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)
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/184351.html原文链接：https://javaforall.net
