-
.
第
1
章
两阶段最小二乘法
在模型的基本假定
中,解释变量与误差项正交保证了参数估计量的无偏性和一致性。当
这一假定被违背时,
称解释变量是内生的。常见的几种情况会导致内生问题:忽略重要的解
释变量、变量的测
量误差、变量的联立性。工具变量估计是解决解释变量内生问题的基本方
法。本章介绍工
具变量法和两阶段最小二乘法,以及模型内生性检验和过度识别约束检验等
问题。
1.1
变量的内生性
如果模型中的解释变量
与误差项出现相关,即
E
(
X
'
u
)
?
0
,称解释变量是内生的。导致
解释变量内生性的原
因有很多,主要的几个原因包括:模型中忽略了重要的解释变量、变量
因果关系的双向性
、变量的测量误差等。
模型中出现内生解释变量时,
OLS
估计量是不一致的。根据
OLS
估计量:
?
?
(
X
'
X
)
?
1
(
X
'
y
)
?
β
?
(
X
'
X
)
?<
/p>
1
(
X
'
u
)
?
β
?
(
N
?
1
X
'
X
)
?
1
(
N
?
1
X
'<
/p>
u
)
(1.1)
β
由假定
Rank(
X)=
K
< br>和大数定律,样本均值的概率极限等于总体均值,可得:
Plim(
N
?
1
< br>X
'
X
)
?
E(
X
'
X
)
?
A
,<
/p>
p>
Plim(
N
?
1
X
'
u
)
p>
?
E(
X
'
u
)
?
0
。
(1.2)
又由
Slustky
定理,
可编辑
.
Plim(
N
?
1
X
'
X
)
?
1
?
A
?<
/p>
1
?
?
β
p>
?
A
?
1
E(
X
'
u
)
?
β
(1.3)
Plim
β
1.2
工具变量估计
1.2.1
工具变量
在如下模型中,
y =
X
+ u
第
i
个解释变量
x
< br>i
为内生解释变量。如果存在变量
z
,
z
满足如下两个条件:
正交条件:与
u
不相关,即
< br>cor(z, u) = 0
相关条件:与
x
相关,即
cor(z,
x
i
)
那么
,
z
被称作
x
i
的工具变量。
0
,也称为识别约束条件。
1.2.2
工具变量估计
设回归模型为:
y
< br>=
X
β
+
u
(1.4)
其中,解释变量为
X
(1×
K
)工具变
量为
Z
(1×
K
)
。
Z
作为工具变量满足正交条件和
识
?
)
?
0<
/p>
中,用
Z
替换
X
,
别约束条件。在正规方程组
X
'(
y
?
X
β
?
)
?
0
(1.5)
Z
'(
y
?
X
β
可编辑
.
解此方程组,可得
IV
估计量为:
?
?
(
Z
p>
'
X
)
?
1
Z
'
y
(1.6)
β
将
y
=
X
β
+
u
带入估计量中,可得
?
?
(
< br>Z
'
X
)
?
1
Z
'(
X
β
?
u
)<
/p>
?
β
?
(
Z
'
X
)
?
1
Z
'
u
β
可以证明,
?
)
?
β
?
(
Z
'
X
p>
)
?
1
Z
'E(
u
)
?
β
E(
β
?
)
?
E[(
Z
'
X
)
?
1
Z
'
uu
'
Z
(
X
'
Z
)
?
1
]
Var(
β
?
?
(
Z<
/p>
'
X
)
Z
'
Z
(
X
'
Z
)
?
?
(
X
'
X
)
2
?
1
?
1
2
?<
/p>
1
即
IV
p>
估计量是无偏的,但不是有效的。同时,由
?
)
?
β
?
Plim[(
N
?
1
Z
'
X
)
?
1
(
N<
/p>
?
1
Z
'
u
)]
Plim(
β
n
??
n
??
Plim(
N
?
1
Z
'
X
)
?
1
?
A
p>
n
??
n
??
p>
Plim(
N
?
1
Z
'
u
p>
)
?
E(
Z
i
u
i
)
?
