工具变量法案例【计量经济系列(八)】
stata 工具变量法案例【计量经济系列(八)】
文章目录
- 1.数据集
- 2. 初步回归,发现内生变量
- 3. 使用工具变量,2SLS回归
- 4. 检验外生性,过度识别检验
- 5. 检验 工具变量与内生变量 的 相关性
- 6. 解决弱工具变量
- 7. 豪斯曼检验
- 8. 异方差稳健的DWH检验
- 9. 结果汇报
ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ
1.数据集
使用grilic数据集
其中,主要变量包括:
Inw(工资对数) ,s(教育年限) , expr(工龄) , tenure(在现单位的工作年数) , iq(智商) , med(母亲的教育年限) , kuw(在“knowledge of the World of Work”测试中的成绩) , rns(美国南方虚拟变量,住在南方=1 ) , smsa(大城市虚拟变量,住在大城市=1)。
use grilic,clear
部分数据示例如下:
2. 初步回归,发现内生变量
我们主要感兴趣的变量,是变量s,表示教育年限。以expr tenure rns smsa为控制变量,
使用稳健的标准误,建立回归模型如下:
reg lnw s expr tenure rns smsa,r
如图通过回归系数可以看到,教育的回报率高达10.2643%,可能是遗漏变量“能力”与“教育年限”正相关,导致能力对工资的贡献被纳入了教育中,以至于高估了教育回报率。
接下来,以变量iq(智商)作为能力的代理变量,再进行OLS回归:
reg lnw s iq expr tenure rns smsa,r
可以看到教育回报率有所下降,但是仍然很高。
由于用iq来度量能力存在测量误差,故iq是内生变量。
3. 使用工具变量,2SLS回归
使用med和kww两个变量作为工具变量,使用稳健的标准误进行2SLS回归。
并显示第一阶段回归结果:
ivregress 2sls lnw s expr tenure rns smsa (iq=med kww),r first
回归结果显示,教育投资回报率为6.08%,且在1%的显著性水平上显著了,较为合理了。
且可以看处两个工具变量,对内生变量有着较好的解释能力,两个P值都大于0.05。(这里可以初步体现工具变量与内生变量的相关性,但是不是正式体现。正式的体现还需要下边第5步的检验)
4. 检验外生性,过度识别检验
做过度识别检验,
检验的原假设为:工具变量med,kww都是外生的。
estat overid
检验结果P值为0.6972,所以不能拒绝原假设,即接受原假设所以med,kww两个变量是外生的。
5. 检验 工具变量与内生变量 的 相关性
正式检验需计算第一阶段回归的普通(非稳健)F统计量,故首先使用普通标准误重新进行2SLS估计。
qui ivregress 2sls lnw s expr tenure rns smsa (iq=med kww)
estat firststage
F统计量值为14.91,大于10了,所以认为不存在弱工具变量。
6. 解决弱工具变量
ivregress liml lnw s expr tenure rns smsa (iq=med kww),r
7. 豪斯曼检验
qui reg lnw s iq expr tenure rns smsa
estimates store ols
qui ivregress 2sls lnw s expr tenure rns smsa (iq=med kww).
estimates store iv
hausman iv ols, constant sigmamore
回归结果表明,P值为0.0499,所以可以在5%的置信水平上拒绝原假设(所有的解释变量都是外生的)。即存在内生变量。
8. 异方差稳健的DWH检验
使用异方差稳健的DWH检验再次进行检验内生变量。
estat endogenous
检验结果中一个χ2\chi^2χ2统计量,一个FFF统计量,两个的P值都小于0.05,所以仍然可以认为iq是内生变量。
9. 结果汇报
将回归结果以表格形式汇报,示例如下:
qui reg lnw s expr tenure rns smsa,r
est sto ols_no_iq
qui reg lnw iq s expr tenure rns smsa,r
est sto ols_with_iq
qui ivregress 2sls lnw s expr tenure rns smsa ( iq=med kww ),r
est sto tsls
qui ivregress liml lnw s expr tenure rns smsa ( iq=med kww ) ,r
est sto liml
estimates table ols_no_iq ols_with_iq tsls liml,b se
其中选择项b表示回归系数,se表示显示标准误。
更详细地汇报,同时展示回归系数、标准误和显著性水平。(一颗表示10%,两颗表示5%,三颗星表示1%)。
(需要下载非官方命令estout : ssc install estout)
esttab ols_no_iq ols_with_iq tsls liml,se r2 mtitle star(* 0.1 ** 0.05 *** 0.01)
如果还需要将该表格输出到word文档:
以文件名为abc为例,文件位置在当前工作目录中:
esttab ols_no_iq ols_with_iq tsls liml using abc.rtf,se r2 mtitle star(* 0.1 ** 0.05 *** 0.01)
效果如下:
本次分享就到这里,小啾感谢您的关注与支持!
