工具变量(IV)：估计与检验.pptVIP

工具变量回归;由来

估计

矩估计〔不好〕

2SLS〔最常用〕

GMM〔异方差自相关〕；LIML〔假设IV〕

工具变量有效性检验

相关性

F检验;PartialR2，单内生解释变量Minimumeigenvaluestatistic，最小特征值统计量，用于多内生解释变量

外生性

过度识别约束检验J统计量

〔又称Sargan统计量〕;解释变量内生性检验

Hausman检验

寻找工具变量的方法：几个实例

方法

例子;由来;经典假设所有的解释变量Xi与随机误差项彼此之间不相关。

假设解释变量Xi和ui相关，那么OLS估计量是非一致的，也就是即使当样本容量很大时，OLS估计量也不会接近回归系数的真值。;遗漏变量偏差可采用在多元回归中参加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。

;工具变量(instrumentalvariable,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。

其根本思想是：假设方程是：;在经济学中：

〔1〕内生变量：由模型内的变量所决定的变量称作内生变量。

〔2〕外生变量：由模型外的变量所决定的变量称作外生变量。;重要概念：内生变量和外生变量;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。

一个例子：考虑货币政策对宏观经济的影响。由于货币政策的制定者会根据宏观经济的运行情况来调整货币政策，故货币政策是个内生变量〔双向因果关系〕。Romer(2004)通过阅读历史文献将货币政策的变动分解为“内生”〔对经济的反响〕与“外生”〔货币当局的自主调整〕的两局部。;谁开创了工具变量回归？;为什么IV回归是有效的？;例如具休考虑黄油的需求弹性估计问题：;根据11个均衡样本点估计的方程究竟是需求函数还是供给函数？两者都不是。由于这些点是由需求和供给两者的变化确定的，因此用OLS拟合这些点的直线既不是需求???线也不是供给曲线的估计。;利用这些样本点估计出来的OLS拟合线是需求曲线还是供给曲线，都不是！两个极端的情况如图：;因此，由于这些点是由需求和供给两者的变化确定的，因此用OLS拟合这些点的直线既不是需求曲线也不是供给曲线的估计。;Wright的解决方法：

1。找到第三个变量，这个变量影响供给但不影响需求。这样，所有的均衡价格和均衡量对都落在这条稳定的需求曲线上，此时很容易估计出它的斜率。

2。可见，这第三个变量，也就是工具变量，它与价格相关(它使供给曲线移动，于是导致价格发生变化)，但与u无关(需求曲线保持不变)。;3。Wright考虑了几个可能的工具变量；其中一个是天气。例如，某牧场的降雨量低于平均值会使牧草减少从而减少给定价格时黄油的产量(会使供给曲线向左移动而使均衡价格上升)，因此牧场地区降雨量满足工具变量相关性的条件。但牧场地区降雨量对黄油的需求没有直接影响，因此牧场地区降雨量与ui的相关系数为零；也就是牧场地区降雨量满足工具变量外生性条件。;上图说明假设某个变量使供给曲线移动而使需求保待不变时会发生什么样的情况。现在所有的均衡价格和均衡量对都落在这条稳定的需求曲线;工具变量法的本质是联立方程，只不过，我们只关心原方程的可识别性;估计：矩估计、TSLS、GMM、LIML;GMM估计;TSLS估计量的抽样分布;假设原方程为：;在香烟需求中的应用;假设需求弹性为-1，使价格上涨20%就能到达减少20%消费量的目标。假设弹性为-0.5，那么价格必须上涨40%才能使消费下降20%。

同philipWright对黄油的研究一样。我们无法通过数量对数关于价格对数的OLS回归得到香烟需求弹性的一致估计。

我们利用TSLS和1985-1995年美国48个大陆州的年度数据估计了香烟的需求弹性。;模型假定：

被解释变量：香烟消费，即为州内每人购置的香烟包数。

内生解释变量：包含所有税收的每包香烟的实际平均价格。

工具变量：由一般销售税征收的香烟税收。;这个工具变量设定是否合理？

工具变量的相关性：由于高销售税增加了总的销售价格，因此每包香烟的销售税满足工具变量相关性的条件。

工具变量的外生性：假设销售税是外生的，那么必须与需求方程中的误差无关；即销售税必然只是通过价格间接影响香烟的需求。这看上去是合理的：主要是因为不同州选择了不同的销售额、收入、财产和其他公共财政事业的混合税收，所以不同州的一般销售税是不同的。其中关于公共财政的选择受到政治考量的驱