0
可知,
IV
估计量是一致的。
1.3
两阶段最小二乘法
设模型中存在
p>
K
个内生解释变量,存在
L=K
个工具变量。每个工具变量都必须满足正
交条件和相关条件。如果
L=K
,称为恰好识别;如果
L>K
,称为过度识别。即利用其中不同
的
K
个工具变量,都可以得到不同的估计量。当然,用任何一组工具变量得到的估计量都是
一致的。
因此,
现在的问题是如何在这
L
个工具变量中找到
K
个工
具变量使其估计量最有效。
这即是两阶段最小二乘法。
可编辑
.
1.3.1
TSLS
估计
设模型为:
y
?
X
β
?
u
(1.7)
其中,解释变量为
X
(1×
K
)工具变
量为
Z
(1×
L
)
。用
Z
作为工具变量,
Z
满足正交条
件和识别约束条件。首先回归模型<
/p>
X
?
Z
Π
?
v
(1.8)
?
?
(
Z
'
Z
)
?
1
p>
ZX
,并提取拟合值
X
?
?
Z
Π
?
?
Z
(
Z<
/p>
'
Z
)
?
1
ZX
。令
P
?
Z
(
Z
'
Z
)
?
1
Z
'
,
P
Z
为对称
可得
< br>Π
Z
?
?
P
X
。然后,利用
X
?
做为工具变量回归模型,可得
IV
< br>估计量为:
幂等矩阵,则
X<
/p>
Z
?
?
(
X
?
'
X
)
?
1
X
?
'
y
?
(
X
'
P
X
)
?
1
(<
/p>
X
'
P
y
)
(1.9)
β
Z
Z
而
?
'
X
?
X
p>
'
P
X
?
X
'
P
'
P
X
?
(
< br>P
X
)'
P
X
?
X
?
'
X
?
。
<
/p>
X
Z
Z
Z
Z
Z
由此可得:
<
/p>
?
?
(
X
?
'
X
)
?
1
X
?
'
y
?
(
X
?
'
X
?
)
?
1
X<
/p>
?
'
y
(1.10)
β
?
'
X
?
)
?
1
X
?<
/p>
'
y
是
y
对
X
?
的
OLS
回归估计量。
?
作
为工具变量作
IV
回归与利用
X
?
而
(
X
因此,
利用
X
替换
X
作
LS
回归是等价
的。也正因为此,我们称之为两阶段最小二乘法。估计步骤归纳如
下。
< br>
?
。
Step1
:利用
X
对
Z
作
OLS
回归:
X
?
Z
Π
?
v
;提取拟合值
X
可编辑
.
?
p>
替换
X
,直接作
O
LS
回归。
Step2
:用
X
1.3.2
2SLS
的渐进特征
假定
1
:令
X
表示解释变量(包括常数变量
1
)
。假定存在
L
个工具变量构成的(1×
L
)
向量
Z
,满足
E(
Z
'
u
)=
0
。
Z
包含模型中的外生解释变量。如果模型中存在内生变量,则
Z
必
须包含模型以外的外生变量。
<
/p>
假定
2
:
(
p>
A
)
Rank(
Z
'
Z
)=
L<
/p>
;
(
B
)
Rank(
Z
'
X<
/p>
)=
K
。
(
p>
A
)条件是指
L
个
向量
Z
不存在完全
的线性关系;条件(
B
)是指
Z
与
X
充分线性相关,即所有工具变量都必须满足识别约束条
件。条件(
B
)称为秩条件。秩条件成立的必
要条件是
L
≥
K
。即,工具变量的个数至少等于
解释变量的个数,称之为阶条件。
由
X
=
Z
+v
(其中,
为
< br>L
×
K
矩阵)
< br>,两侧同时乘
Z
并求期望可得:
Z
'
X
?
p>
Z
'
Z
Π
?
Z
'
v
?
E(
Z
'
X
)
?
E(
< br>Z
'
Z
)
Π
?
Π
?
[
E(
Z
'
Z
)
]
?
1
E(
Z
'
X
)
令
p>
X
*
=
Z
(1.11)
=
Z[
E(
Z
'
Z
)]
-1
E(
Z
'
X
)
。在
X
β<
/p>
+
u
=
y
两边同时乘以
X
*
可
得,
X
*
'
X
β
+
X
*
'
u
=
X
*
p>
'
y
(1.12)
求期望可得:
E(
< br>X
*
'
X
)
β
=
E(
X
*
'
y
)
(1.13)
而
X
*
p>
'
X
=
X
*
'
Z
+
X
*
'
v
,<
/p>
E(
X
*
p>
'
X
) =
p>
E(
X
*
'
Z
)
+
E(
p>
X
*
'
v
) =
E(
X
*
'
Z
)
可编辑
.
