第六讲 工具变量回归[宣讲].pptVIP

几点注意事项： 1。 first选项的目的是显示TSLS第一阶段的结果，如果省略，则仅显示第二阶段的结果。 2。命令的用法比较严格，将被解释变量和所有外生解释变量放到括号外面，内生解释变量放到括号里面，等号后面为所有工具变量。 3。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。 * 精品PPT | 借鉴参考 可知，误差项中包含 所以可以得到：如果 则回归结果有偏，非一致 我们假设 则有 * 精品PPT | 借鉴参考 结论：1。由于 2。回归的性质决定于w的标准差 * 精品PPT | 借鉴参考 双向因果关系 之前我们假定因果关系是从回归变量到因变量的(X导致了Y)。但如果因果关系同时也是从因变量到一个或多个回归变量(Y导致了X)的呢？如果是这样的话，因果关系是向前的也是“向后” 的，即存在双向因果关系，如果存在双向因果关系，则OLS回归中同时包含了这两个效应，因此OLS估计量是有偏的、非一致的。 * 精品PPT | 借鉴参考 可以推导出： * 精品PPT | 借鉴参考 遗漏变量偏差可采用在多元回归中加入遗漏变量的方法加以解决，但前提是只有当你有遗漏变量数据时上述方法才可行。 双向因果关系偏差是指如果有时因果关系是从X到Y又从Y到X时，此时仅用多元回归无法消除这一偏差。同样， 变量有测量误差也无法用我们前面学过的方法解决。 因此我们就必须寻找一种新的方法。 * 精品PPT | 借鉴参考 工具变量(instrumental variable, IV)回归是当回归变量X与误差项u相关时获得总体回归方程未知系数一致估计量的一般方法。我们经常称其为IV估计。 其基本思想是：假设方程是： 我们假设ui与Xi相关，则OLS估计量一定是有偏的和非一致的。工具变量估计是利用另一个“工具”变量Z将Xi分离成与ui相关和不相关的两部分。 * 精品PPT | 借鉴参考 我们的工作就是要寻找相应的工具变量将解释变量分解成内生变量和外生变量，然后利用两阶段最小二乘法(TSLS)进行估计。 * 精品PPT | 借鉴参考 工具变量的选取 一个有效的工具变量必须满足称为工具变量相关性和工具变量外生性两个条件:即 （1）工具变量相关性：工具变量与所替代的随机解释变量高度相关； （2）工具变量外生性：工具变量与随机误差项不相关； * 精品PPT | 借鉴参考 两阶段最小二乘估计量 若工具变量Z满足工具变量相关性和外生性的条件，则可用称为两阶段最小二乘(TSLS)的IV估计量估计系数?1。 两阶段最小二乘估计量分两阶段计算： 第一阶段把X分解成两部分：即与回归误差项相关的一部分以及与误差项无关的一部分。 第二阶段是利用与误差项无关的那部分进行估计。 * 精品PPT | 借鉴参考 一般IV回归模型 因变量 Yi。 外生解释变量 W1i、 W2i、… Wri。 内生解释变量 X1i、 X2i、… Xki。 我们引入工具变量Z1i、 Z2i、… Zmi 。 * 精品PPT | 借鉴参考 第一阶段回归：利用OLS建立每个内生变量（ X1i、 X2i、… Xki）关于工具变量（ Z1i、Z2i、… Zmi）和外生变量（W1i、 W2i、… Wri）的回归，并得到所有回归结果的拟合值Xi_hat。 第二阶段回归：用Xi_hat取代原有的Xi，与原有的外生变量Wi一起进行第二次回归，得到TSLS统计量βTSLS。 注意：工具变量出现在第一阶段回归，但不出现在第二阶段回归。 * 精品PPT | 借鉴参考 引入工具变量的个数 假设我们有n个内生解释变量，引入了m个工具变量，n和m的关系是什么？ n=m 恰好识别 nm 过度识别 nm 不可识别 只有恰好识别和过度识别才能用IV方法估计。 * 精品PPT | 借鉴参考 两阶段最小二乘法的stata命令： ivregress 2sls depvar [varlist1] (varlist2 =instlist),r,first 其中，“depvar”为被解释变量，varlist1为外生解释变量，varlist2为所有的内生解释变量集合，instlist为工具变量集合。 选择项r表示使用异方差稳健的标准误，选择项“first”表示显示第一阶段的回归。 * 精品PPT | 借鉴参考 工具变量有效性的检验 工具变量相关性 工具变量相关性越强，也就是工具变量能解释越多的X变动，则IV回归中能用的信息就越多，因此利用相关性更强的工具变量得到的估计量也更精确。 弱工具变量：如果虽然