stata上机实验第五讲 工具变量（IV）幻灯片课件.ppt

几个常见问题 1。既然固定效应每个个体都有单独的截距项，如何获得每个个体的截距项？ xi:reg invest mvalue kstock pany 即LSDV方法或者添加虚拟变量法。 2。非平衡面板如何处理？ use nlswork,clear xtset idcode year xtdes 这是一份典型的大n小t型非平衡面板数据。 方法一：下载命令xtbalance提取成一个平衡面板数据，但不推荐使用，因为会损失大量样本。 方法二：利用算法填补缺失值，需要经济理论和算法的支撑。 3。面板数据格式不符合要求的处理。 例如如下表格格式该如何处理？ 处理方法： 扁平数据变长条数据的命令：reshape use invest2,clear edit reshape long invest kstock, i(company) j(year) company invest2002 invest2003 invest2004 kstock2002 kstock2003 kstock2004 1 18.9 19.1 19.6 19.6 16.8 16.7 2 17.4 18.4 18.8 18.1 17.4 17 3 19 19.6 20.1 20.2 17 17.1 4 20 20.4 20.3 20.4 17.5 17.3 5 18.1 18.3 18.4 18.5 16.4 16.1 6 19.7 20 19.9 17.2 16.3 16.3 Stata上机实验 工具变量（IV） 什么情况下需要工具变量？ 1。遗漏变量 2。变量内生性问题 3。测量误差 使用这种方法的困难之处在于工具变量的“搜寻”，而不是在技术方面。 工具变量选择的要求： 1。相关性：工具变量与内生解释变量高度相关，即Cov(xt,pt) ≠0。 2。外生性：工具变量与扰动项不相关，即Cov(xt,ut) =0。 使用工具变量有两种方法：二阶段最小二乘法(2SLS)和广义矩估计法(GMM)。 二阶段最小二乘法：2SLS 主要思想：进行两阶段回归。 假设方程为： y=b1x1+b2x2+u 其中x1是外生变量，x2是内生变量，找到两个变量z1和z2，作为x2的工具变量。 第一阶段回归：reg x2 x1 z1 z2 x2结合了z1和z2的信息，此时取出x2的拟合值x2_hat。 第二阶段回归： reg y x1 x2_hat 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。 解决方法：使用med，kww，mrt，age作为内生解释变量iq与s80的工具变量。 1。使用2SLS。 ivregress 2sls lw80 expr80 tenure80 (s80 iq=med kww mrt age), first 2。使用两步GMM 。 ivregress gmm lw80 expr80 tenure80 (s80 iq=med kww mrt age) 3。使用迭代GMM 。 ivregress gmm lw80 expr80 tenure80 (s80 iq=med kww mrt age),igmm 几点注意事项： 1。2SLS只能通过stata完成，利用定义手动计算的结果是错误的，因为残差序列是错误的。 2。不可能单独为每个内生变量指定一组特定的工具变量， 所有外生变变量都作为自己的工具变量。 3。在大样本下，IV 估计是一致的，但在小样本下，IV 估计并非无偏估计量，有些情况下偏误可能很严重。 弱工具变量检验 工具变量Z与 X 的相关性较低时，2SLS 估计量存在偏误，Z 称为“弱工具变量”。 检验方法： estat firststage 1。初步判断可以用偏R2(partial R2) (剔除掉模型中原有外生变量的影响)。 2。 Minimum eigenvalue statistic(最小特征值统计量)，经验上此数应该大于10。 ivregress 2sls lw80 expr80 tenure80 (s80 iq=med kww mrt age), first estat firststage 过度识别检验 检验工具变量是否与干扰项相关，即工具变量是否为外生变量。目前仅限于在过度识别的情况下，进行过度识别检验。