工具变量与两阶段最小二乘.doc

PAGE PAGE 1 第15章 工具变量估计与两阶段最小二乘法 在本章中，我们进一步研究多元回归模型中的内生解释变量（endogenous explanatory variable）问题。在第3章中，我们推导出，遗漏一个重要变量时OLS估计量的偏误；在第5章中，我们说明了在遗漏变量（omitted variable）的情况下，OLS通常是非一致性的。第9章则证明了，对未观测到的解释变量给出适宜的代理变量，能消除（或至少减轻）遗漏变量偏误。不幸的是，我们不是总能得到适宜的代理变量。 在前两章中，我们解释了存在不随时间变化的遗漏变量的情况下，对综列数据如何用固定效应估计或一阶差分来估计随时间变化的自变量的影响。尽管这些方法非常有用，可我们不是总能获得综列数据的。即使能获得，如果我们的兴趣在于变量的影响，而该变量不随时间变化，它对于我们也几无用处：一阶差分或固定效应估计排除了不随时间变化的变量。此外，迄今为止我们已研究出的综列数据法还不能解决与解释变量相关的随时间而变化的遗漏变量的问题。 在本章中，我们对内生性问题采用了一个不同的方法。你将看到如何用工具变量法（IV）来解决一个或多个解释变量的内生性问题。就应用计量经济学中线性方程的估计而言，两阶段最小二乘法（2SLS或TSLS）是第二受人欢迎的，仅次于普通最小二乘。 我们一开始先说明，在存在遗漏变量的情况下，如何用IV法来获得一致性估计量。此外，IV能用于解决含误差变量（errors-in-variable）的问题，至少是在某些假定下。下一章将证明运用IV法如何估计联立方程模型。 我们对工具变量估计的论述严格遵照我们在第1篇中对普通最小二乘的推导，其中假定我们有一个来自基本总体的随机样本。这个起点很合人意，因为除了简化符号之外，它还强调了应根据基本总体来表述对IV估计所做的重要的假定（正如用OLS时一样）。如我们在第2篇中所示，OLS可以应用于时间序列数据，而工具变量法也一样可以。第15.7节讨论IV法应用于时间序列数据时出现的一些特殊问题。在第15.8节中，我们将论述在混合横截面和综列数据上的应用。 15.1 动机：简单回归模型中的遗漏变量 面对可能发生的遗漏变量偏误（或未观测到的异质性），迄今为止我们已讨论了三种选择：（1）我们可以忽略此问题，承受有偏、非一致性估计量的后果；（2）我们可以试图为未观测到的变量寻找并使用一个适宜的代理变量；（3）我们可以假定遗漏变量不随时间变化，运用第`13与14章中的固定效应或一阶差分方法。若能把估计值与关键参数的偏误方向一同给出，则第一个回答是令人满意的。例如，如果我们能说一个正参数（譬如职业培训对往后工资的影响）的估计量有朝零偏误 ，并且我们找到了一个统计上显著的正的估计值，那么我们还是学到了一些东西：职业培训对工资有正的影响，而我们很可能低估了该影响。不幸的是，相反的情况经常发生，我们的估计值可能在数值上太大了，以致我们要得出任何有用的结论都非常困难。 第9.2节中讨论的代理变量解也能获得令人满意的结果，但并不是总可以找到一个好的代理。该方法试图通过用代理变量取代不可观测的变量，来解决遗漏变量的问题。 另一种方法是将未观测到的变量留在误差项中，但不是用OLS估计模型，而是运用一种承认存在遗漏变量的估计方法。这便是工具变量法所要做的。 举例来说，考虑成年劳动者的工资方程中存在未观测到的能力的问题。一个简单的模型为： 其中e是误差项。在第9章中，我们说明了在某些假定下，如何用诸如IQ的代理变量代替能力，从而通过以下回归可得到一致性估计量 对回归 然而，假定不能得到适当的代理变量（或它不具备足以获取一致性估计量所需的性质）。这样一来，我们将abil放入误差项中，留下来的就是简单的回归模型： （15.1） 其中u包含了abil。当然，如果用OLS估计方程（15.1），若是educ与abil相关，得到的结果将是的有偏、非一致性估计量。 最后证明是，假如我们能为educ找到一个工具变量，我们仍可以根据方程（15.1）来进行估计。为描述该方法，将简单回归模型写成： （15.2） 其中我们认为x与u相关： （15.3） 工具变量法无论x与u相关与否都行得通，但是，如果x与u不相关，我们应该使用OLS，其原因我们将在后面看到。 为了获得x与u相关时和的一致性估计量，我们还需要一些另外的信息。这些信息由一个满足某些性质的新变量给出。假定我们有一个可观测到的变量z，它满足两个假定：（1）z与u不相