第六講-工具變量回歸PPT課件

.,1,工具變量回歸,.,2,OLS經(jīng)典假設(shè)所有的解釋變量Xi與隨機誤差項彼此之間不相關(guān)。,若解釋變量Xi和ui相關(guān)，則OLS估計量是非一致的，也就是即使當(dāng)樣本容量很大時，OLS估計量也不會接近回歸系數(shù)的真值。當(dāng)解釋變量和隨機誤差項相關(guān)時，模型存在著內(nèi)生性問題。,.,3,在計量經(jīng)濟學(xué)中，把所有與擾動項相關(guān)的解釋變量都稱為“內(nèi)生變量”。這與一般經(jīng)濟學(xué)理論中的定義有所不同。1。與誤差項相關(guān)的變量稱為內(nèi)生變量(endogenousvariable)。2。與誤差項不相關(guān)的變量稱為外生變量(exogenousvariable)。,.,4,造成誤差項與回歸變量相關(guān)（內(nèi)生性）的原因很多，但我們主要考慮如下幾個方面：遺漏變量偏差變量有測量誤差雙向因果關(guān)系。,.,5,遺漏變量偏差,.,6,.,7,變量有測量誤差測量數(shù)據(jù)正確時：假設(shè)方程為：,當(dāng)存在測量誤差時：方程為：,所以我們有：,.,8,可知，誤差項中包含,所以可以得到：如果,則回歸結(jié)果有偏，非一致,我們假設(shè),則有,.,9,結(jié)論：1。由于,2。回歸的性質(zhì)決定于w的標準差,.,10,雙向因果關(guān)系之前我們假定因果關(guān)系是從回歸變量到因變量的(X導(dǎo)致了Y)。但如果因果關(guān)系同時也是從因變量到一個或多個回歸變量(Y導(dǎo)致了X)的呢？如果是這樣的話，因果關(guān)系是向前的也是“向后”的，即存在雙向因果關(guān)系，如果存在雙向因果關(guān)系，則OLS回歸中同時包含了這兩個效應(yīng)，因此OLS估計量是有偏的、非一致的。,.,11,可以推導(dǎo)出：,.,12,遺漏變量偏差可采用在多元回歸中加入遺漏變量的方法加以解決，但前提是只有當(dāng)你有遺漏變量數(shù)據(jù)時上述方法才可行。雙向因果關(guān)系偏差是指如果有時因果關(guān)系是從X到Y(jié)又從Y到X時，此時僅用多元回歸無法消除這一偏差。同樣，變量有測量誤差也無法用我們前面學(xué)過的方法解決。因此我們就必須尋找一種新的方法。,.,13,工具變量(instrumentalvariable,IV)回歸是當(dāng)回歸變量X與誤差項u相關(guān)時獲得總體回歸方程未知系數(shù)一致估計量的一般方法。我們經(jīng)常稱其為IV估計。其基本思想是：假設(shè)方程是：,我們假設(shè)ui與Xi相關(guān)，則OLS估計量一定是有偏的和非一致的。工具變量估計是利用另一個“工具”變量Z將Xi分離成與ui相關(guān)和不相關(guān)的兩部分。,.,14,我們的工作就是要尋找相應(yīng)的工具變量將解釋變量分解成內(nèi)生變量和外生變量，然后利用兩階段最小二乘法(TSLS)進行估計。,.,15,工具變量的選取,一個有效的工具變量必須滿足稱為工具變量相關(guān)性和工具變量外生性兩個條件:即,（1）工具變量相關(guān)性：工具變量與所替代的隨機解釋變量高度相關(guān)；（2）工具變量外生性：工具變量與隨機誤差項不相關(guān)；,.,16,兩階段最小二乘估計量,若工具變量Z滿足工具變量相關(guān)性和外生性的條件，則可用稱為兩階段最小二乘(TSLS)的IV估計量估計系數(shù)1。兩階段最小二乘估計量分兩階段計算：第一階段把X分解成兩部分：即與回歸誤差項相關(guān)的一部分以及與誤差項無關(guān)的一部分。第二階段是利用與誤差項無關(guān)的那部分進行估計。,.,17,一般IV回歸模型,因變量Yi。外生解釋變量W1i、W2i、Wri。內(nèi)生解釋變量X1i、X2i、Xki。我們引入工具變量Z1i、Z2i、Zmi。,.,18,第一階段回歸：利用OLS建立每個內(nèi)生變量（X1i、X2i、Xki）關(guān)于工具變量（Z1i、Z2i、Zmi）和外生變量（W1i、W2i、Wri）的回歸，并得到所有回歸結(jié)果的擬合值Xi_hat。