E(
X
*
'
Z
)= E[(
X
-
v
)
'
Z
] =
E[
X
'
Z -
v
'
Z
] =
E(
X
'
Z
)
将
=
[
E(
Z
'
Z
)]
-1
E(
Z
'
X
)
带入上两个式子中,可得:
E(
X
*
'
X
) = E(
X
'<
/p>
Z
)
[
E(<
/p>
Z
'
Z
)]
p>
-1
E(
Z
'<
/p>
X
)
= <
/p>
E(
X
'
Z
p>
)
[
E(
Z
'
Z
)]
-1
E(
Z
'
X
)
(1.14)
E(
X
*
'
y
) = E(
X
'
Z
)
[<
/p>
E(
Z
'
Z
p>
)]
-1
Z
'
y
注意,
上式中
Z
是
(1×
L
)
阶,
X
是
(1×
K
)
阶。
因此,
< br>
X
'
Z
是
(
K
×
L
)
阶,
Z
'
Z
是
(
L
p>
×
L
)
阶,
Z
'
X
是(
L
×
K
)阶。如果要
估计出
β
,
E(
X
*
'
X
)
必须是非奇异的,当且仅当
E(
Z
p>
'
X
)
的秩为
p>
K
。将其带入
β
= [
E(
X
*
'
X
)]
-1
E(
X
*
'
y
)
,可得
β
= [
E(
X
*
'
X
)]
-1
E(
X
*
'
y
)
=
{E(
X
'
Z
)
<
/p>
[
E(
Z
'
p>
Z
)]
-1
E(
Z
'
X
)}<
/p>
-1
{E(
X
'
Z
)
p>
[
E(
Z
'
Z
)]
-1
Z
'y}
(1.15)
β
的
TSLS
估计量为:
-1
?
1
?
β
?
X
'
Z
(
Z
'
Z
)
(
Z
'
X
)
?
?<
/p>
?
X
'
Z
(
Z
'
Z
)
?
1
Z
'
y
?
(1.16)
2
SLS
1
.一致性
由
2SLS
估计量可得:
?
1
-1<
/p>
?
1
?
β
2
SLS
?
[
X
'
Z
(
Z
'
Z
)
(
Z
'
X
)]
[
X
'
Z
(
Z
'
Z
)
Z
'(
X<
/p>
β
?
u
)]
p>
??????????
β
?
[
X
'
Z
(
Z
'
Z
)
?
1
(
Z<
/p>
'
X
)]
-1<
/p>
[
X
'
Z
(
Z
'
Z
)
?
1
Z
'
u
]
??????????
β
?
[(
N<
/p>
?
1
X
'
Z
)(
N
?
1
Z
'
Z
)
?
1
(
< br>N
?
1
Z
'
X
)]
-1
[(
N
?
1
X
'
Z
)(
N
?
1
Z
'
p>
Z
)
?
1
(
N
?
1
Z
'
u
)]
(1.17)
?
由大数定律和
Slustky
定理,可得:
Plim
β
2
SLS
?
β
。即
2SLS
p>
估计量具有一致性。
2
.渐进正态性
可编辑
.
根据
Plim(
N
?
1
Z
'
u
)
?
E(
Z
i
'
u
i
p>
)
?
0
,并由中心
极限定理,
N
?
1/
< br>2
Z
'
u
~
Normal
(
0
,
B
)
。同方
差假定下,
B
?
E(
u
2
Z
i
'
Z
i
)
< br>?
?
2
E(
Z
i
'
Z
i
)
,
?
2<
/p>
=var(
u
i
)
。
根据
S
lutsky
定理,
?
1
?
1
?
< br>1
?
1
-1
?
1
?
1
?
1
?
1/
2
?
N
(
β
p>
Z
'
u
)]
(1.18)
2
SLS
?
β
)
?
[(
N
X
'
Z
)(
N
Z
'
Z
)
(<
/p>
N
Z
'
X
)]
[(
N
X
'
Z
)(
N
Z
'
Z
)
(
N
?
定理
:在假定
1
、
2
以及同方差假定下,
N
(
β
2
SLS
?
