第七章设定误差与数据问题(计量).pdfVIP

第七章 设定误差与数据问题 设定误差（specification error ）指的是模型本身的设定就存在误差，如解释变量 选择不当、测量误差、函数形式不妥等。 7.1 遗漏变量 （Omitted variables ） 由于某些数据难以获得，遗漏变量现象几乎是难以避免的。假设真实的模型为： y x x ′β + β +ε′ x x , ，其中 可以是向量。 i i 1 1 i 2 2 i 1 2 y x u ′β + x′β u 而估计的模型为： ，即遗漏变量 被归入扰动项 中去了。 i i i 1 1 2 i2 i 考虑以下的两种情形： x x cov , 0x (x ) （1）遗漏变量 与包含的解释变量 不相关，即 。在这种情况 i2 i1 i1 i2 下，根据大样本理论，最小二乘法依然是一致的。但由于遗漏变量x′β 被归入 2 i2 u 扰动项 中，可能会增大扰动项的方差，从而影响最小二乘法估计的精确度。 i x covx , 0x (x )≠ （2 ）遗漏变量 与包含的解释变量 相关，即 。在这种情况下， i2 i1 i1 i2 根据大样本理论，最小二乘法不再是一致的，其偏差被称为“遗漏变量偏差” （omitted variable bias ）。这种偏差在经济计量的实践中比较常见，成为某些计量 研究的致命伤。比如，在研究教育投资的回报率时，个体的先天能力差异是不可 观测的，但能力与受教育年限很可能存在正相关。 解决“遗漏变量偏差”的方法主要有加入尽可能多的控制变量、使用代理变量 （proxy variable ）、工具变量法（第八章），使用面板数据（第九章）、以及随机 实验等。这里主要介绍代理变量法。比如，在教育投资回归中，可以使用智商（IQ ） 来作为个体能力的代理变量。一个理想的代理变量要满足以下两个条件： （1）多余性（redundancy ）：即代理变量仅通过影响遗漏变量来作用于被解释变 量。比如，“智商”仅通过对“能力”的影响来影响收入。换言之，假如有“能 力”的数据，那么再引入“智商”来作为解释变量就是多余的。 （2 ）将遗漏变量剔除代理变量影响后的剩余部分与解释变量不相关。 命题：如果上述两个条件满足，则使用代理变量就能获得一致的估计量。 y x x q β +β +..