第六讲 工具变量回归PPT.ppt

广义矩估计法：GMM 基本思想： 求解如下一般化目标函数,使之最小化 J(b_GMM) = n*g(b_GMM)*W*g(b_GMM) 其中，W 为权重矩阵 在球型扰动项的假定下，2SLS 是最有效的。但如果扰动项存在异方差或自相关，则广义矩估计方法效果更好。 GMM方法又分为两步GMM法和迭代GMM方法。 有关 GMM 的 Stata 命令为 ivregress gmm y x1 (x2=z1 z2) (两步 GMM) ivregress gmm y x1 (x2=z1 z2),igmm (迭代 GMM) estat overid (过度识别检验) 例一 Mincer (1958)最早研究了工资与受教育年限的正相关关系，但遗漏了“能力”这个变量，导致遗漏变量偏差。针对美国面板调查数据中的年轻男子组群(Young Men’s Cohort of the National Longitudinal Survey，简记 NLS-Y)，Griliches (1976)采用工具变量法对遗漏变量问题进行了校正。Blackburn and Neumark (1992)更新 了 Griliches (1976)的数据，即这个例子中将要使用的数据集grilic.dta。 该数据集中包括以下变量：lw(工资对数)，s(受教育年限)，age(年龄)，expr(工龄)，tenure(在现单位的工作年数)，iq(智商)，med(母亲的受教育年限)，kww(在“knowledge of the World of Work”测试中的成绩)，mrt(婚姻虚拟变量，已婚=1)，rns(美国南方虚拟变量，住在南方=1)，smsa(大城市虚拟变量，住在大城市=1)，year(有数据的最早年份，1966—1973年中的某一年)。 这是一个两期面板数据，初始期为当以上变量有数据的最早年份，结束期为1980 年。不带80字样的变量名为初始期，带80字样的变量名为1980年数据。比如，iq 指的是初始期的智商，而lw80指的是1980年的工资对数。 (1) 先看一下数据的统计特征。 use grilic.dta,clear sum (2) 考察智商与受教育年限的相关关系。 pwcorr iq s,sig (3) 建立如下方程： reg lw80 s80 expr80 tenure80 继续对方程进行分析：我们发现了如下问题： 1。遗漏变量问题：认为方程遗漏了“能力”这个变量，加入iq（智商）作为“能力”的代理变量。 reg lw80 s80 iq expr80 tenure80 2。测量误差问题：iq（智商）对“能力”的测量存在误差。 3。变量内生性问题：s80可能与扰动项中除“能力”以外的其他因素相关，因此是内生变量。 解决方法：引入四个变量med，kww，mrt，age，作为内生解释变量iq与s80的工具变量。 然后使用TSLS方法进行回归。 ivregress 2sls lw80 expr80 tenure80 (s80 iq=med kww mrt age), first 也可以使用GMM估计方法 使用两步GMM 。 ivregress gmm lw80 expr80 tenure80 (s80 iq=med kww mrt age) 使用迭代GMM 。 ivregress gmm lw80 expr80 tenure80 (s80 iq=med kww mrt age),igmm 工具变量回归 OLS经典假设 所有的解释变量Xi与随机误差项彼此之间不相关。 若解释变量Xi和ui相关，则OLS估计量是非一致的，也就是即使当样本容量很大时，OLS估计量也不会接近回归系数的真值。 当解释变量和随机误差项相关时，模型存在着内生性问题。 在计量经济学中，把所有与扰动项相关的解释变量都称为“内生变量”。这与一般经济学理论中的定义有所不同。 1。与误差项相关的变量称为内生变量(endogenous variable)。 2。与误差项不相关的变量称为外生变量(exogenous variable)。 造成误差项与回归变量相关（内生性）的原因很多，但我们主要考虑如下几个方面： 遗漏变量偏差 变量有测量误差 双向因果关系。 变量有测量误差 测量数据正确时：假设方程为： 当存在测量误差时：方程为： 所以我们有： 可知，误差项中包含 所以可以得到：如果 则回归结果有偏，非一致 我们假设 则有 结论：1。由于 2。回归的性质决定于w的标准差 双向因果关系 之前我们假定因果关系是从回归变量到因变量的(X导致了Y)。但如果因果关系同时也是从因变量到一个