β
)
渐进服从正态分布,均值为
0
,方差
矩阵为
?<
/p>
2
?
E(
X
p>
'
Z
)E(
Z
p>
'
Z
)
?
1
E(
Z
'
X
)
?
(1.19)
-1
< br>其中,
E(
X
'
Z
)E(
Z
'
Z
)
?
1
E(
Z
'
X
)
可以用样本进行估计,
?
2
的估计量公式为:
?
2
?
(
N
?
K
)
?
1
p>
?
i
?
1
u
?
i
2
?
?
< br>?
i
?
y
i
?
x
i
β
其中,
u
2
S
LS
,而不是第二阶段的残差项。
?
β
2
SLS
的
渐进方差估计量为:
N
2
?
2
?
?
?
1
2
?
1
?
?
?
?
?
?
?
?<
/p>
?
A
var(
β
)
?
?
(
p>
x
'
x
)
(
X
'
X
)
?
?
(
< br>X
'
P
X
)
(1.20)
?
2
SLS
i
i
Z
?
i
?
1
?
?
1
N<
/p>
3
.渐进有效性
在假定
1
、
2
以及同方差假定下,利用工具变量
z
的所有
< br>IV
估计量中,
2SLS
估计量
是
最有效的。
(证明请参见
Woold
ridge
,
2000
,
p96
)
1.3.3
2SLS
中的假设检验
设模型为:
可编辑
.
y
=
X
1
β
1
+
X
2
β<
/p>
2
+
u
(1.21)
原假设和备择假设分别为:
H
0
:
β
2
=
0
;
p>
H
1
:
β
2
≠
0
。
定义无约束模型和受约束模型分别为:
无约束模型:
y
=
X
1
β
1
+
X
2
β<
/p>
2
+
u
(1.22)
受约束模型为:
y
=
X
1
β
1
+
u
(1.23)
F
检验的具体检验步骤为如下。
p>
设工具变量为
Z
。
(
X
1
和
X
2
都可以包括内生变量)
Step1
:用
Z
作为工具变量,利用
TSLS
估计模型(
9.32
)
,计其残差平方和为
SSR
U
;
?
表示得
到的拟合值(
N
×
K
< br>1
)
Step2
:利用
OLS
方法用
X
1
p>
对
Z
回归,令
X<
/p>
;用
X
2
对
p>
Z
回归,
1
?
p>
表示得到的拟合值(
N
×
< br>K
2
)
令
X
;
2
·
U
表示其残差平方和;用
y
对
X
?
、
X
?
回归,令
SSR
?
回归,
Step3
:
利用
OLS
方法用
y
< br>对
X
1
2
1
·
R
表示其残差平方和。
令
SSR
Step4
:构建统计量:
·
< br>R
?
SSR
·
< br>U
N
SSR
?
< br>?
SSR
U
~
< br>?
2
(
K
2
)
·
S
SR
?
F
?
R
·
U
/
K
p>
?
SSR
2
?
p>
SSR
U
/(
N<
/p>
?
K
)
~
F
(
K
2
,
N
?
K
2
)
也可以通过类似
OLS
方法来构建
LM
统计量
可编辑
.
?
表示得到的拟合值(
N
×
K
1
)
Step1
:用
X
1
对
Z
进行
OLS
回归,令
X
;用<
/p>
X
2
对
Z
进行
1
OLS
回归,
令
X
?
2
表示
得到的拟合值(
N
×
K
2
)
。
Step2
:用
y
对
X
?
1
回归,令
u
%
表示其残差。
p>
Step3
:用
u
%
对
X
?
1<
/p>
、
X
?
2
回归,记其未中心化的可决系数为
R
2
uc
。
Step4
:构建
LM
统计量
LM
?
NR
2
Asy
2
uc
< br>??
?
?
K
2
1.3.4
异方差稳健推断
如果只有假定
1
、
2
成立,模型中
存在异方差时,
β
?
2
SLS
的渐进方差估计量为:
A
var(
β
?
2
SLS
)
?
(
X
?
'
X
?
)
?
1<
/p>
?
?
?
N
i
?
1
(
u
?
2
i
x
?
i
'
x
?
i
)
?
?
(
X
?<
/p>
'
X
?
)
?
