当前位置：文档之家 › 工具变量方法原理

工具变量方法原理

  • 格式：doc
  • 大小：666.00 KB
  • 文档页数：10

工具变量方法原理 1 工具变量原理 教学目的及要求： 1、理解引入随机解释变量的目的及产生的影响 2、理解估计量的渐进无偏性和一致性 3、掌握随机解释变量OLS的估计特性 4、应用工具变量法解决随机解释变量问题

第一节 随机解释变量问题 一、随机解释变量问题产生的原因 多元（k）线性回归模型： ikikiiiUXXXY22110 （8-1） 其矩阵形式为： UXBY （8-2）

在多元（k）线性回归模型中，我们曾经假定，解释变量jX是非随机的。如果jX是随机的，

则与随机扰动项iU不相关。即： CoviijUX,0 ),,2,1;,,2,1(nikj （8-3）

许多经济现象中，这种假定是不符合实际的，因为许多经济变量是不能用控制的方法进行观测的，所以作为模型中的解释变量其取值就不可能在重复抽样中得到相同和确定的数值，其取值很难精确控制，也不易用实验方法进行精确观测，解释变量成为随机变量。又由于随机项U包含了模型中略去的解释变量，而略去的解释变量往往是同模型中相关的变量，因而就很有可能在X是随机变量的情况下与随机项U相关，这样原有的古典假设就不能满足，产生随机解释变量。 在联立方程模型以及模型中包含有滞后内生变量等情况下，如果扰动项是序列相关的，那么均有扰动项和解释变量之间的相关性的出现，模型就存在随机解释变量问题。 工具变量方法原理 2 例如，固定资产投资与国民收入的关系满足如下模型： ttttuIYI1210

其中，tI为t期的固定资产投资，1tI为1t期的固定资产投资，tY为t期的国民收入，因为1t

I

是随机变量，故模型中存在随机解释变量。 再如，消费与收入之间的影响关系模型为

ttttuCYC1210

其中，tC为t期的消费支出，1tC为1t期的消费支出，tY是t期的收入，因为1tC是随机变量，故模型中存在随机解释变量。

二、随机解释变量问题的后果 模型中，在解释变量为随机变量并且与扰动项相关的情况下，应用普通最小二乘法估计参数可能会出现估计的不一致性，使得估计值产生很大的偏误，造成拟合优度检验的全面失准，F检验失效，t检验失去意义。在这种情况下，各种统计检验得到的是虚假的结果，不能作为判别估计式优劣的依据。 随机解释变量带来何种结果取决于它与随机误差项是否相关： 1）随机解释变量与随机误差项不相关 2）随机解释变量与随机误差项在小样本下相关，在大样本下渐进无关 3）随机解释变量与随机误差项高度相关 4）滞后被解释变量与随机误差项相关

第二节 随机解释变量模型的估计特性 我们讨论的估计量的性质（包括无偏性、最小方差性）都是在样本容量一定的情况下的统计性质，在数理统计上叫做小样本性质。在某些情况下，小样本时的估计量不具有某种统计性质，但是随着样本容量的增大，一个估计量在小样本时不具有的性质，大样本时就逐渐具有这种统计性质了，这种性质我们叫做大样本性质或叫做估计量的渐近统计性质。常用的渐近统计性质有渐近无偏性和一致性。 工具变量方法原理 3 一、估计量的渐近无偏性 记)(ˆn代表模型中参数的估计量，其上标n表示样本容量。一般来说，n取如下的样本容量，knnn21，)(ˆn为一随机变量。随着样本容量n的增大，估计量)(ˆn构成一个估计量（随机变量）序列： )(ˆn

＝)(1ˆn，)(2ˆn，…，)(ˆkn，… （8-4）

所谓渐近理论就是讨论当n变得很大时，以上这些序列会有怎样的结果。 序列)(ˆn如果满足： Enlim（)(ˆn）＝ (8-5)

则称)(ˆn为的渐近无偏估计。也就是说，当样本容量越来越大，n趋于时，)(ˆn的均值越来越接近参数的真值。 这里需要注意的是，有些估计量在小样本下是有偏的，但在大样本下是无偏的，即是渐近无偏的。例如随机变量的样本方差 212)(1niixXXnS

容易证明（在数理统计中已有证明） )11()(22nSEx

其中，2为总体方差。很明显，在小样本下，2xS作为2的估计量是有偏的，但随着n的无限增大，)(2xSE趋于总体的真正方差2，因此是渐近无偏的。可见，通过增加样本容量，可以改善参数估计的精度。

