GMM估计分析步骤及结果解读

GMM估计是用于解决内生性问题的一种方法，除此之外还有TSLS两阶段最小二乘回归。

如果存在异方差GMM的效率会优于TSLS，但通常情况下二者结论表现一致，很多时候研究者会认为数据或多或少存在异方差问题，因而可直接使用GMM估计。

内生变量是指与误差项相关的解释变量。对应还有一个术语叫‘外生变量’，其指与误差项不相关的解释变量。产生内生性的原因通常在三类，分别说明如下：

内生性问题的判断上，通常是使用Durbin-Wu-Hausman检验（SPSSAU在两阶段最小二乘回归结果中默认输出），当然很多时候会结合自身理论知识和直观专业性判断是否存在内生性问题。如果假定存在内生性问题时，直接使用两阶段最小二乘回归或者GMM估计即可。一般不建议完全依照检验进行判断是否存在内生性，结合检验和专业理论知识综合判断较为可取。

内生性问题的解决上，通常使用工具变量法，其基本思想在于选取这样一类变量（工具变量），它们的特征为：工具变量与内生变量有着相关(如果相关性很低则称为弱工具变量)，但是工具变量与被解释变量基本没有相关关系。寻找适合的工具变量是一件困难的事情，解决内生性问题时，大量的工作用于寻找适合的工具变量。

关于引入工具变量的个数上，有如下说明：

过度识别和恰好识别是可以接受的，但不可识别这种情况无法进行建模，似想用一个工具变量去标识两个内生变量，这是不可以的。

工具变量引入时，有时还需要对工具变量外生性进行检验（过度识别检验），针对工具变量外生性检验上，SPSSAU提供Hansen J检验。特别提示，只有过度识别时才会输出此两个检验指标。

GMM估计类型参数说明如下：

案例说明

1 背景

本案例引入Mincer(1958)关于工资与受教育年限研究的数据。案例数据中包括以下信息，如下表格：

数据共有12项，其中编号为1，5，7，8，12共五项并不在考虑范畴。

本案例研究‘受教育年限’对于‘Ln工资’的影响。明显的，从理论上可能出现‘双向因果关系’即‘受教育年限’很可能是内生变量。那么可考虑使用‘母亲受教育年限’和‘成绩’这两项数据作为工具变量。同时研究时纳入3个外生变量，分别是‘婚姻’，‘是否大城市‘和’当前单位工作年限’。使用两阶段最小二乘TSLS回归进行解决内生性问题。

本案例研究时，工具变量为2个，内生变量为1个，因而为过度识别，可以正常进行TSLS回归。

2 理论

关于内生性的检验Durbin-Wu-Hausman检验(SPSSAU在两阶段最小二乘回归TSLS结果中默认输出)，其用于检验是否真的为内生变量；如果说检验不通过（接受原假设），那么说明没有内生变量存在，可直接使用OLS回归即可。当然即使没有内生性，一般也可以使用TSLS回归或GMM估计，没有内生性问题时，OLS回归和TSLS回归，或GMM估计结论通常一致；

关于过度识别检验上，SPSSAU提供Hansen J检验，原理上此过度识别检验仅在‘过度识别’时才会输出，即工具变量个数>内生变量个数时，才会输出。

3 操作

本案例分别将被解释变量，内生变量，工具变量和外生变量纳入对应的模型框中，如下：

4 SPSSAU输出结果

SPSSAU共输出5类表格，分别是研究变量类型表格，GMM估计模型分析结果表格，GMM估计模型分析结果-简化格式表格，模型汇总(中间过程)表格和过度识别检验(overidentifying restrictions)。说明如下：

5 文字分析

上一表格展示本次研究时涉及的各变量属性，包括被解释变量，内生变量，工具变量和外生变量组成情况。

上表格列出GMM估计的最终结果，首先模型通过Wald 卡方检验(Wald χ² =272.418，p=0.000<0.05)，意味着模型有效。同时R方值为0.341，意味着内生和外生变量对于工资的解释力度为34.1%。具体查看内生和外生变量对于被解释变量‘工资’的影响情况来看：

受教育年限的回归系数值为0.112(p=0.000<0.01)，意味着受教育年限会对工资产生显著的正向影响关系。

婚姻(已婚为1)的回归系数值为0.168(p=0.000<0.01)，意味着相对未婚群体来讲，已婚群体的工资水平明显会更高。

是否大城市(1为大城市)的回归系数值为0.145(p=0.000<0.01)，意味着相对来讲，大城市样本群体，他们的工资水平明显会更高。

当前单位工作年限的回归系数值为0.036(p=0.000<0.01)，意味着当前单位工作年限会对工资产生显著的正向影响关系。

总结分析可知：受教育年限, 婚姻，是否大城市, 当前单位工作年限全部均会对工资产生显著的正向影响关系。

上表格展示模型的基础指标值，包括模型有效检验wald卡方值（此处提供wald卡方非F检验），R值，Root MSE等指标值。

过度识别检验用于检验工具变量是否为外生变量，本次研究涉及工具变量为2个，分别是‘母亲受教育年限’和‘成绩’。从上表可知，过度识别Hansen J检验显示接受原假设（p=0.868>0.05），说明无法拒绝‘工具变量外生性’这一假定，模型良好。

