第6章 内生解释变量.ppt

注意：工具变量法属于矩方法。可以证明，无论对于一元线性模型还是多元线性模型，参数的工具变量估计量都是有偏但一致的估计量。 参数的工具变量的估计量为： （6.29） 其矩阵形式为： 〔例6－3〕 以 代表国内生产总值，以 代表消费，以 代表政府支出。表6-5给出了某地上述三项指标的数据。理论研究证明，国内生产总值与随机项相关，而外生的政府支出与随机项无关，但与国内生产总值高度相关。试用工具变量法估计国内生产总值对于消费的边际效应。 年份 x y z 年份 x y z 1 7164.3 4694.5 2468.6 9 25863.6 15952.1 9636.0 2 8792.1 5773.0 3386.0 10 34500.6 20182.1 12998.0 3 10132.8 6542.0 3846.0 11 47110.9 27216.2 19260.6 4 11784.0 7451.2 4322.0 12 58510.5 33635.0 23877.0 5 14704.0 9360.1 5495.0 13 68330.4 40003.9 26867.2 6 16466.0 10556.5 6095.0 14 74894.3 43579.4 28457.6 7 18319.5 11365.2 6444.0 15 79853.3 46405.9 30396.0 8 21280.4 13145.9 515.0 　 　 　 表6-5 国内生产总值、消费、政府支出数据 （单位：亿元） 由于内生性的国内生产总值x与随机项u相关，而外生性的政府支出 z与随机项 u无关，且与国内生产总值 x高度相关，故可用z 作为国内生产总值 x的工具变量。参数估计如下： 设消费 与国内生产总值 之间具有线性关系，可建立如下模型： =0.568 876.01 则样本回归模型为： 即国内生产总值对于消费的边际效应为0.568。 EViews软件中，工具变量法操作如下： 点击 Quick / Estimate Equation，在打开的对话框中，“Estimation Settings/Method”选择“TSLS-Two-Stage Least Square(TSNLS and ARMA)”，在“Equation Specification”栏中输入方程形式“y c x”，在“Instrument List”栏中输入“c z”（图6-1）。 Dependent Variable: Y Method: Two-Stage Least Squares Instrument list: C Z Variable Coefficient Std. Error t-Statistic Prob.?? C 876.0101 123.7383 7.079538 0.0000 X 0.568051 0.003003 189.1498 0.0000 R-squared 0.999651 ????Mean dependent var 19724.20 Adjusted R-squared 0.999624 ????S.D. dependent var 14652.80 S.E. of regression 284.1214 ????Sum squared resid 1049425. F-statistic 35777.64 ????Durbin-Watson stat 1.297665 Prob(F-statistic) 0.000000 表6-6 EViews输出结果 点击“OK”即可得到回归结果如下： 实际问题分析时往往有不只一个的外生变量被遗漏，排斥在模型之外，且可能与内生解释变量相关，这意味着它们都是有效的工具变量。这时应该如何选取工具变量来消除内生性呢？泰尔 (H. Theil，1953)、贝斯曼(R. L. Basmann，1957)分别提出用两阶段最小二乘法（Two Stage Least Square，TSLS）来处理此类问题。本节只讨论单个内生解释变量的TSLS。 二、两阶段最小二乘法 那么，如何选择“最好”的工具变量呢？ 与y2的相关关系越强的变量，作为y2的工具变量越合适，所以将y2表述为： 其中，y1是被解释变量，x1是外生解释变量（Exogenous Variables），y2是内生解释变量。对该方程我们感兴趣的是系数?，所以可以称为结构方程（Structural Equation）。如果存在两个外生变量z1、z2，与u不相关，与y2相关，则z1与z2都可以作为y2的工具变量。而且，既然x1、z1、z2均与u不相关，那么其任何线性组合也与u不相关，即x1、z1、z2的任意线性组合都可以作为y2的工具变量。 假设有二元回