二、估计量的一致性 如果随着样本容量的增大，估计量)(ˆn几乎处处趋近于真值，我们说)(ˆn为的一致估计量，或称)(ˆn依概率收敛于。如果样本容量无限增大时，)(ˆn的分布收敛于，)(ˆn的方差趋于零，)(ˆn

就是的一致估计量。 工具变量方法原理 4 一致估计量可以记为：1ˆlim)(nnP或简记为)(ˆlimnnP。式中nPlim表示概率极限。为简单起见，可略去上标n，记作ˆlimP 概率极限有下列运算法则： )Xlim()Xlim(cPcP c为常数

22112211XlimXlim)XXlim(PcPcccP 21,cc

为常数

)Xlim()Xlim()XXlim(2121PPP

0)Xlim(,)Xlim()Xlim()XXlim(22121PPPP 11)Xlim()Xlim(

PP

这里需要弄清楚一点是，无偏性与一致性是两个截然不同的概念，无偏性可以对任何样本容量成立，而一致性则是对大样本而言的，是一种渐近性质。在大样本的条件下，一致估计量具有很高的精度，但在小样本时一致性不起作用。 可以证明，)(ˆn为的一致估计量，当且仅当 )ˆ(lim)(nnE 0)ˆvar(lim)(

nn

（8-6）

时成立。此充分必要条件说明，ˆ是渐近无偏的，且当样本容量无限增大时ˆ的方差趋于零。 上面的讨论是对随机变量而言的，对于随机向量同样有类似的结论。

三、随机解释变量模型OLS估计特性 计量经济模型中一旦出现了随机解释变量，如果仍用最小二乘法估计模型参数，不同性质的随机解释变量会出现不同的结果。 为了简单起见，我们用一元线性回归模型进行说明。给定一元线性回归模型：

iiiUXY10 ),...,2,1(ni

（8-7）

假设为一随机变量，模型满足其他古典假设条件。 对式（8-7），其离差形式为：

iiiuxy1 （8-8） 工具变量方法原理 5 其中，YYyii ， XXxii ， UUuii 应用普通最小二乘法，则有

21ˆiii

xyx

 （8-9）

把(8-8)中的iy代入（8-9），则可以得到 212121

)(ˆiiiiiiiiiixuxxuxx

xyx

 （8-10）

而 11222222()()iinniiiixuxuxuxuEExxxx

K

)()()()()()(2222121niniiuExxEuExxEuExxE （8-11）

下面分三种情况讨论： 1．和U是独立的





211)ˆ(iiixuxEE

因ix和iu相互独立，并且0)(iuE ∴0)(2iiixuxE 故有)ˆ(E 2．ix与iu小样本下相关，大样本下渐近无关 小样本：0)(iiuxE 所以11)ˆ(E，最小二乘法估计是有偏的。 大样本：0)1(limiinuxnP 对式（8-10）两边取概率极限可有

211lim)ˆlim(iiixuxPP12

1lim1iiixunPxn

 （8-12） 工具变量方法原理 6 因此，在假定0)1(lim2ixnP的情况下，有 )ˆlim(P

（8-13）

说明最小二乘估计式也具有一致性特性。 3．ix与iu高度相关

0)1(limiinuxnP 讨论一般情况下回归模型（8-8）式 iiiuxy1 ),......2,1(ni

（8-14）

假设：2)(xixVar，2)(uiuVar，ix和iu之间的相关系数是，如果采用普通最小二乘法估计上式，可以得到：

211lim)ˆlim(iiixuxPP

211

lim1limiiixnP

uxnP

)(),(xVaruxCovu

x





（8-15）

因为：22()()cov(,)()()iiiixuiiXXUUxuxuXXUU代入上式即可。 可见，如果很高，只有当xu是很小的情况下，（8-15）式的渐近误差才是可以忽略的。否则，最小二乘估计式将存在着很大的偏误。

第三节 随机解释变量模型的处理 如果模型中存在随机解释变量问题，则一般的随机解释变量与随机误差项之间是相关的，最小二乘估计量有偏且不一致，需要利用其他估计方法对模型参数进行估计。

一、工具变量法 工具变量（Instrument Variable, IV）法就是当随机解释变量与随机误差项相关时，寻找一个与随机解释变量高度相关，但与随机误差项不相关的变量，用该变量替代模型中的随机解释变量，进

