4.工具变量估计.ppt

Economics 20 - Prof. Anderson * 工具变量估计 2SLS y=b0+b1x1+b2x2+ . . . bkxk+u x1= p0+ p1z+p2x2+ . . . pkxk+v 一个例子 当存在遗漏变量偏误时， 忽略，接受有偏、非一致估计量 使用代理变量（注意代理变量的条件） 利用面板数据去掉不随时间变化的遗漏变量 例子：估计教育回报 遗漏能力变量的解决方式 有偏或非一致的结果?错误的结果 代理变量：出生时的IQ测试难以获得 面板数据：教育程度也不随时间变化 本章的解决方式：利用工具变量估计 * 工具变量的基本思路 * 为什么需要使用IV? 当模型中含有内生变量时，需要使用工具变量IV估计 内生变量：Cov(x,u) ≠ 0 IV可用于解决 遗漏变量偏差：找不到适当的度量变量，不得不被当作误差项处理 度量误差（error-in-variable） 联立性偏差：识别因果联系 * * * 什么是工具变量? 恰当的工具变量必须满足： 工具变量必须是外生的，即Cov(z,u) = 0 工具变量必须与内生变量之间具有相关性，即Cov(z,x) ≠0 * 合理的工具变量还应当满足 经常需要根据经验、常识、经济理论来确定外生性假设是否合适：Cov(z,u) = 0 可以检验Cov(z,x) ≠ 0 回归x = p0 + p1z + v，并检验H0: p1 = 0 这一回归也被称为第一阶段估计 * 简单回归中的工具变量估计 y = b0 + b1x + u Cov(z,y) = b1Cov(z,x) + Cov(z,u), b1 = Cov(z,y) / Cov(z,x) b1 的IV估计量： * IV估计的推断 同方差假设：E(u2|z) = s2 = Var(u) 与OLS类似，给定渐近方差，可以得到： * IV与OLS估计 IV估计量与OLS估计量标准误的差异在于用z回归x所得到的R2 由于R2 1，IV估计量的标准误通常更大 在Cov(x,u) ≠ 0时，但IV估计量具有一致性，而OLS估计量不具有 z 与x之间的相关性越强，IV估计量的标准误越低 * 弱工具的影响 如果Cov(z,u) = 0 的假定不正确? IV估计量也不是一致估计量 可以比较OLS估计量和IV估计量的渐近偏误 若Corr(z,u)/Corr(z,x) Corr(x,u)，则倾向于选择IV * 多元回归下的IV估计 估计结构式模型，其中某个或某些变量是内生的 对于每个内生变量都至少需要一个工具变量 结构式模型为：y1 = b0 + b1y2 + b2z1 + u1, 其中y2 为内生变量，z1 是外生变量 设z2 为工具变量，Cov(z2,u1) = 0 并且 y2=p0+p1z1+p2z2+v2, 其中p2 ≠ 0 这一简化式模型中，以所有外生变量来回归内生变量 * 两阶段最小平方法(2SLS) 可能会有多个工具变量 考虑最初的结构式模型，设 y2 = p0 + p1z1 + p2z2 + p3z3 + v2 假设z2 和z3 都是合理的工具变量，他们都不出现在结构方程中，都与结构式模型的误差项（u1）相关 * 好的工具 用z2 还是z3 做工具？ 好的工具是所有外生变量的线性组合, y2* = p0 + p1z1 + p2z2 + p3z3 第一阶段，通过y2 z1, z2 z3 得到?2 将?2 代替结构式模型中的y2 ，得到与IV估计量相同的估计系数 * 2SLS进一步讨论 尽管所得到的系数都是相同的，但手工计算得到的2SLS的标准误是不对的，因此尽可能使用统计软件计算 确定工具变量的数量不能低于内生变量的个数 * 以IV估计来解决ERRORS-IN-VARIABLES 问题 errors-in-variables的典型问题是，我们所观察到的是x1而不是x1 其中x1 = x1* + e1, 并且e1 与x1*、x2不相关 如果存在z，使得Corr(z,u) = 0、Corr(z,x1) ≠ 0 IV可以解决attenuation bias * 内生性的检验 如果不存在内生性问题，则OLS估计量要比IV估计量好 如果没有内生性，OLS估计量和IV估计量都是一致的 Hausman检验的基本思想就是比较OLS估计量和IV估计量的差异 回归：如果y2 是内生的，则从简化式方程中得到的v2 与结构式模型中的u1 是相关的 * 以回归检验内生性 保存第一阶段的回归残差 在结构式方程中，同时包括第一阶段的回归残差与内生变量 如果残差的估计系数是统计显著的， 则拒绝外生性的原假设 如果存在多个内生变量，对第一阶段的残差进行联合显著性检验 * * 过度