内生性与工具变量估计方法
内生性与工具变量估计方法
一 一元模型的IV 估计
采用MROZ 数据，进行练习。 估计教育对工资收入的回报：
01log()wage educ ββμ
=++
为了便于比较首先得到OLS 估计结果，在命令窗口输入
smpl 1 428
equation eq01.ls log(wage) c educ
教育的系数估计值表明，每多接受一年教育可得到月11%的回报。
接下来，我们用父亲的受教育程度（fatheduc ）作为educ 的工具变量。我们必须认为fatheduc 与u 不相关；第二个要求是educ 与fatheduc 相关。为了验证第二点，作一个educ 对fatheduc 的回归。
equation eq02.ls educ c fatheduc
可以看出，educ 与fatheduc 之间存在统计显著的正相关。
采用fatheduc 作为educ 的工具变量，进行工具变量回归。 equation eq03.tsls log(wage) c educ @ fatheduc
IV 估计量的标准误是OLS 标准误的2.5倍，这在我们的意料之中。
二 多元模型的IV 估计 采用card 数据，进行练习。 估计教育对工资收入的回报：
012log()var wage educ Control iables βββμ
=+++
为了便于对照，先做OLS 回归 Smpl 1 3010
Equation eq01.ls log(wage) c educ exper expersq black smsa south smsa66 reg662 reg663 reg664 reg665 reg666 reg667 reg668 reg669
在这个例子中，受教育程度的工具变量是标志着一个人是否在一所四年制大学附近成长的虚拟变量(nearc4)。
为了验证受教育程度与该虚拟变量的偏相关性，先做educ对nearc4以及其他所有外生变量的回归：
Equation eq02.ls educ c nearc4 exper expersq black smsa south smsa66 reg662 reg663 reg664 reg665 reg666 reg667 reg668 reg669
Nearc4的系数估计值意味着，在其他因素固定的情况下，曾住在大学附近的人所受的教育比不在大学附近长大的人平均多出约1/3年。
我们接下来进行工具变量回归，以nearc4作为educ的IV。
Equation eq03.tsls log(wage) c educ exper expersq black smsa south smsa66 reg662 reg663 reg664 reg665 reg666 reg667 reg668 reg669 @ nearc4 exper expersq black smsa south smsa66 reg662 reg663 reg664 reg665 reg666 reg667 reg668 reg669
三 多个工具变量的回归方法 重新回到MROZ 数据，进行练习。 估计教育对工资收入的回报：
012log()var wage educ control iables βββμ
=+++
我们认为，受教育程度educ 具有内生性，并且采用父亲和母亲的受教育程度fatheduc 、motheduc 来作为它的工具变量。
为了便于比较首先得到OLS 估计结果，在命令窗口输入
smpl 1 428
equation eq04.ls log(wage) c educ exper expersq
我们检验educ与fatheduc、motheduc存在偏相关关系，做educ对fatheduc、motheduc以及所有其他外生变量的回归：
smpl 1 428
Equation eq05.ls educ c exper expersq fatheduc motheduc
结果显示，educ与fatheduc、motheduc高度相关。
随后，我们进行IV估计：
（1）直接进行工具变量回归
采用父亲和母亲的受教育程度fatheduc、motheduc来作为educ的工具变量。smpl 1 428
Equation eq06.tsls log(wage) c educ exper expersq @ fatheduc motheduc exper expersq
（2）两步回归法
先用educ对fatheduc、motheduc以及所有其他外生变量OLS回归，得到educ的拟合值；然后将log(wage)对educ的拟合值以及其他外生变量进行OLS回归。
在eq05中，我们已经做了第一步的回归，因此只需要得到educ的拟合值：
eq05.fit educf
第二步如下
Equation eq07.ls log(wage) c educf exper expersq
（3）另一种方法
先用educ对fatheduc、motheduc以及所有其他外生变量OLS回归，得到educ的拟合值；然后将educ的拟合值作为educ的IV，进行工具变量回归。