特别提示：

工具变量个数 > 内生变量个数，即过度识别时，才会有效；如果恰好识别（工具变量个数=内生变量个数），此时无法输出检验值。

6 剖析

涉及以下几个关键点，分别如下：

内生变量和外生变量，其二者均为解释变量，如果考虑内生性问题时才会将解释变量区分成内生变量和外生变量。
如果存在异方差则GMM的效率会优于TSLS，但通常情况下二者结论表现一致，很多时候研究者会认为数据或多或少存在异方差问题，因而可直接使用GMM估计。
模型有效性检验上，SPSSAU默认使用wald卡方检验而非F检验。
GMM模型参数时，SPSSAU提供GMM估计，GMM迭代法和IVLIML法三种。GMM估计(两步GMM)与GMM迭代结论基本一致，如果存在弱工具变量可考虑使用IVLIML法。

「更多内容登录SPSSAU官网了解」

GMM估计分析步骤及结果解读相关推荐

脑电图源成像:分析步骤的实践回顾
脑电图(EEG)是测量人脑神经元活动的最古老的技术之一.随着数字技术的进步,脑电图分析已经从单纯的随时间变化的幅度和频率变化的视觉检测,发展到对记录信号的时空特征的全面探索.如今,脑电图(EEG)被认 ...
arcgis中python坡度计算_ArcGIS不同坡度植被覆盖率分析步骤
原标题:ArcGIS不同坡度植被覆盖率分析步骤写在前面的话:这是一个栅格分析的入门级应用--好吧,算虾神我的实战操作科普系列的作品. 怎么用 ArcGIS做不同坡度的植被覆盖度分析,实际上在Arc ...
时间序列相关算法与分析步骤
首先,从时间的角度可以把一个序列基本分为3类: 1.纯随机序列(白噪声序列),这时候可以停止分析,因为就像预测下一次硬币哪一面朝上一样毫无规律. 2.平稳非白噪声序列,它们的均值和方差是常数,对于这类 ...
stata面板数据gmm回归_【stata】面板GMM估计
一.解释变量内生性检验首先检验解释变量内生性(解释变量内生性的Hausman 检验:使用工具变量法的前提是存在内生解释变量.Hausman 检验的原假设为:所有解释变量均为外生变量,如果拒绝,则认为 ...
Android 系统（135）---Android anr 分析步骤总结
Android anr 分析步骤总结前言:最近经手了比较多的anr问题,声明经手不是解决,只是从log上推断造成anr的原因,以此作为根据转交给对应的人来处理. 1. ANR简介 ANR全名Appl ...
canoco5冗余分析步骤_基因富集分析|理解
Gene Set Enrichment Analysis 基因富集分析哈罗大家好!ヾ(≧▽≦*)o 年初在和老板研究 Identifying Cell Subpopulations 有关的课题,发现 ...
弘辽科技：抖音评价分析看板数据如何解读？
抖音评价分析看板支持商家查看最新评论数据分布,筛选时间段查看近期趋势,具体指标包括:评价数.评价率.好评数.好评率.差评数.差评率.接下来一起来了解这个功能. 一.评价分析看板数据如何解读? 好评率为 ...
【机器学习】线性回归实战案例一：多元素情况下广告投放效果分析步骤详解
线性回归实战案例一:多元素情况下广告投放效果分析步骤详解 2 线性回归 2.1 案例一:多元素情况下广告投放效果分析 2.1.1 模块加载与绘图布局样式设置 2.1.2 加载数据和数据筛选 2.1.3 ...
（五十二） Android anr 分析步骤总结
前言:最近经手了比较多的anr问题,声明经手不是解决,只是从log上推断造成anr的原因,以此作为根据转交给对应的人来处理. 1. ANR简介 ANR全名Application Not Respond ...
希尔伯特-包络分析步骤与实例
希尔伯特-包络分析流程对于齿轮箱振动信号而言,由于存在多对齿轮同时参与啮合,那么,测量得到的信号将可能出现多个以齿轮啮合频率或及谐频为载波频率.轴频为调制频率的幅值调制.频率调制或混合调制的情况,除 ...

GMM估计分析步骤及结果解读

案例说明

GMM估计分析步骤及结果解读相关推荐

最新文章

热门文章