【计量经济学及Stata应用】第10章 工具变量法 |
您所在的位置:网站首页 › 工具变量和两阶段最小二乘 › 【计量经济学及Stata应用】第10章 工具变量法 |
目录
10.1 联立方程偏差10.2 测量误差偏差10.3 工具变量法10.4 二阶段最小二乘法10.5 弱工具变量法10.6 对工具变量外生性的过度识别检验10.7 对解释变量内生性的豪斯曼检验:究竟该用OLS还是LV10.8 如何获取工具变量10.9 工具变量法的Stata实例
OLS能够成立的最重要的条件是解释变量与扰动项不相关(即前定变量或同期外生的假设)。
解释变量与扰动项相关(内生性)的例子很多。
解决内生性的主要方法之一为工具变量法,它对于实证研究有着重要的价值。 内生性的主要来源包括遗漏变量偏差、联立方程偏差(双向因果关系),以及测量误差偏差。 前者已在第9章讨论,下面首先介绍后二者。 10.1 联立方程偏差市场均衡的例子引入 q t d = α + β p t + u t ( 需求 ) q t s = γ + δ p t + v t ( 供给 ) q t d = q t s ( 均衡 ) q_t^d=\alpha+\beta p_t+u_t(需求)\\q_t^s=\gamma+\delta p_t+v_t(供给)\\q_t^d=q_t^s(均衡) qtd=α+βpt+ut(需求)qts=γ+δpt+vt(供给)qtd=qts(均衡) 令 q t ≡ q t d = q t s q_t\equiv q_t^d=q_t^s qt≡qtd=qts,得到 q t = α + β p t + u t q t = γ + δ p t + v t q_t=\alpha+\beta p_t+u_t\\q_t=\gamma+\delta p_t+v_t qt=α+βpt+utqt=γ+δpt+vt 这两个方程的被解释变量与解释变量完全不一样。 如果直接作回归 q t ⟶ O L S p t q_t\stackrel{OLS}{\longrightarrow}p_t qt⟶OLSpt,估计的既不是需求函数也不是供给函数。 还是市场均衡的例子。假设供给曲线经常移动,而需求曲线基本不动。此时,就可以估计需求曲线,这个使得供给曲线移动的变量就是工具变量。
在回归方程中,一个有效的工具变量应满足以下两个条件。 (1)相关性:工具变量与内生解释变量相关,即 C o v ( z t , p t ) ≠ 0 Cov(z_t,p_t) \neq0 Cov(zt,pt)=0 (2)外生性:工具变量与扰动项不相关,即 C o v ( z t , u t ) = 0 Cov(z_t,u_t) =0 Cov(zt,ut)=0 利用工具变量的这两个性质,可得到对需求方程回归系数 β \beta β的一致估计。 工具变量法一般通过"二阶段最小二乘法"(Two Stage Least Square,2SLS或TSLS)来实现,通过两个回归来完成。 第一阶段回归:用内生解释变量对工具变量回归,即 p t ⟶ O L S z t p_t\stackrel{OLS}{\longrightarrow}z_t pt⟶OLSzt,得到拟合值 p ^ t \hat p_t p^t 第二阶段回归:用被解释变量对第一阶段回归的拟合值进行回归,即 q t ⟶ O L S p ^ t q_t\stackrel{OLS}{\longrightarrow}\hat p_t qt⟶OLSp^t
2SLS的Stata命令格式为 ivregress 2sls y x1 x2 (x3=z1 z2),robust first y:被解释变量 x1 x2:外生解释变量 x3:内生解释变量 z1 z2:方程外的工具变量 选择项 robust:表示使用异方差稳健的标准误(默认为普通标准误) 选择项 first:表示显示第一阶段的回归结果 可以证明,在球形扰动项的情况下,2SLS是最有效率的工具变量法。 然而,在异方差的情况下,则存在更有效率的工具变量法,即“广义矩估计”(Generalized Method of Moments,GMM),是数理统计中“矩估计”(Method of Moments,MM)的推广。 