第一步的工作前面已经完成，只需要做第二步的工作
Equation eq08.tsls log(wage) c educ exper expersq @ educf exper expersq
对比三种操作方法的结果，可以看出，三种方法所得到的回归系数估计值都完全相同；但是，第二种方法所得到的估计系数标准误与其他两种方法的结果不同，这个计算得到的标准误和t检验统计量是不正确的。因此，我们应该避免采用第2种方法，而采用其他两种方法。
四检验解释变量的内生性
MROZ数据，我们检验educ的内生性。
第一步，将educ对所有外生变量回归，这个工作已经在eq05中完成，然后我们生成该方程的残差。
eq05.makeresid resid_eq05
第二步，在原结构方程中加入上述残差，用OLS回归检验该残差的显著性。如果残差系数统计显著异于0，则断定educ是内生的。
Equation eq09.ls log(wage) c educ exper expersq resid_eq05
五检验工具变量的有效性（与扰动项不相关）
过度识别约束的检验
第一步，用2sls估计结构方程，得到残差。
第二步，将残差对所有外省变量回归，获得R2。
第三步，在所有IV都与扰动项不相关的零假设之下nR2服从自由度为q的卡方分布，其中q为模型之外的工具变量个数减去内生解释变量个数。如果nR2足够大以至于超过临界值，则拒绝原假设，认为至少部分IV不是外生的。
仍然以教育程度的工资回报mroz为例子。
第一步，工具变量回归，这个工作已经在eq06中完成，然后我们生成该方程的残差。
eq06.makeresid resid_eq06
第二步，用上述残差对所有外生变量回归：
Equation eq10.ls resid_eq06 c exper expersq fatheduc motheduc
第三步，计算卡方统计量的具体值：
scalar overidentificationtest=428*eq10.@r2
计算结果为0.378，这在2(1)
中是一个非常小的值，因此不拒绝原假设。
2020-2021学年人教A版高中数学必修3：2.3.1变量间的相关关系2.3.2两个变量的线性相关
课时分层作业(十四)变量间的相关关 系 (建议用时：60分钟 ) 一、选择题 1．有几组变量：①汽车的重量和汽车每消耗1升汽油所行驶的平均路程；②平均日学习时间和平均学习成绩；③立方体的棱长和体积．其中两个变量成正相关的是() A．①③B．②③ C．②D．③ C[①是负相关；②是正相关；③不是相关关系．] 2．由一组样本数据(x1，y1)，(x2，y2)，…，(x n，y n)得到的回归直线方程为y^＝b^x＋a^，那么下面说法不正确的是() A．直线y^＝b^x＋a^必经过点(x，y) B．直线y^＝b^x＋a^至少经过点(x1，y1)，(x2，y2)，…，(x n，y n)中的一个点 C．直线y^＝b^x＋a^的斜率为∑ i＝1 n x i y i－n x y ∑ i＝1 n x2i－n x2 D．直线y^＝b^x＋a^是最接近y与x之间真实关系的一条直线 B[回归直线一定经过样本点的中心，故A正确；直线y^＝b^x＋a^可以不经过样本点中的任何一点，故B错误．由回归方程的系数可知C正确；在直角坐标系中，直线y ^＝b^x＋a^与所有样本点的偏差的平方和最小，故D正确；] 3．四名同学根据各自的样本数据研究变量x，y之间的相关关系，并求得回归直线方程，分别得到以下四个结论： ①y与x负相关且y ^＝2.347x－6.423；②y与x负相关且y^＝－3.476x＋5.648；
③y与x正相关且y ^＝5.437x＋8.493；④y与x正相关且y^＝－4.326x－4.578. 其中一定不正确的结论的序号是() A．①②B．②③ C．③④D．①④ D[由正负相关的定义知①④一定不正确．] 4．为了解儿子身高与其父亲身高的关系，随机抽取5对父子身高数据如下： 则y对x A．y＝x－1 B．y＝x＋1 C．y＝88＋1 2x D．y＝176 C[x＝174＋176＋176＋176＋178 5＝176，y＝ 175＋175＋176＋177＋177 5＝ 176.根据回归直线过样本中心点(x、y)验证知C符合．] 5．某产品的广告费用x与销售额y的统计数据如下表： 根据上表可得回归方程y＝b x＋a中的b为9.4，据此模型预报广告费用为6万元时，销售额为() A．63.6万元B．65.5万元 C．67.7万元D．72.0万元 B[x＝1 4(4＋2＋3＋5)＝3.5，y＝ 1 4(49＋26＋39＋54)＝42，所以a ^＝y－b^ x＝42－9.4×3.5＝9.1.所以回归方程为y^＝9.4x＋9.1.令x＝6，得y^＝65.5(万元)．] 二、填空题 6．若回归直线y^＝b^x＋a^的斜率估值为1.23，样本中心点为(4,5)，当x＝2时，估计y的值为________． 2.54[因为回归直线y^＝b^x＋a^的斜率估值为1.23，所以b^＝1.23，y^＝1.23x＋a^.
