第15章工具变量与两阶段最小二乘.pdfVIP

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：    log(wage)   educ abile, 0 1 2 e IQ 其中 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 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 log(wage) 对 educ, IQ 回归 1 然而，假定不能得到适当的代理变量（或它不