内生性产生 的原因及解决方案.ppt

虽然教育的投资回报率有所下降，但是依然很高。 由于用iq作为能力的代理变量有测量误差，故iq是内生变量，考虑使用变量（med（母亲的受教育年限）、kww（在“knowledge of the World of Work”中的成绩）、mrt（婚姻虚拟变量，已婚=1）age（年龄））作为iq的工具变量，进行2SLS回归，并使用稳健的标准差： 在此2SLS回归中，教育回报率反而上升到13.73%，而iq对工资的贡献居然为负值。使用工具变量的前提是工具变量的有效性。为此，进行过度识别检验，考察是否所有的工具变量均外生，即与扰动项不相关： 结果强烈拒绝所有工具变量均外生的原假设。 考虑仅使用变量（med, kww）作为iq的工具变量，再次进行2SLS回归，同时显示第一阶段的回归结果： 上表显示，教育的回报率为6.08%，较为合理，再次进行过度识别检验： 接受原假设，认为（med，kww）外生，与扰动项不相关。 进一步考察有效工具变量的第二个条件，即工具变量与内生变量的相关性。从第一阶段的回归结果可以看出，工具变量对内生变量具有较好的解释力。更正式的检验如下 从以上结果可看出，虽然Shea’s partial R^2不到0.04，但是F统计量为13.4010。 我们知道，虽然2SLS是一致的，但却是有偏的，故使用2SLS会带来“显著性水平扭曲”（size distortion），而且这种扭曲随着弱工具变量而增大。上表的最后部分显示，如果在结构方程中对内生解释变量的显著性进行“名义显著性水平”（nominal size）为5%的沃尔德检验，加入可以接受的“真实显著性水平”（true size）不超过15%，则可以拒绝“弱工具变量”的原假设，因为最小特征值统计量为14.91，大于临界值11.59。 总之我们有理由认为不存在弱工具变量。但为了稳健起见，下面使用对弱工具变量更不敏感的有限信息最大似然法（LIML）: 结果发现，LIML的系数估计值与2SLS非常接近，这也从侧面印证了“不存在弱工具变量”。 使用工具变量法的前提是存在内生解释变量，为此须进行豪斯曼检验，其原假设是“所有的解释变量均为外生”： 上表显示，可以在5%的显著性水平下拒绝“所有解释变量均外生的原假设”，即认为存在内生解释变量iq。由于传统的豪斯曼检验建立在同方差的前提下，故在上述回归中均没有使用稳健标准差。 由于传统的豪斯曼检验在异方差的情形下不成立，下面使用异方差稳健的DWH检验： 据此可认为iq为内生解释变量。 如果存在异方差，则GMM比2SLS更有效。为此进行如下的最优GMM估计： 进行过度识别检验： 由于p值为0.70，故认为所有的工具变量均为外生。考虑迭代GMM： 稳健性检验 把解释变量和被解释变量找几个其他的变量替换一些，看看你原来的回归结果是不是符号和显著性发生了变化，如果没有变化，那就是稳健的，变化了就有问题了！ 做计量的最终目的，是我们要看的是自变量（你关注的那个）与因变量之间的因果关系（最终的目的。那么做稳健性检验，其实就是你想看看你现在选择的这个变量是不是能证实或证伪你的假设，如果通过多个方法，你在一定程度上能证明你关注的因素对因变量有显著因果关系（或其他关系）。那就实现了你的想法。 rreg, qreg.. 国外70%的文献都有robustness检验，尤其是发表在质量比较高的期刊上的文献，例如 journal of finance 等。而且是可以对Y或者X做替换来进行robustness test 1. 从数据出发，根据不同的标准调整分类，检验结果是否依然显著；2. 从变量出发，从其他的变量替换，如：公司size可以用total assets衡量，也可以用total sales衡量；3. 从计量方法出发，可以用OLS, FIX EFFECT, GMM等来回归，看结果是否依然robust； 1、关于限制样本数据的①有人问：如果是将全国的数据划分为东中西部的进行回归，算稳健性检验吗？有回复：这样不见得会得到同样的结果。因为东中西部存在差异。你可以用抽样的方式，随机抽取部分样本，这样可能会比较适合。②还有人问：剔除数据中的极端值再回归，这算不算是稳健性检验呢？2、讨论最多的是关于怎样从变量出发，进行稳健性检验的。之一：替换①有问：可不可以换y做稳健性检验回复1：从我看到的文献及了解的而言，一般是不换Y的，你可以将你关注的变量进行替换，或者将样本进行细分。做计量的最终目的，是我们要看的是自变量（你关注的那个）与因变量之间的因果关系（最终的目的。那么做稳健性检验，其实就是你想看看你现在选择的这个变量是不是能证实或证伪你的假设，如果通过多个方法，你在一定程度上能证明你关注的因素对因变量有显著因果关系（或其他关系）。