第六章+内生解释变量的处理.ppt

第六章 内生解释变量的处理方法 何为内生解释变量 背景 回归模型假定解释变量X为设计矩阵（非随机变量 保证X与随机误差项u不相关 如果某个解释变量与u相关，则称之为内生解释变量 出现原因 遗漏变量 联立性 测量误差 …… 一般化 将解释变量看成随机变量 集中于大样本问题 基本渐近理论 依概率收敛 基本渐近理论 Slutsky定理 基本渐近理论 依概率有界 基本渐近理论 依分布收敛 基本渐近理论 Lindeberg–Levy中心极限定理（一元） 基本渐近理论 Lindeberg–Levy中心极限定理（多元） X为随机变量时的OLS估计 基本假设 X为随机变量时的OLS估计 X为随机变量时的OLS估计 X为随机变量时的OLS估计 X为随机变量时的OLS估计 内生的影响 如果相关又会如何？？ 出现相关最常见的原因是遗漏变量，我们以此为例来进行说明 内生的影响 真实模型： 设定模型 内生的影响 如何处理：工具变量 处理此类问题的一般方法是工具变量法（instrumental variable） 寻找一个变量z1，满足： 则称z1为xk的工具变量 工具变量 IV估计量 工具变量 例（Wooldridge） 工具变量 Wooldridge给出两个可能的IV： 母亲的受教育水平 成长过程中兄弟姐妹数 工具变量 选择工具变量，需要验证它是否满足两个条件，对于与x（内生变量）相关，可以通过做x与z的回归模型，对系数进行检验，但对于与u不相关，则只能依靠理论设定了！ 工具变量 复工具变量 如果一个内生解释变量有多个满足基本条件的工具变量，则它们的线性组合也必然满足基本条件 与内生解释变量相关度最高的组合是最好的IV 工具变量 工具变量 2SLS 2SLS 阶段1 阶段2 估计量的统计性质 IV估计量的统计性质 有偏 一致 2SLS的陷阱 尽量不要显性地进行两阶段回归，要用专用程序来做 proc syslin data=xj.simulation 2sls; endogenous advertisement; instruments promotion price grade; model demand=price advertisement grade; run; proc reg data=xj.simulation; model advertisement=promotion price grade; output out=xj.out1 p=yuce; proc print data=xj.out1; run; proc reg data=xj.out1; model demand=price yuce grade; run; 2SLS的陷阱 如下做法正确吗？ 2SLS的陷阱 弱工具变量问题 工具变量与代理变量 工具变量（IV）与代理变量（Proxy variable） 代理变量是与遗漏的不可观测变量相关，从而可以作为其代理的变量 两种方法解决问题的思路是完全不同的，代理变量一般都是很差的工具变量（与u相关） * * 例： *