第15章 工具变量估计与两阶段最小二乘法.pptVIP

伍德里奇 《计量经济学导论》（第4版） 主讲教师：张冠甲 国内外经典教材名师讲堂 第15章 工具变量估计与两阶段最小二乘法 　　本章要点　　工具变量思想　　工具变量的两个条件　　工具变量估计量　　两阶段最小二乘法　　内生性检验与过度识别检验 　　面对遗漏变量偏误问题的三种解决方法　　（1）忽略此问题，承受有偏而又不一致估计量的结果，同时把估计值与关键参数的偏误方向一同给出。　　（2）通过用代理变量取代无法观测变量来解决遗漏变量的问题，但并不是总可以找到一个好的代理。　　（3）可以假定遗漏变量不随时间变化，运用固定效应或一阶差分方法。 　　第4种方法：使用工具变量法　　例子：受教育年限和收入模型　　代理变量解决方法：以IQ替换 abil　　没有代理变量时，只能将abil放入误差项中：　　因为educ与abil相关，abil又和u相关，则由于遗漏变量产生内生性问题。 　　工具变量思想：找到一个变量z，满足　　（1）z与x相关：　　（2）z与u无关：　　如何验证无关性要求：常借助经济思维或反思。　　思考：在教育与工资模型中，IQ能否作为educ的工具变量？有没有其它工具变量备选？　　另一个例子：逃课对期末考试成绩的影响 　　产生内生性的原因：遗漏变量，能力可能隐藏在误差项中。　　选择skipped的IV：住宿区与学校之间的距离　　distance。　　相关性推理：distance与skipped正相关　　无关性推理：潜在的风险为低收入家庭的学生可能不住在学校；若收入影响学生成绩，可能会导致distance与u相关 　　如何使用工具变量估计参数？　　 的IV估计量 　　注意：工具变量估计量满足一致性，但不满足无偏性，因此在小样本中要谨慎使用。　　如何使用工具变量估计量进行统计推断？　　增加同方差假定　　得到 的渐进方差为：　　其中 是x与z总体相关系数的平方。 　　渐进方差的作用：　　（1）求IV估计量的标准误。　　（2）比较IV和OLS估计量（当x与 u不相关时）的渐近方差。　　由于OLS估计量的方差为　　重写IV估计量的方差为　　由于 总是小于1，所以这个IV的方差总是大于OLS方差。 　　进一步分析：　　若 　很小，即x与z之间的相关性很弱，则IV估计量的方程会远大于OLS方程，此时使用这个IV不是一个很好的选择；很大时，是一个良好的IV；等于1时，完全得到OLS方差。　　总结：IV估计的一个重要代价：IV估计量的渐近方差总是大于（有时远大于）OLS估计量的渐近方差。 　　IV选择的一个实例：　　此前教育与工资收入的研究中，选择出生季度的虚拟变量作为IV。显然此项IV与abil无关，但缺点是虽然与educ相关，但是相关性很小。　　z与x弱相关可能造成的另一个严重后果：较大的渐进偏误　　比较 　　即便 很小，若则依然有可能造成严重渐进偏误。　　思考：即便有渐进偏误的存在，但能否从中获得一些有用的信息？　　IV估计后计算　　依旧采用 计算，但是由于SSR有可能大于SST，因此可能导致产生负数。因此IV估计中的 意义不大。 　　多元回归模型的IV估计　　考虑标准线性模型　　注意符号规则：可能与误差项相关的记作y，与之无关的记作z。　　采用工具变量 ，并且假定 　　由此得到系数的估计量　　如何判断工具变量的相关性条件成立？　　做回归 　　两阶段最小二乘法　　思考：如果对于一个内生变量，有若干个工具变量备选，该如何处理？哪一个是最好的呢？　　思想：所有IV的组合即是最好的IV　　原因：IV要与内生变量越相关越好，而所有IV的组合必然能最好的“解释”内生变量。 　　这种分解的结果是分解成两部分：　　与误差项 不相关的部分 ，相关的部分采用拟合值　　替代内生变量 ，进行OLS回归。　　这类方法因为回归两次，所以被称作两阶段最小二乘法，简称（2SLS）。 　　2SLS估计中的多重共线性问题　　在两阶段最小二乘法中， 的渐进方差写为　　为什么这个方差比OLS方差大呢？　　1． 的变异要比 小（因为少了误差项的变异）。　　2 ．多重共线性问题： 与外生变量 的相关性往往更大。 　　推广到多个内生变量的情形　　此时需要解决的是能否识别的问题　　识别的一个必要条件，即阶条件——被排斥的外生变量至少与结构方程中包括的内生解释变量一样多。验证阶条件只需数内生和外生变量的个数　　识别的充分条件被称为秩条件。 　　另一类常见的内生性问题