内环境稳态的重要性.pptVIP

* 由于一般大规模的人群调查存在较大的变异性问题，仅在模型中纳入虚拟变量“分 组 ( A) ”、“时 间( T) ”是远远不够的。为了提高解释系数 R2，需要加入其他可能影响被解释变量的因素，即控制除分组、时间变量以外的其他变量。 ssc install diffhelp diff diff y ,t(treated) p(t) robust 如果有控制变量，可以利用cov（）添加 * 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。 3.工具变量法 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。 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； 一个合适的工具变量应该同时满足两个条件：第一要能很好地解释内生变量，也就是说工具变量和内生变量之间要足够相关；第二，工具变量要来自系统之外，即工具变量具备外生性。 如果内生性表现为联立性问题，第二个标准尤其必要。虽然统计证据可以告诉我们工具变量和内生变量是否相关，但是其背后的因果链条和工具变量是否具备外生性的证明一样，必须依赖令人置信的逻辑推导 。 工具变量的外生性在回归中表现为和方程的残差项正交，即工具变量不会对方程被解释变量产生影响，如果产生影响则只能通过内生变量起作用 。 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。 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 。 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。 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。 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。 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 但是 弱工具变量几乎不能解释X的变动。 弱工具变量检验准则 1. 偏R2（Shea’s partial R2） 含义：在第一阶段回归中，在控制外生变量 影响的前提下，看其它变量对某内生变量的解释力，或者说，在第一阶段回归中，剔除掉外生变量的影响。 2.最小特征值统计量F：经验上F应该大于10。 Stata 命令： estat firststage,all forcenonrobust 3. Cragg-Donald Wald F 统计量 4. Kleibergen-Paap Wald rk F 统计量”（当假定残差项不满足独立同分布时，就看这个来判断是否弱工具，原假设是弱工具