第15章 工具变量与两阶段最小二乘
第15章 工具变量估计与两阶段最小二乘法 在本章中，我们进一步研究多元回归模型中的内生解释变量（endogenous explanatory variable ）问题。在第3章中，我们推导出，遗漏一个重要变量时OLS 估计量的偏误；在第5章中，我们说明了在遗漏变量（omitted variable ）的情况下，OLS 通常是非一致性的。第9章则证明了，对未观测到的解释变量给出适宜的代理变量，能消除（或至少减轻）遗漏变量偏误。不幸的是，我们不是总能得到适宜的代理变量。 在前两章中，我们解释了存在不随时间变化的遗漏变量的情况下，对综列数据如何用固定效应估计或一阶差分来估计随时间变化的自变量的影响。尽管这些方法非常有用，可我们不是总能获得综列数据的。即使能获得，如果我们的兴趣在于变量的影响，而该变量不随时间变化，它对于我们也几无用处：一阶差分或固定效应估计排除了不随时间变化的变量。此外，迄今为止我们已研究出的综列数据法还不能解决与解释变量相关的随时间而变化的遗漏变量的问题。 在本章中，我们对内生性问题采用了一个不同的方法。你将看到如何用工具变量法（IV ）来解决一个或多个解释变量的内生性问题。就应用计量经济学中线性方程的估计而言，两阶段最小二乘法（2SLS 或TSLS ）是第二受人欢迎的，仅次于普通最小二乘。 我们一开始先说明，在存在遗漏变量的情况下，如何用IV 法来获得一致性估计量。此外，IV 能用于解决含误差变量（errors-in-variable ）的问题，至少是在某些假定下。下一章将证明运用IV 法如何估计联立方程模型。 我们对工具变量估计的论述严格遵照我们在第1篇中对普通最小二乘的推导，其中假定我们有一个来自基本总体的随机样本。这个起点很合人意，因为除了简化符号之外，它还强调了应根据基本总体来表述对IV 估计所做的重要的假定（正如用OLS 时一样）。如我们在第2篇中所示，OLS 可以应用于时间序列数据，而工具变量法也一样可以。第15.7节讨论IV 法应用于时间序列数据时出现的一些特殊问题。在第15.8节中，我们将论述在混合横截面和综列数据上的应用。 15.1 动机：简单回归模型中的遗漏变量 面对可能发生的遗漏变量偏误（或未观测到的异质性），迄今为止我们已讨论了三种选择：（1）我们可以忽略此问题，承受有偏、非一致性估计量的后果；（2）我们可以试图为未观测到的变量寻找并使用一个适宜的代理变量；（3）我们可以假定遗漏变量不随时间变化，运用第`13与14章中的固定效应或一阶差分方法。若能把估计值与关键参数的偏误方向一同给出，则第一个回答是令人满意的。例如，如果我们能说一个正参数（譬如职业培训对往后工资的影响）的估计量有朝零偏误 ，并且我们找到了一个统计上显著的正的估计值，那么我们还是学到了一些东西：职业培训对工资有正的影响，而我们很可能低估了该影响。不幸的是，相反的情况经常发生，我们的估计值可能在数值上太大了，以致我们要得出任何有用的结论都非常困难。 第9.2节中讨论的代理变量解也能获得令人满意的结果，但并不是总可以找到一个好的代理。该方法试图通过用代理变量取代不可观测的变量，来解决遗漏变量的问题。 另一种方法是将未观测到的变量留在误差项中，但不是用OLS 估计模型，而是运用一种承认存在遗漏变量的估计方法。这便是工具变量法所要做的。 举例来说，考虑成年劳动者的工资方程中存在未观测到的能力的问题。一个简单的模型为： ,)log(210e abil educ wage +++=βββ 其中e 是误差项。在第9章中，我们说明了在某些假定下，如何用诸如IQ 的代理变量代替能力，从而通过以下回归可得到一致性估计量 )log(wage 对IQ educ , 回归
工具变量法的S命令及实例