1
。
可以用作构建异方差稳健
t
统计量。
存在异方
差时,对参数约束的稳健
LM
检验。
Step1
:用
Z
作为工具变量,利用
TSLS
用
y
对
X
1
回归,
计残差项为
u
%
;
Step2
:用
X
2
中每一个变量对
X
1
p>
中的所有变量进行
OLS
回归,提取残差项
r
?
;
Ste
p3
:利用
OLS
方法回归方程
1
?
α
?
u
%
r
?
?
?
v
,计其回归平方和为<
/p>
SSR
。
St
ep4
:稳健
LM
统计量为
(
N
?
SSR
)
~
?
2
(
K
2
)
,其中
K
2
表示
< br>X
2
中变量的个数。
可编辑
(1.24)
(1.25)
.
1.3.5
内生变量的显著性检验
1
.
单个内生变量的显著性检验
在
stata
中,单个内生解释变量的显著性检验可以通过
condivreg
实现。
Condivreg
p>
利
用
2SLS
或<
/p>
LIML
方法回归线性模型,并利用条件似然比(
conditional likelihood
ratio
,简
写为
CLR)
方法(
Moreira
(2003)
,
Andrews, Moreira, and
Stock (2006)
)计算内生变量
参数估计量的置信区
间和概率值。
Andrews, Moreira, and Stock (2004
)
证明,
CLR
检验是
渐进最优的,明显地优于
Anderson
and
Rubin
(1949)
检验和由
Kleibergen
(2002)
及
Moreira (
2001)
提出的
LM
检验。
例:
. condivreg y1
x1 (y2 = z1 z2 z3), liml interval
.
condivreg y1 x1 (y2 = z1 z2 z3 z4), ar lm
test(0.1)
2
.
多个内生变量的显著性检验
结构方程中内生解释变量显著性检验的
Anderson-
Rubin
统计量(注意,不要与
Anderson-Rubi
n
过度识别检验混淆)
。原假设为:所有内生解释变量的参数都
等于
0
。对其
检验等价于对简化方程中
工具变量
Z
的联合显著性检验。
Anderson-Rubin
卡方统计量
~
卡方分布(自由度为
L
2
=
被排除的工具变量个数)
Anderson-
Rubin
对于弱工具变量是稳健的。
可编辑
.
例:
.
ivreg2 lwage exper expersq (educ=fatheduc
motheduc), ffirst
1.3.6
工具变量的冗余检验
其中,模型解释
变量的个数为
K
,其中外生解释变量的
X
1
个数为
K
1
,内生解释变量
X
2
的个数为
K
2
,
K= K
1
+
K
2
。设工具变量
Z
=
(
Z
1
,
Z
2A
,
Z
2B
)
,共有
L
个。其中
Z
1
=
X
1
,包
含
L
1
=
K
1
个工
具变量。
Z
2A
,
< br>Z
2B
分别包含
L
2A
、
L
2B
个工具变量,令
L
2
=
L
2A
+
L
22
,则
L
=
K
1
+
L
2A
+
L
2B
。检验部分被排除的工具变量
Z
2B
是否是多余的(
< br>)
。检验统计量是基
于解释变量
X
1
与工具变量(
Z
< br>1
,
Z
2A
,
Z
2B
)的典型相关系数。如果
X
1
与(
Z
1
,
Z
2A
,
Z
2B
)的典
型相关
系数比
X
1
与
(
Z
1
,
Z
2A
)
的典型相关系数有了显著提高,
则表明工具变量
Z
2B
不是多余
的。统计量渐进服从自由度为
K
2
×
L
2
< br>。参见
Hall and Peixe (2000)
。
1.4
内生性检验与过度识别约束检验
在工
具变量估计中,有三个问题是需要关注的。第一,解释变量是否具有内生性。如果
没有内
生性,则
LS
估计是一致有效估计量,而
TSLS
估计量则是一致非有效估计量。如果变
量具有内生性
,则
LS
估计没有一致性,而
TSLS
估计量则具有一致性。即是说,
IV
估
计在
保证参数估计计量的一致性特征是有代价的。
只有当模型中
存在内生解释变量时,
TSLS
才优
可
编辑
.