合集下载

stata 工具变量法 调节效应

stata 工具变量法 调节效应

一、概述1.1 选择主题的背景和意义1.2 研究的目的和意义二、Stata工具变量方法简介2.1 工具变量方法的基本原理2.2 Stata在工具变量方法中的应用三、调节效应的概念和作用3.1 调节效应的定义3.2 调节效应在实证研究中的重要性3.3 调节效应的估计方法四、Stata工具变量法在调节效应研究中的应用4.1 工具变量法对调节效应的适用性分析4.2 Stata中工具变量法的实现步骤4.3 Stata中如何估计调节效应五、案例分析5.1 案例背景介绍5.2 案例中的调节变量选择和工具变量拟合 5.3 结果解释和讨论六、方法分析6.1 方法的优势和局限性6.2 工具变量法在调节效应研究中的应用前景七、结论7.1 总结本文的主要观点7.2 对工具变量法在调节效应研究中的启示和展望八、参考文献以上是本文的大致结构，我们将在以下内容中详细分析和讨论stata工具变量法在调节效应研究中的应用。

我们将介绍工具变量方法及其在Stata中的应用，然后探讨调节效应的概念和作用，接着分析Stata工具变量法在调节效应研究中的应用，最后通过案例分析和方法分析进行具体讨论并得出结论。

二、Stata工具变量方法简介2.1 工具变量方法的基本原理工具变量方法是一种用于解决内生性（endogeneity）问题的统计方法，通过引入外生变量（instrumental variables）来对内生变量进行处理，从而保证估计结果的一致性和有效性。

在Stata中，通过使用ivregress命令可以实现工具变量法的应用。

2.2 Stata在工具变量方法中的应用Stata作为一款强大的统计分析软件，提供了丰富的工具变量方法的实现工具，用户可以通过简单的命令实现工具变量法的应用，同时也可以借助Stata的强大功能进行结果的检验和验证。

三、调节效应的概念和作用3.1 调节效应的定义调节效应指的是在两个变量之间的相互作用中，其中一个变量对另一个变量的影响程度会受到第三个变量的调节作用。

工具变量在社会科学因果推断中的应用

工具变量在社会科学因果推断中的应用

⼯具变量在社会科学因果推断中的应⽤⼀、导⾔： 因果推断的圣杯在反事实因果的框架之下 ，基于调查数据的社会学定量分析要进⾏因果推断，难度极⼤。

其主要原因在于，社会学家⼀旦要证明某个他们所感兴趣的“因”会带来⼀定的“果”，就必须⾯对⼀个永恒挑战:“内⽣性”问题( endogeneity) 。

也即: 如果某个潜在的、⽆法观测的⼲扰项，既影响“因”，⼜影响“果”，那么，利⽤最⼩⼆乘法模型( 简称OLS模型) 进⾏回归分析所得到的估计量就会是有偏误的，⽽不具有因果推断⼒。

在实证分析中，⽆论是经典的教育回报研究( Card， 1999)，还是我国学界⾮常关注的关系⽹、社会资本研究( Mouw， 2003， 2006; 陈云松、范晓光，2010，2011) ，内⽣性问题都极为重要且亟待解决。

解决内⽣性问题的常⻅⽅法，主要包括⼯具变量( instrumental variable，简称IV) 、固定效应模型( fixed effects model，简称FE) 、倾向值匹配( propensity scorematching，简称PSM) 、实验以及准实验( experimentsand quasi-experiments) 等等。

近年来，其中不少⽅法已经逐步在我国社会学界得到评述和应⽤( 梁⽟成， 2010; 陈云松、范晓光， 2010， 2011; 陈云松， 2012; 胡安宁，2012; 魏万⻘，2012) 。

在反事实因果分析框架下，实验或准实验⽅法最切近要义。

但社会科学的很多研究主题和领域决定了⽆法使⽤实验⽅法，⽽其他⽅法也都具有较⼤的局限性。

如固定效应模型只能消除时间固定的⼲扰项，倾向值匹配⽅法则完全依赖于“可观测因素被忽略”的假说。

相⽐较⽽⾔，对基于调查数据的定量分析，⼯具变量⽅法具有独特优势。

不过，⼯具变量⽅法在社会学分析中的运⽤，⽬前却远远不如它在计量经济学和政治学定量分析中那么⼴受⻘睐( 政治学和计量经济学研究中⼯具变量⽅法的使⽤参⻅Sovey ＆ Green，2011; Angrist et al．， 1996; Angrist ＆ Krueger， 2001) 。