工具变量法的Stata命令及实例 ●本实例使用数据集“”。 ●先看一下数据集的统计特征： . sum Variable Obs Mean Std. Dev. Min Max rns 758 .2691293 .4438001 0 1 rns80 758 .292876 .4553825 0 1 mrt 758 .5145119 .5001194 0 1 mrt80 758 .8984169 .3022988 0 1 smsa 758 .7044855 .456575 0 1 smsa80 758 .7124011 .452942 0 1 med 758 10.91029 2.74112 0 18 iq 758 103.8562 13.61867 54 145 kww 758 36.57388 7.302247 12 56 year 758 69.03166 2.631794 66 73 age 758 21.83509 2.981756 16 30 age80 758 33.01187 3.085504 28 38 s 758 13.40501 2.231828 9 18 s80 758 13.70712 2.214693 9 18 expr 758 1.735429 2.105542 0 11.444 expr80 758 11.39426 4.210745 .692 22.045 tenure 758 1.831135 1.67363 0 10 tenure80 758 7.362797 5.05024 0 22 lw 758 5.686739 .4289494 4.605 7.051 lw80 758 6.826555 .4099268 4.749 8.032 ●考察智商与受教育年限的相关关系： . corr iq s (obs=758) iq s iq 1.0000 s 0.5131 1.0000 上表显示，智商（在一定程度上可以视为能力的代理变量）与受教育年限具有强烈的正相关关系（相关系数为）。 ●作为一个参考系，先进行OLS回归，并使用稳健标准差：
内生性问题原因和处理方法
内生性问题原因和处理 方法 Company number：【0089WT-8898YT-W8CCB-BUUT-202108】
内生性问题：就是模型中的一个或多个解释变量与随机扰动项相关的问题。变量的内生性问题总是不可避免的。内生性引起的问题主要是引起参数估计的不一致。 引起内生性问题的原因： （1）遗漏变量 这主要是因为实际的问题中，一个变量往往受到许多变量的影响，在实际建模过程中无法将解释变量全部列出。在这样的情况下，遗漏的变量的影响就被纳入了误差项中，在该遗漏变量与其他解释变量相关的情况下，就引起了内生性问题。 （2）测量误差 关于测量误差引起内生性的问题要基于测量误差的假设。测量误差可能是对被解释变量y 的测量误差，也可能是由于对解释变量x 的测量误差。这两种情况引发的结果是不一样的。 ( 3) 双向交互影响 这种情况引起的内生性问题在现实中最为常见。其基本的原理可以阐述为，被解释变量y 和解释变量x 之间存在一个交互影响的过程。x 的数值大小会引起y 取值的变换，但同时y 的变换又会反过来对x 构成影响。这样，在如下的回归方程中：011k k y x x βββε=+++，如果残差项ε的冲击影响了y 的取值，而这样的影响会通过y 传导到x 上，从而造成了x 和残差项ε的相关。也就是引起了内生性问题。 内生性问题处理方法： 1.工具变量法（IV ）