于
LS
。因此,在应用
TSLS
方法之前
,首先应该检验解释变量具有内生性,称之为内生性检
验。
<
/p>
第二,工具变量的正交约束条件是否得以满足。工具变量必须满足两个基本条件:相关
p>
条件和正交条件。在过度识别的模型中,可以检验正交条件是否成立。因此,工具变量(被<
/p>
排除)的正交检验也叫做过度识别约束检验。过度识别约束检验常用的统计量包括
Sargan
(1958)
、
Basmann's
(1960)
、
Hansen J
统计
量以及
C
统计量。实际上,工具变量的正交性
< br>检验和解释变量的内生性检验是一个问题的两个方面。
第三,工具变量的有效性问题,即工具变量与内生解释变量必须相关。对于工具变量的
有
效问题,一般通过偏
R2
或
Shea
R2
来观察。实践中经常出现的问题是弱工具变量问题。
Cra
gg-Donald
和
Anderson-
Rubin
统计量则用于考查弱工具变量问题。
1.4.1
内生性检验
1
.
Durbin-Wu-
Hausman
检验
内生性的检验等
价于检验
plim(
X
’
u
)
=0
。但检验不能通
过
LS
估计的残差项进行。因
为
LS
估计的残差项与
X
总是不相关的。
Hausman
(
1
978
)提出了另外一种检验思路,即
Hausman
检验。其基本思路是,如果解释变量
x
具有外生
性,那么其对应参数
的
OLS
估
计量具有一致性和有效性,而
TSLS
估计量
具有一致性但没有有效性。所以,如果
x
是外生
?
与
TSLS
估计量
β
?
之间差异
d
?
β
?
?
β
?
的概率极限为
0
p>
,即
Plim
的,那么
< br>OLS
估计量
β
LS
IV
LS
IV
可编辑
p>
.
d
=
0
,否则
Plim
d≠0
。构建
Wald
统计量:
H
?
d
'[
AsyVar
(
d<
/p>
)]
?
1
d
p>
(1.26)
?
?
β
?
)
?
AsyVar
(
β
< br>?
)
?
AsyVar
(
β
?
)
?
2
AsyCov
(
β
?
,
β
?
)
其中,
AsyVar
(
β
LS
p>
IV
LS
IV
LS
IV
?
和
β<
/p>
?
,
β
?
是有效估计量而
β
?
Hausman
(
1978
)
证明,
对于参数
β
的两
个一致估计量
β
E
E
< br>I
I
?
与
(
β
?
?
β
?
)
的协方差为
0
,即
是无效估计量,则
β
E
E
I
?
,
β
?
< br>?
β
?
)
?
Var
(
β
?
)
?
Cov
(
β
?
,
β
?
)
?
0
p>
C
ov(
β
E
p>
E
I
E
E
I
(1.27)
?
?
?
Cov
(
β
,
β
)
?
Var
(
β
)
E
I
E
?<
/p>
?
β
?
,
β
?
?
β
?
。有
在内生变量的情
况下,
β
E
LS
I
IV
?
?
β
?
)
?
As
yVar
(
β
?
)
?
AsyVar
(
β
?
)
(1.28)
AsyVar
(
β
LS
IV
IV
LS
因此,
p>
H
统计量可以表达为
H
?
d
'[
AsyVar
(
d
)]
?
1
d
< br>?
1
?
?
?
?
?
?
?
(
β
LS
?<
/p>
β
IV
)'[
V
ar
(
β
IV
)
?
Var
(
β
LS
)]
(
β
LS
?
β
I
V
)
?
)
?<
/p>
?
2
(
XX
p>
)
?
1
,
AsyVar
(
β
?<
/p>
)
?
?
2
(
XX
?
?
)
?
1
。将其以及方差
估
前文已经推导出,
AsyVar
(<
/p>
β
LS
IV
?<
/p>
2
带入
H
统计量
可得
计量
?
?
?
)
?
1<
/p>
?
?
?
IV
p>
2
(
XX
?
LS
(
XX
)
?
1
?
(1.29)
Var
(
d
)
?
?
?
?
?
H
统计量渐进服从
K
2
个自由度的卡方分布。
一般情况下,
2
的估计量分别利用
TSLS
和
LS
估计各自的残差项来计算。如
S
tata
中
的
Hausman
命令即是分别计算
TSLS
和
< br>LS
各自的标准差。但是,
Hausman
统计量虽然渐
进有效,在小样本情况下
Var(
p>
d
)
却可能出现负值(或负定矩阵)
,从而
H
检验统计量为负值。
可编辑
.