第二階段回歸：用Xi_hat取代原有的Xi，與原有的外生變量Wi一起進行第二次回歸，得到TSLS統(tǒng)計量TSLS。注意：工具變量出現(xiàn)在第一階段回歸，但不出現(xiàn)在第二階段回歸。,.,19,引入工具變量的個數(shù),假設(shè)我們有n個內(nèi)生解釋變量，引入了m個工具變量，n和m的關(guān)系是什么？n=m恰好識別nm不可識別只有恰好識別和過度識別才能用IV方法估計。,.,20,兩階段最小二乘法的stata命令：ivregress2slsdepvarvarlist1(varlist2=instlist),r,first其中，“depvar”為被解釋變量，varlist1為外生解釋變量，varlist2為所有的內(nèi)生解釋變量集合，instlist為工具變量集合。選擇項r表示使用異方差穩(wěn)健的標準誤，選擇項“first”表示顯示第一階段的回歸。,.,21,工具變量有效性的檢驗,工具變量相關(guān)性工具變量相關(guān)性越強，也就是工具變量能解釋越多的X變動，則IV回歸中能用的信息就越多，因此利用相關(guān)性更強的工具變量得到的估計量也更精確。弱工具變量：如果雖然但是弱工具變量幾乎不能解釋X的變動。,.,22,弱工具變量檢驗準則,1.偏R2（SheaspartialR2）含義：在第一階段回歸中，在控制外生變量影響的前提下，看其它變量對某內(nèi)生變量的解釋力，或者說，在第一階段回歸中，剔除掉外生變量的影響。2.最小特征值統(tǒng)計量F：經(jīng)驗上F應(yīng)該大于10。Stata命令：estatfirststage,allforcenonrobust,.,23,3.Cragg-DonaldWaldF統(tǒng)計量4.Kleibergen-PaapWaldrkF統(tǒng)計量”Stata命令：ivreg2,.,24,如果存在弱工具變量該怎么辦？,1.如果有很多工具變量，有部分強工具變量和部分弱工具變量，可以舍棄較弱的工具變量而選用相關(guān)性較強的工具變量子集。在stata中，可以使用ivreg2命令進行“冗余檢驗”，以決定選擇舍棄哪個工具變量。（直觀上，冗余工具變量是那些第一階段回歸中不顯著的變量。）2.如果系數(shù)是恰好識別的，則你不能略去弱工具變量。在這種情況下，有兩個選擇：第一個選擇是尋找其他較強的工具變量。(難度較大),.,25,第二個選擇是利用弱工具變量繼續(xù)進行實證分析，但采用的方法不再是TSLS。而是對弱工具變量不太敏感的有限信息極大似然法(LIML)。在大樣本下，LIML與2SLS是漸近等價的，但在存在弱工具變量的情況下，LIML的小樣本性質(zhì)可能優(yōu)于2SLS。LIML的Stata命令為ivregresslimldepvarvarlist1(varlist2=instlist),.,26,工具變量外生性的檢驗,剛才我們提到：只有恰好識別和過度識別才能用IV方法估計。一個很重要的命題是：只有過度識別情況下才能檢驗工具變量的外生性，而恰好識別情況下無法檢驗。,.,27,過度識別約束檢驗,基本思想：假設(shè)有一個內(nèi)生回歸變量，兩個工具變量且沒有包含的外生變量。則你可以計算兩個不同的TSLS估計量：其中一個利用第一個工具變量，而另一個利用第二個工具變量。由于抽樣變異性，這兩個估計量不會相同，但如果兩個工具變量都是外生的，則這兩個估計量往往比較接近。如果由這兩個工具變量得到估計非常不同，則你可以得出其中一個或兩個工具變量都有內(nèi)生性問題的結(jié)論。,.,28,識別標準：Sargan統(tǒng)計量J統(tǒng)計量C統(tǒng)計量過度識別檢驗的Stata命令：estatoverid,.,29,究竟該用OLS還是工具變量法,豪斯曼檢驗原假設(shè)為：H0：所有解釋變量均為外生變量regyx1x2eststoreolsivregress2slsyx1(x2=z1z2)eststoreivhausmanivols,sigmamore,.,30,上述檢驗的缺點是，它假設(shè)在H0成立的情況下，OLS最有效率。但如果存在異方差，OLS并不最有效率(不是BLUE)。故傳統(tǒng)的豪斯曼檢驗不適用于異方差的情形。此時可以使用杜賓-吳-豪斯曼檢驗(DWH)，該檢驗在異方差的情況下也適用，更為穩(wěn)健。