就是找到一个变量和内生化变量相关，但是和残差项不相关。在OLS的框架下同时有多个IV，这些工具变量被称为两阶段最小二乘（2SLS）估计量。具体的说，这种方法是找到影响内生变量的外生变量，连同其他已有的外生变量一起回归，得到内生变量的估计值，以此作为IV，放到原来的回归方程中进行回归。 2.代理变量法（Proxy） Proxy方法是将不可观测的变量用近似的变量进行替代，也就是说，是在残差项中提取出有用的信息，但是并没有对现有的解释变量进行处理。 3. 自然实验法 就是就是发生了某些外部突发事件，使得研究对象仿佛被随机分成了实验组或控制组。该事件只影响一部分样本，或者只影响解释变量而不影响被解释变量。 4. 双重差分法 倘若出现了一次外部冲击，这次冲击影响了一部分样本，对另一部分样本则无影响，双重差分法就是用来研究这次冲击的净效应的。其基本思想是，将受冲击的样本视作实验组，再按照一定标准在未受冲击的样本中寻求与实验组匹配的对照组，而后做差，做差剩下来的便是这次冲击的净效应。
Chapter4-工具变量法
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： 11111?(')(')(')(')(')(')N N -----==+=+βX X X y βX X X u βX X X u (1.1) 由假定Rank(X)=K 和大数定律，样本均值的概率极限等于总体均值，可得： 1Plim(')E(')N -=≡X X X X A ， 1Plim(')E(')N -=≠X u X u 0。 (1.2) 又由Slustky 定理， 111Plim(')N ---=X X A 1?Plim E(')-=+≠β βA X u β (1.3) 1.2 工具变量估计 1.2.1 工具变量 在如下模型中， y = X β+ u 第i 个解释变量x 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cor(z, u) = 0 相关条件：与x 相关，即cor(z, x i ) ≠ 0，也称为识别约束条件。 那么，z 被称作x i 的工具变量。
工具变量法~
工具变量法 一、工具变量法的主要思想 在无限分布滞后模型中，为了估计回归系数，通常的做法是对回归系数作一些限制，从而对受限的无限分布滞后模型进行估计。在这里，考伊克模型、适应性期望模型与部分调整模型给出了很好的解决此类问题的思路。经过变换，新的模型中，随机扰动项的表达式为： 考伊克模型：1t t t v u u λ-=- （01λ<< ，λ为衰减率） （1.1）； 适应性期望模型：1（1）t t t v u u λ-=--（01λ<< ，λ为期望系数）（1.2）； 部分调整模型：（1）t t v u γ=-（01γ≤< ， 1γ-为调整系数） （1.3）。 t u 为原无限分布滞后模型中的扰动项，t v 为变换后的扰动项。 在原模型中的随机扰动项满足经典假设的前提下，部分调整模型也满足经典假设，但是考伊克模型与适应性期望模型的随机扰动项由于存在原随机扰动项的滞后项，也就是说考伊克模型与适应性期望模型的解释变量1t Y - 势必与误差项t v 相关，因此，可能会出现上述两个模型的最小二乘估计甚至是有偏的这样严重的问题。那么，我们是否可以找到一个与1t Y -高度相关但与t v 不相关的变量来替代 1t Y -？在这里，一个可行的估计方法就是工具变量法。 在讨论工具变量法之前，我们先来了解一下外生变量和内生变量。 一般来说：一个回归模型中的解释变量有的与随机扰动项无关，我们称这样的解释变量为外生变量；而模型中有的解释变量与随机扰动项相关，我们可称这样的解释变量为内生解释变量。内生解释变量的典型情况之一就是滞后应变量为解释变量的情形，如上述考伊克模型与适应性期望模型中的1t Y -。 