工具变量法案例【计量经济系列(八)】相关推荐
- stata 工具变量法【计量经济系列(七)】
stata 工具变量法[计量经济系列(七)] 文章目录 1. 内生性 2. 工具变量 3. 2SLS (二阶段最小二乘法) 4. 弱工具变量 5. 工具变量外生性的过度识别检验 6. 豪斯曼检验 6. ...
- stata 模型设定专题【计量经济系列(六)】(遗漏变量、无关变量、多重共线性、leverage、虚拟变量、线性插值......)
stata 模型设定专题[计量经济系列(六)] 文章目录 1. 遗漏变量 与 无关变量 1.1 遗漏变量 1.2无关变量 2. 解释变量的权衡标准 3. 检验函数形式 4. 多重共线性 4.1 检验多 ...
- 金融计量模型(三):工具变量法
文章目录 工具变量法 内生性 Simultaneous causality 案例:供求问题 Omitted Variables Errors in Variables 其他原因 工具变量法的基本想法 ...
- lecture 11:内生性与工具变量法
内生性问题 "内生性"名称的由来 现在人们说某个模型有内生性问题(endogeneity issue),是指模型中的一个或多个解释变量与误差项存在相关关系. 显然,这个解释和内生性 ...
- stata 异方差专题【计量经济系列(四)】
stata 异方差专题[计量经济系列(四)] 文章目录 1. 异方差检验方法 2. 散点图法 3. BP检验 4. 怀特检验 5. FWLS 可行权的最小二乘法 6. 小练习 ʚʕ̯•͡˔•̯ ...
- Stata常用命令集锦【计量经济系列(一)】
Stata常用命令集锦[计量经济系列(一)] 文章目录 1.数据集的打开.关闭与保存 1.1 导入Excel数据 1.2 打开dta数据 1.3 关闭数据集 1.4 保存数据 2.stata运算符 ...
- 【系统辨识】深入浅出分析工具变量法
什么是工具变量法? Instrumental variable methods The method of instrumental variables (IV) is used to estimat ...
- 内生性问题—工具变量法
文章目录 @[toc] 1 什么是内生性 2 内生性的来源 2.1遗漏变量偏差 2.2 联立方程偏差 2.3 解释变量测量误差 2.4 选择偏差 2.5 双向因果关系 2.6 模型设定偏误 2.7 动 ...
- 浙江大学【面板数据分析与STATA应用】——第三讲内生性与工具变量法
解释变量和误差项存在内生性问题 内生性问题来源 内生性问题主要来自于三个方面,分别为:遗漏变量.联立性以及度量误差 遗漏变量 遗漏变量是指可能与解释变量相关的变量,本来应该加以控制,但却没有控制的变量 ...
最新文章
- keras和tensorflow 报错解决:UserWarning: Method on_batch_end() is slow compared to the batch update Check
- Linux学习 - 目录的权限操作
- docker 启动sqlserver_Docker mssql-server-linux:如何在构建期间启动.sql文件(来自Dockerfile)...
- linux查找文件或字符串的命令
- php中$sum,如何在PHP中显示SUM列
- NYOJ 100 1的个数
- 个人中心的html,个人中心.html
- 蓝桥杯 数字三角形 贪心+动态规划
- 计算机怎么允许用户安装文件,如何禁止安装某个软件?电脑不允许安装软件的方法...
- NHibernate之映射文件配置说明
- 赚钱有捷径吗?为什么有的人赚钱很容易
- ANDROID模拟器不能启动
- MYSQL中日期与字符串间的相互转换
- RS232串口线接法与线芯引脚定义
- 青少年学习python有什么用_青少年为什么要学习Python
- Pytorch创建多任务学习模型
- OpenGL ES 2.0 入门(持续更新)
- 罗技无法使用计算机上的配置文件,罗技无线鼠标接收器无法配对的详细解决办法...
- 【BackEnd--SSM 框架详解】Mybatis+Spring+SpringMVC学习笔记(完整详细版)
- iPhone与iPad开发实战读书笔记
热门文章
- 数据分析师的能力体系
- U盘提示文件过大怎么办
- 公众号文章分享:A_Public_accounts_article
- 初学 Qt 之从零开始的中国象棋小游戏(一)
- 用JSP创建一个表格模板
- 唯样商城:ROHM——反向恢复时间trr的影响逆变器电路的优化
- 手电筒充放电管理芯片SM5401兼容HT4892 超低静态电流 低成本充放电管理芯片 移动电源芯片
- Carsim和simulink联合仿真过程中输入与输出不匹配的问题解决
- anaconda更新python3.8_anaconda python3.8下载
- 应用Excel透视表计算同环比