寻找工具变量的方法

寻找工具变量的方法

寻找工具变量的方法介绍在社会科学研究中，寻找工具变量是一种常用的方法，用于解决因果推断中的内生性问题。

工具变量是一种特殊的变量，它能够影响自变量，但与误差项之间不存在相关性。

通过使用工具变量，研究者可以获得更加准确的因果效应估计结果。

本文将介绍寻找工具变量的方法，并分析其适用性和局限性。

什么是工具变量工具变量是一种能够满足两个条件的变量：第一，它与自变量之间存在相关性；第二，它与误差项之间不存在相关性。

通过满足这两个条件，工具变量可以帮助研究者解决内生性问题，从而获得更加准确的因果效应估计。

工具变量的要求寻找合适的工具变量需要满足以下要求：1.强相关性：工具变量与自变量之间需要存在一定的相关性。

这样才能确保工具变量能够引起自变量的变化。

2.随机分配：工具变量需要在研究中被随机分配，以避免与误差项相关。

3.排除其他路径：工具变量与因变量之间不能通过其他路径相关，否则会导致估计结果的偏误。

寻找工具变量的方法1. 检验相关性首先，需要检验潜在的工具变量与自变量之间是否存在相关性。

可以使用相关系数、散点图等方法进行检验。

如果发现两者之间存在一定的相关性，那么可以考虑将该变量作为潜在的工具变量。

2. 检验可分离性在确认存在相关性的基础上，需要进一步检验工具变量与误差项之间的相关性。

通常使用工具变量的F统计量或Wald统计量进行检验。

如果检验结果表明工具变量与误差项之间不存在相关性，那么可以确认该变量可以作为工具变量使用。

3. 检验排除性在确认工具变量与误差项之间不存在相关性的基础上，还需要进一步检验工具变量与因变量之间是否存在其他路径的相关性。

可以使用中介效应分析、路径分析等方法进行检验。

如果检验结果表明工具变量与因变量之间不存在其他路径的相关性，那么可以确认该变量可以作为工具变量使用。

4. 检验合理性最后，需要对潜在的工具变量进行合理性检验。

合理性检验是指工具变量是否符合经济学原理和实际情况。

如果工具变量与研究问题相关并且具有合理的解释机制，那么可以确认该变量是一个合适的工具变量。

二阶段最小二乘法和工具变量法结果相同的证明

二阶段最小二乘法和工具变量法结果相同的证明

二阶段最小二乘法（Two-Stage Least Squares, 2SLS）和工具变量法（Instrumental Variables, IV）在计量经济学中被广泛应用，用于解决因果关系的内生性问题。

虽然这两种方法在形式上有所不同，但是它们在某些条件下可以得到相同的结果。

本文将就二阶段最小二乘法和工具变量法结果相同的证明展开探讨。

1. 二阶段最小二乘法的基本原理及公式我们需要了解二阶段最小二乘法的基本原理。

在计量经济学中，当自变量存在内生性问题时，我们无法直接使用最小二乘法进行回归分析。

这时，我们可以通过引入工具变量来解决内生性问题。

二阶段最小二乘法包括两个阶段，第一阶段是利用工具变量估计内生变量的值，第二阶段是利用第一阶段的估计值替代内生变量进行普通最小二乘法回归分析。

其公式为：[Y_i = _0 + _1X_i + _i][X_i = _0 + _1Z_i + _i]其中，(Y_i)代表因变量，(X_i)代表内生解释变量，(Z_i)代表工具变量，(_i)和(_i)分别为误差项。

通过两个阶段的回归分析，我们可以得到最终的估计结果。

2. 工具变量法的基本原理及公式工具变量法是一种处理内生性的方法，其基本原理是利用与内生解释变量相关但与误差项不相关的外生变量作为工具变量，通过工具变量的线性组合来替代内生变量进行估计。

工具变量法的回归模型可以表示为：[X_i = _0 + _1Z_i + _i] [Y_i = _0 + _1 + _i]其中，()是利用工具变量估计的内生变量的值。

3. 二阶段最小二乘法和工具变量法结果相同的条件现在让我们来探讨二阶段最小二乘法和工具变量法结果相同的条件。

事实上，当工具变量法满足一定条件时，其结果与二阶段最小二乘法是等价的。

具体而言，若工具变量满足外生性和相关性条件（即与内生变量相关），并且内生变量的影响能够完全通过工具变量进行替代，那么工具变量法的结果将与二阶段最小二乘法一致。