外生解释变量：回归模型中的解释变量与随机扰动项无关； 内生解释变量：回归模型中的解释变量与随机扰动项无关； 了解了内生变量和外生变量的概念，我们接着讨论工具变量法的主要思想：工具变量法和普通最小二乘法是模型参数估计的两类重要方法，在多元线性回归模型中，如果出现解释变量与随机误差项相关（即出现内生变量）时，其回归系数的普通最小二乘估计是非一致的，这时就需要引入工具变量。 工具变量，顾名思义是在模型估计过程中被作为工具使用，以替代模型中与随机误差性相关的随机解释变量（即内生变量）。 满足条件：1）总体无关：工具变量与随机扰动项无关； 2）样本相关：工具变量必须与被它所代替的内生变量高度相关； 3）与模型中其他解释变量不相关，以避免出现多重共线性。 做了替代后，用普通最小二乘法即可得到原回归系数的一致估计量。 二、工具变量法的基本原理
工具变量法
工具变量法 一、工具变量法得主要思想 在无限分布滞后模型中,为了估计回归系数,通常得做法就是对回归系数作一些限制,从而对受限得无限分布滞后模型进行估计。在这里,考伊克模型、适应性期望模型与部分调整模型给出了很好得解决此类问题得思路。经过变换,新得模型中,随机扰动项得表达式为: 考伊克模型: ( ，为衰减率) （1、1); 适应性期望模型:（,为期望系数)(1、2）; 部分调整模型:( ，为调整系数） (1、3)。 为原无限分布滞后模型中得扰动项,为变换后得扰动项。 在原模型中得随机扰动项满足经典假设得前提下,部分调整模型也满足经典假设,但就是考伊克模型与适应性期望模型得随机扰动项由于存在原随机扰动项得滞后项,也就就是说考伊克模型与适应性期望模型得解释变量势必与误差项相关,因此,可能会出现上述两个模型得最小二乘估计甚至就是有偏得这样严重得问题。那么，我们就是否可以找到一个与高度相关但与不相关得变量来替代？在这里，一个可行得估计方法就就是工具变量法。 在讨论工具变量法之前，我们先来了解一下外生变量与内生变量。 一般来说:一个回归模型中得解释变量有得与随机扰动项无关,我们称这样得解释变量为外生变量;而模型中有得解释变量与随机扰动项相关,我们可称这样得解释变量为内生解释变量。内生解释变量得典型情况之一就就是滞后应变量为解释变量得情形，如上述考伊克模型与适应性期望模型中得。 外生解释变量:回归模型中得解释变量与随机扰动项无关； 内生解释变量:回归模型中得解释变量与随机扰动项无关; 了解了内生变量与外生变量得概念,我们接着讨论工具变量法得主要思想：工具变量法与普通最小二乘法就是模型参数估计得两类重要方法,在多元线性回归模型中,如果出现解释变量与随机误差项相关（即出现内生变量）时,其回归系数得普通最小二乘估计就是非一致得,这时就需要引入工具变量。 工具变量，顾名思义就是在模型估计过程中被作为工具使用,以替代模型中与随机误差性相关得随机解释变量（即内生变量）。 满足条件:１)总体无关：工具变量与随机扰动项无关; 2)样本相关:工具变量必须与被它所代替得内生变量高度相关; 3)与模型中其她解释变量不相关,以避免出现多重共线性。 做了替代后，用普通最小二乘法即可得到原回归系数得一致估计量。 二、工具变量法得基本原理 我们分别从简单线性回归模型与多元线性回归模型两方面来具体分析工具变量法得基本原理： 简单线性回归模型 考虑简单线性回归模型(2、1)其中为内生变量。 则其正规方程为：(2、2) 设回归模型中得解释变量与随机扰动项相关,则如前所述，普通最小二乘估计量就是非一致得。现用一个工具变量来代替正规方程中得解释变量,其残差表达式不变。
工具变量法
工具变量法 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】
