLS估计的方向（有偏） 以一元为例，说明为什么弱工具变量是一个问题的 OLS 估计：对于,计算 IV估计： 如果是弱工具变量，Ｘ与Ｚ相关性很小，甚至为０，则导致结果严重偏离。 ③弱工具变量检验的经验法则 问题：工具变量与X的相关性多大才能使估计效果好？ 思路：TSLS的第一阶段，衡量了Ｘ与Z的关系。第一阶段用F统计量检验工具变量系数都为0的假设。F统计量度量了工具变量包含的信息，包含的信息越多，则F统计量的期望值越大。 方法：利用F统计量检验TSLS第一阶段中工具变量系数都为0的假设。经验法则是：如果F统计量超过10，无需担心弱工具变量。（此时TSLS的偏差大约只有OLS偏差的1/9左右） ④如果存在弱工具变量怎么办？ **如果有很多工具变量，其中一些是弱工具变量，在TSLS分析中忽略弱工具变量而选用相关性最强的工具变量子集 **若系数恰好识别，（工具变量数与内生变量数一样） 近似不相关。其中(用TSLS的估计，而不是OLS估计（有偏）) 分析：如果工具变量是外生的，则上述残差关于工具变量和外生变量回归