stata命令：estatendogenous,.,31,廣義矩估計法：GMM,基本思想：求解如下一般化目標函數(shù),使之最小化J(b_GMM)=n*g(b_GMM)*W*g(b_GMM)其中，W為權(quán)重矩陣在球型擾動項的假定下，2SLS是最有效的。但如果擾動項存在異方差或自相關(guān)，則廣義矩估計方法效果更好。GMM方法又分為兩步GMM法和迭代GMM方法。,.,32,有關(guān)GMM的Stata命令為ivregressgmmyx1(x2=z1z2)(兩步GMM)ivregressgmmyx1(x2=z1z2),igmm(迭代GMM)estatoverid(過度識別檢驗),.,33,例一,Mincer(1958)最早研究了工資與受教育年限的正相關(guān)關(guān)系，但遺漏了“能力”這個變量，導(dǎo)致遺漏變量偏差。針對美國面板調(diào)查數(shù)據(jù)中的年輕男子組群(YoungMensCohortoftheNationalLongitudinalSurvey，簡記NLS-Y)，Griliches(1976)采用工具變量法對遺漏變量問題進行了校正。BlackburnandNeumark(1992)更新了Griliches(1976)的數(shù)據(jù)，即這個例子中將要使用的數(shù)據(jù)集grilic.dta。,.,34,該數(shù)據(jù)集中包括以下變量：lw(工資對數(shù))，s(受教育年限)，age(年齡)，expr(工齡)，tenure(在現(xiàn)單位的工作年數(shù))，iq(智商)，med(母親的受教育年限)，kww(在“knowledgeoftheWorldofWork”測試中的成績)，mrt(婚姻虛擬變量，已婚=1)，rns(美國南方虛擬變量，住在南方=1)，smsa(大城市虛擬變量，住在大城市=1)，year(有數(shù)據(jù)的最早年份，19661973年中的某一年)。,.,35,這是一個兩期面板數(shù)據(jù)，初始期為當(dāng)以上變量有數(shù)據(jù)的最早年份，結(jié)束期為1980年。不帶80字樣的變量名為初始期，帶80字樣的變量名為1980年數(shù)據(jù)。比如，iq指的是初始期的智商，而lw80指的是1980年的工資對數(shù)。,.,36,(1)先看一下數(shù)據(jù)的統(tǒng)計特征。usegrilic.dta,clearsum(2)考察智商與受教育年限的相關(guān)關(guān)系。pwcorriqs,sig(3)建立如下方程：,reglw80s80expr80tenure80,.,37,繼續(xù)對方程進行分析：我們發(fā)現(xiàn)了如下問題：1。遺漏變量問題：認為方程遺漏了“能力”這個變量，加入iq（智商）作為“能力”的代理變量。reglw80s80iqexpr80tenure80,.,38,2。測量誤差問題：iq（智商）對“能力”的測量存在誤差。3。變量內(nèi)生性問題：s80可能與擾動項中除“能力”以外的其他因素相關(guān)，因此是內(nèi)生變量。解決方法：引入四個變量med，kww，mrt，age，作為內(nèi)生解釋變量iq與s80的工具變量。然后使用TSLS方法進行回歸。ivregress2slslw80expr80tenure80(s80iq=medkwwmrtage),first,.,39,也可以使用GMM估計方法使用兩步GMM。ivregressgmmlw80expr80tenure80(s80iq=medkwwmrtage)使用迭代GMM。ivregressgmmlw80expr80tenure80(s80iq=medkwwmrtage),igmm,.,40,幾點注意事項：1。first選項的目的是顯示TSLS第一階段的結(jié)果，如果省略，則僅顯示第二階段的結(jié)果。2。命令的用法比較嚴格，將被解釋變量和所有外生解釋變量放到括號外面，內(nèi)生解釋變量放到括號里面，等號后面為所有工具變量。3。2SLS只能通過stata完成，利用定義手動計算的結(jié)果是錯誤的，因為殘差序列是錯誤的。,.,41,4。不可能單獨為每個內(nèi)生變量指定一組特定的工具變量，而是給所有內(nèi)生變量指定一系列工具變量。5。所有外生變變量都作為自己的工具變量。6。為了檢驗工具變量的外生性，本題為過度識別。