工具变量法 一、工具变量法的主要思想 在无限分布滞后模型中，为了估计回归系数，通常的做法是对回归系数作一些限制，从而对受限的无限分布滞后模型进行估计。在这里，考伊克模型、适应性期望模型与部分调整模型给出了很好的解决此类问题的思路。经过变换，新的模型中，随机扰动项的表达式为： 考伊克模型：1t t t v u u λ-=- （01λ<< ，λ为衰减率） （）； 适应性期望模型：1（1）t t t v u u λ-=--（01λ<< ，λ为期望系数）（）； 部分调整模型：（1）t t v u γ=-（01γ≤< ，1γ-为调整系数） （）。 t u 为原无限分布滞后模型中的扰动项，t v 为变换后的扰动项。 在原模型中的随机扰动项满足经典假设的前提下，部分调整模型也满足经典假设，但是考伊克模型与适应性期望模型的随机扰动项由于存在原随机扰动项的滞后项，也就是说考伊克模型与适应性期望模型的解释变量1t Y - 势必与误差项t v 相关，因此，可能会出现上述两个模型的最小二乘估计甚至是有偏的这样严重的问题。那么，我们是否可以找到一个与 1t Y -高度相关但与t v 不相关的变量来替代1t Y -在这里，一个可行的估计方法 就是工具变量法。 在讨论工具变量法之前，我们先来了解一下外生变量和内生变量。 一般来说：一个回归模型中的解释变量有的与随机扰动项无关，我们称这样的解释变量为外生变量；而模型中有的解释变量与随机扰动项相
关，我们可称这样的解释变量为内生解释变量。内生解释变量的典型情况之一就是滞后应变量为解释变量的情形，如上述考伊克模型与适应性期望模型中的1t Y 。 外生解释变量：回归模型中的解释变量与随机扰动项无关； 内生解释变量：回归模型中的解释变量与随机扰动项无关； 了解了内生变量和外生变量的概念，我们接着讨论工具变量法的主要思想：工具变量法和普通最小二乘法是模型参数估计的两类重要方法，在多元线性回归模型中，如果出现解释变量与随机误差项相关（即出现内生变量）时，其回归系数的普通最小二乘估计是非一致的，这时就需要引入工具变量。 工具变量，顾名思义是在模型估计过程中被作为工具使用，以替代模型中与随机误差性相关的随机解释变量（即内生变量）。 满足条件：1）总体无关：工具变量与随机扰动项无关； 2）样本相关：工具变量必须与被它所代替的内生变量高度相关； 3）与模型中其他解释变量不相关，以避免出现多重共线性。 做了替代后，用普通最小二乘法即可得到原回归系数的一致估计量。 二、工具变量法的基本原理 我们分别从简单线性回归模型和多元线性回归模型两方面来具体分析工具变量法的基本原理： 简单线性回归模型
6.示范教案(2.3.2--两个变量的线性相关)
变量间的相关关系 2.3.1 变量之间的相关关系 2.3.2 两个变量的线性相关 整体设计 教学分析 变量之间的关系是人们感兴趣的问题.教科书通过思考栏目“物理成绩与数学成绩之间的关系”,引导学生考察变量之间的关系.在教师的引导下,可使学生认识到在现实世界中存在不能用函数模型描述的变量关系,从而体会研究变量之间的相关关系的重要性.随后,通过探究人体脂肪百分比和年龄之间的关系,引入描述两个变量之间关系的线性回归方程（模型）.教科书在探索用多种方法确定线性回归直线的过程中,向学生展示创造性思维的过程,帮助学生理解最小二乘法的思想.通过气温与饮料销售量的例子及随后的思考,使学生了解利用线性回归方程解决实际问题的全过程,体会线性回归方程作出的预测结果的随机性,并且可能犯的错误.进一步,教师可以利用计算机模拟和多媒体技术,直观形象地展示预测结果的随机性和规律性. 三维目标 1.通过收集现实问题中两个有关联变量的数据认识变量间的相关关系. ) 2.明确事物间的相互联系.认识现实生活中变量间除了存在确定的关系外,仍存在大量的非确定性的相关关系,并利用散点图直观体会这种相关关系. 