因此在实践应用
中,
2
?
LS
2
或全部用
?
?
IV
2
。这样保证了
Var(
d
)
的广义逆的
的估
计量全部用
?
2
的估计量,则
?
LS
2
作为
存在,从而保证了检验统计量取正数。如果用
?
?
?
)
?<
/p>
1
?
(
XX
p>
)
?
1
]
?
LS
2
[(
XX
Var
(
d
)
?
?
这种统计量由
Durbin
(
1954
)
、
< br>Wu
(
1973
)和
Hausman
(
1978
)分别提出。经常被
称作
Durbin-Wu-Hausma
n
统计量
(简写为
DWH
统计量)
。
在
Stata<
/p>
中,
可以利用
Hausman
命令中的
sigmamore
选项来实现。
?
IV
2
作为
如果用
?
2
的估计量,则
?
?
)
?
1
?
p>
(
XX
)
?
1
]
。
?
IV
2
[(
XX
Var
(
d
)
?
?
这种统计量由<
/p>
Wu
(
1973
)和
Hausman
(
1978
)分别提出。在
Stata
中,可以利用
p>
Hausman
命令中的
sigmales
s
选项来实现。
需要注意的是,
p>
在
H
统计量中,
β
表示模型中的所有参数,
即
H
统计量是利用所有参数
的
LS
< br>估计量和
IV
估计量来构建的。事实上,
H
统计量可以仅利用内生变量的协方差矩阵来
构建。比
如,在如下模型中,
y
=
X
1
β
1
+
X
2
β<
/p>
2
+
u
?
?
p>
β
?
,
H
统计量为:
X
1
p>
是外生的,而
X
2
是内生的。定义
d
2
?
β
2
LS
2
< br>IV
H
2
?
d
2
'[
Var
< br>(
d
2
)]
?
1
d
2
其中,
Var(
d
2
)
为
Var(
< br>d
)
中右下角(
K
2
×
K
2
< br>)子矩阵。
H
2
与
H
是渐进等价的。
(
1
)
对单个变量内生性的检验
可编辑
.
以模型
y
=
X
1
β
1
+
x
2
2
+
u
(1.30)
为例,要检验
x
2
的内生性。
Hau
sman
检验的具体步骤为:
Ste
p1
:利用
OLS
和
< br>TSLS
方法分别估计方程,
2
的估计量分别表示为
?
,
?
%
,标准
?
2
2
?
)
,
se
(
?
%
< br>)
。
差分别表示为
se
(
?
2
2
Step2
:在原假设(
H
0
:
x
2<
/p>
是外生的)成立的条件下,
H
统计量
p>
%
?
?
?
)[
Se
2
(
?
%
)
?
Se
2
(
?
?
)]
?
< br>1
(
?
%
?
?
?
)
?
H
?
(
?
p>
2
2
2
2
2
2
这等价于
%
?
?
?
)
2
(
?
2
2
2
~
?
(1)
2
%
2
?
Se
(
?
2
)
?
Se
(
?
2<
/p>
)
H
?
%
?
?
?
?
2
2
%
)
?
Se
2
(
< br>?
?
)
Se
(
?
2
2
2
~
N
(0,1)
(1.31)
根据
< br>z
统计量与标准正态分布的临界值相比较(双端检验)
,
判断接受或拒绝原假设。
(
2
)
对多个变量内生性的检验
如果模型中可能存在多个内生解释变量
X
,将其
参数表示为
β
。以模型
y
=
X
1
β
1
+
X
2
β
2
+
u
(1.32)
为例,其中
X
2
包含
K
2
个变量。要检验
X
2
p>
的内生性。
Hausman
检验的具体步骤
如下。
?
,
β
%
,方差矩
Step1
:利用
OLS
和
TSLS<
/p>
方法分别估计方程,
β
2
的估计量分别表示为
β
2
2<
/p>
?
)
,
var(
β
%
)
。
p>
阵分别表示为
var(
< br>β
2
2
Step2
:在原假设(
H
0
:
X
2
是外生的)成立的条件下,
可编辑
-
-
-
-
-
-
-
-
-
上一篇:查询化学专业的网站
下一篇:MSDS包括16项内容