7。在大樣本下，IV估計是一致的，但在小樣本下，IV估計并非無偏估計量，有些情況下偏誤可能很嚴重。,.,42,弱工具變量檢驗,檢驗方法：1。初步判斷可以用偏R2(partialR2)(剔除掉模型中原有外生變量的影響)。2。Minimumeigenvaluestatistic(最小特征值統(tǒng)計量)，經(jīng)驗上此數(shù)應(yīng)該大于10。這個方法類似于與書上的“第一階段F統(tǒng)計量”。,.,43,工具變量外生性檢驗,我們一般稱為過度識別約束J檢驗。檢驗工具變量是否與干擾項相關(guān)，即工具變量是否為外生變量。TSLS根據(jù)Sargan統(tǒng)計量進行過度識別檢驗。命令為：estatoverid檢驗工具變量的外生性。H0：所有工具變量都是外生的。H1：至少有一個工具變量不是外生的，與擾動項相關(guān)。,.,44,ivregress2slslw80expr80tenure80(s80iq=medkwwmrtage),firstestatfirststage,allforcenonrobustestatfirststageestatoverid,.,45,究竟該用OLS還是IV,解釋變量是否真的存在內(nèi)生性？假設(shè)能夠找到方程外的工具變量。1。如果所有解釋變量都是外生變量，則OLS比IV更有效。在這種情況下使用IV，雖然估計量仍然是一致的，會增大估計量的方差。2。如果存在內(nèi)生解釋變量，則OLS是不一致的，而IV是一致的。,.,46,檢驗方法：豪斯曼檢驗檢驗,豪斯曼檢驗（Hausmanspecificationtest）H0：所有解釋變量均為外生變量。H1：至少有一個解釋變量為內(nèi)生變量。quietlyreglw80s80expr80tenure80iqeststoreolsquietlyivregress2slslw80expr80tenure80(s80iq=medkwwmrtage)eststoreivhausmanivols,.,47,例二,reglwsexprtenurernssmsa,r引入智商(iq)作為“能力”的代理變量，再進行OLS回歸。reglwsiqexprtenurernssmsa,r,.,48,(2)由于用iq來度量能力存在“測量誤差”，故iq是內(nèi)生變量，考慮使用變量(med,kww,mrt,age)作為iq的工具變量，進行2SLS回歸，并使用穩(wěn)健標準誤。ivregress2slslwsexprtenurernssmsa(iq=medkwwmrtage),rfirst(3)進行過度識別檢驗，考察是否所有工具變量均外生，即與擾動項不相關(guān)。estatoverid,.,49,(4)我們懷疑(mrt,age)不滿足外生性，故使用C統(tǒng)計量檢驗這兩個工具變量的外生性。finditivreg2ivreg2lwsexprtenurernssmsa(iq=medkwwmrtage),rorthog(mrtage)(5)考慮僅使用變量(med,kww)作為iq的工具變量，再次進行2SLS回歸。ivregress2slslwsexprtenurernssmsa(iq=medkww),rfirst,.,50,再次進行過度識別檢驗：estatoverid(6)弱工具變量檢驗estatfirststage,allforcenonrobust(7)為了穩(wěn)健起見，下面使用對弱工具變量更不敏感的有限信息最大似然法(LIML)：ivregresslimllwsexprtenurernssmsa(iq=medkww),r,.,51,(8)進一步考察弱工具變量問題，對工具變量kww進行冗余檢驗ivreg2lwsexprtenurernssmsa(iq=medkww),rredundant(kww)(9)利用豪斯曼檢驗判斷是否存在內(nèi)生解釋變量。quireglwiqsexprtenurernssmsaeststoreols1quiivregress2slslwsexprtenurernssmsa(iq=medkww)estimatesstoreiv1hausmaniv1ols1,sigmamore,.,52,(10)由于傳統(tǒng)的豪斯曼檢驗在異方差的情形下不成立，下面進行異方差穩(wěn)健的DWH檢驗：estatendog