10.5 弱工具变量法如果工具与内生解释变量仅微弱地相关,则工具变量法估计量 β ^ I V \hat\beta_{IV} β^IV的方差将变得很大。 由于工具变量仅包含极少与内生解释变量有关的信息,利用这部分信息进行的工具变量法估计就不准确,即使样本容量很大也很难收敛到真实的参数值,这种工具变量称为“弱工具变量”。 怎么检验是否存在弱工具变量??? 在第一阶段回归中,检验所有方程外的工具变量(不含外生解释变量)的系数是否联合为零。 假设原模型为: y = β 0 + β 1 x + β 2 w + ε y=\beta_0+\beta_1x+\beta_2w+\varepsilon y=β0+β1x+β2w+ε x x x为内生变量,而 w w w为外生解释变量。 假设有两个有效工具变量 z 1 , z 2 z_1,z_2 z1,z2,则第一阶段回归为: x = α 0 + α 1 z 1 + α 2 z 2 + α 3 w + u x=\alpha_0+\alpha_1z_1+\alpha_2z_2+\alpha_3w+u x=α0+α1z1+α2z2+α3w+u 检验 H 0 : α 1 = α 2 = 0 H_0:\alpha_1=\alpha_2=0 H0:α1=α2=0,即工具变量 z 1 , z 2 z_1,z_2 z1,z2的系数联合为0。 经验规则:此检验的 F F F统计量大于 10 (由于技术性原因,此处使用普通标准误),则拒绝“存在弱工具变量”的原假设。 在Stata中作完2SLS回归后,可使用以下命令检验弱工具变量: estat firststage 此命令将更具第一阶段回归计算一些统计量,包括上文的 F F F统计量。 发现存在弱工具变量,如何解决??? (1)寻找更强的工具变量 (2)使用对弱工具变量更不敏感的“优先信息最大似然估计法”(Limited Information Maximum Likelihood Estimation,LIML) 在大样本下,LIML与2SLS渐进等价 在弱工具变量情况下,LIML的小样本性质可能由于2SLS LIML的Stata命令为 ivregress liml y x1 x2 (x3=z1 z2) 10.6 对工具变量外生性的过度识别检验工具变量的外生性是保证 2SLS 一致性的重要条件。 如果“工具变量”与扰动项相关,可导致严重的偏差。 在恰好识别的情况下,无法检验工具变量的外生性。 只能进行定性讨论或依赖于专家的意见。 定性讨论:如果工具变量外生,则它影响被解释变量的唯一渠道就是通过内生变量,除此以外别无其他渠道。由于此唯一渠道(内生变量)已包括在回归方程中,故工具变量不会再出现在被解释变量的扰动项中,或对扰动项有影响。此条件称为“排他性约束”(exclusion restriction),它排除了工具变量除了通过内生变量而影响被解释变量的其他渠道。 实践中,需找出工具变量影响被解释变量的所有其他可能渠道,然后一一排除,才能说明工具变量的外生性。在过度识别情况下,可进行“过度识别检验” 过度识别检验的原假设为 H 0 H_0 H0 : 所有工具变量都外生 如拒绝原假设,则认为至少某个变量与扰动项相关。
使用工具变量法的前提是存在内生解释变量。 如何检验解释变量是否内生??? 豪斯曼检验
传统的豪斯曼检验的缺点是,为了简化矩阵 [ V a r ( β ^ I V − β ^ O L S ) ^ ] [\widehat{Var(\hat\beta_{IV}-\hat\beta_{OLS})}] [Var(β^IV−β^OLS) ]的计算,假设在 H 0 H_0 H0成立的情况下,OLS最有效率,故不使用异方差的情形(OLS只有在球形扰动项的情况下才最有效率)。 改进的“杜宾-吴-豪斯曼检验”(DWH)即使在异方差的情况下也适用。 10.8 如何获取工具变量 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |