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,则认为存在内生解释变量,要用IV;反之,如果接受,则认为不存在内生解释变量,应该使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates storeiv
hausmaniv ols
(在面板数据中使用工具变量,Stata提供了如下命令来执行2SLS:xtivregdepvar [varlist1] (varlist_2=varlist_iv)(选择项可以为fe,re等,表示固定效应、随机效应等。详见help xtivreg)
如果存在内生解释变量,则应该选用工具变量,工具变量个数不少于方程中内生解释变量的个数。
“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分,即由工具变量所造成的外生的变动部分,以及与扰动项相关的其他部分;然后,把被解释变量对中的这个外生部分进行回归,从而满足OLS前定变量的要求而得到一致估计量。
二、异方差与自相关检验
在球型扰动项的假定下,2SLS 是最有效的。但如果扰动项存在异方差或自相关, 面板异方差检验:
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df =e(N_g) – 1
lrtest hetero homo, df(`df’)
面板自相关:xtserial enc invs exp imp esc mrl 则存在一种更有效的方法,即 GMM。从某种意义上,GMM 之于 2SLS 正如 GLS 之于 OLS。好识别的情况下,GMM 还原为普通的工具变量法;过度识别时传统的矩估计法行不通,只有这时才有必要使用 GMM,过度识别检验(OveridentificationTest 或J Test):estat overid
三、工具变量效果验证
工具变量:工具变量要求与内生解释变量相关,但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的,故在实践上寻找合适的工具变量常常很困难,需要相当的想象力与创作性。常用滞后变量。需要做的检验: 检验工具变量的有效性:
(1)检验工具变量与解释变量的相关性 如果工具变量z 与内生解释变量完全不相关,则无法使用工具变量法;如果与仅仅微弱地相关,。这种工具变量被称为“弱工具变量”(weak instruments)后果就象样本容量过小。检验弱工具变量的一个经验规则是,如果在第一阶段回归中, F 统计量大于 10,则可不必担心弱工具变量问题。
Stata命令:estat first(显示第一个阶段回归中的统计量) (2) 检验工具变量的外生性(接受原假设好)在恰好识别的情况下,无法检验工具变量是否与扰动项相关。在过度识别(工具变量个数>内生变量个数)的情况下,则可进行过度识别检验(Overidentification Test),检验原假设所有工具变量都是外生的。如果拒绝该原假设,则认为至少某个变量不是外生的,即与扰动项相关。 0 H Sargan 统计量,Stata 命令:estatoverid
四、GMM过程
在Stata 输入以下命令,就可以进行对面板数据的GMM 估计。
ssc install ivreg2 (安装程序ivreg2 )
ssc install ranktest (安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest)
use ‘traffic.dta'(打开面板数据)
xtset panelvar timevar (设置面板变量及时间变量)
ivreg2 y x1 (x2=z1z2),gmm2s (进行面板GMM估计,其中2s 指的是2-step GMM)
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/184351.html原文链接:https://javaforall.cn