stata上机实验第五讲工具变量（IV）.pptVIP

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。 使用grilic.dta估计教育投资的回报率。 变量说明：lw80（80年工资对数），s80（80年时受教育年限），expr80（80年时工龄），tenure80（80年时在现单位工作年限）， iq（智商），med（母亲的教育年限），kww（在‘knowledge of the World of Work’测试中的成绩），mrt（婚姻虚拟变量，已婚=1），age（年龄）。 建立方程： use grilic.dta,clear reg lw80 s80 expr80 tenure80 对方程进行分析： 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。 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：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。 2SLS根据Sargan统计量进行过度识别检验 ，GMM使用Hansen J Test进行过度识别检验。 命令均为： estat overid 检验工具变量的外生性 H0：所有工具变量都是外生的。 H1：至少有一个工具变量不是外生的，与扰动项相关。 ivregress 2sls lw80 expr80 tenure80 (s80 iq=med kww mrt age), first estat overid ivregress gmm lw80 expr80 tenure80 (s80 iq=med kww