3.经历用不同估算方法描述两个变量线性相关的过程．知道最小二乘法的思想,能根据给出的线性回归方程的系数公式建立线性回归方程． 重点难点 教学重点：通过收集现实问题中两个有关联变量的数据直观认识变量间的相关关系；利用散点图直观认识两个变量之间的线性关系；根据给出的线性回归方程的系数公式建立线性回归方程． 教学难点：变量之间相关关系的理解；作散点图和理解两个变量的正相关和负相关；理解最小二乘法的思想. 课时安排 2课时 教学过程 、 第1课时 导入新课 思路1 在学校里,老师对学生经常这样说：“如果你的数学成绩好，那么你的物理学习就不会有什么大问题.”按照这种说法，似乎学生的物理成绩与数学成绩之间存在着一种相关关系.这种说法有没有根据呢 学生讨论：我们可以发现自己的数学成绩和物理成绩存在某种关系.（似乎就是数学好
伍德里奇《计量经济学导论》(第5版)笔记和课后习题详解-第15章 工具变量估计与两阶段最小二乘法【圣
第15章 工具变量估计与两阶段最小二乘法15.1复习笔记 一、动机：简单回归模型中的遗漏变量 1．面对可能发生的遗漏变量偏误（或无法观测异质性）的四种选择 （1）忽略遗漏变量问题，承受有偏而又不一致估计量，若能把估计值与关键参数的偏误方向一同给出，则该方法便令人满意。 （2）试图为无法观测变量寻找并使用一个适宜的代理变量，该方法试图通过用代理变量取代无法观测变量来解决遗漏变量的问题，但并不是总可以找到一个好的代理。 （3）假定遗漏变量不随时间变化，运用固定效应或一阶差分方法。 （4）将无法观测变量留在误差项中，但不是用OLS 估计模型，而是运用一种承认存在遗漏变量的估计方法，工具变量法。 2．工具变量法 简单回归模型 01y x u ββ=++其中x 与u 相关： ()Cov 0 ，x u ≠（1）为了在x 和u 相关时得到0β和1β的一致估计量，需要有一个可观测到的变量z，z 满足两个假定： ①z 与u 不相关，即Cov（z，u）＝0；
②z 与x 相关，即Cov（z，x）≠0。 满足这两个条件，则z 称为x 的工具变量，简称为x 的工具。 z 满足①式称为工具外生性条件，工具外生性意味着，z 应当对y 无偏效应（一旦x 和u 中的遗漏变量被控制），也不应当与其他影响y 的无法观测因素相关。z 满足②式意味着z 必然与内生解释变量x 有着或正或负的关系。这个条件被称为工具相关性。 （2）工具变量的两个要求之间的差别 ①Cov（z，u）是z 与无法观测误差u 的协方差，通常无法对它进行检验：在绝大多数情形中，必须借助于经济行为或反思来维持这一假定。 ②给定一个来自总体的随机样本，z 与x（在总体中）相关的条件则可加以检验。最容易的方法是估计一个x 与z 之间的简单回归。在总体中，有 01x z v ππ=++从而，由于 ()() 1Cov /ar V ，x z z π=所以式Cov（z，x）≠0中的假定当且仅当10π≠时成立。因而就能够在充分小的显著水平上，相对双侧对立假设110H π≠：而拒绝虚拟假设010H π=：。就能相当有把握地肯定工具z 与x 是相关的。 3．工具变量估计量 （1）参数的工具变量（IV）估计量 参数的识别意味着可以根据总体矩写出1β，而总体矩可用样本数据进行估计。为了根据总体协方差写出1β，利用简单回归方程可得z 与y 之间的协方差为：
工具变量法2SLS与GMM
1 第 10 章 工具变量，2SLS 与 GMM 10.1 解释变量与扰动项相关的例子 例 农产品市场均衡模型 ?q d = α + α p + u (需求) ? t 0 1 t t ? q s = β + β p + v (供给) t ? q d 0 1 t t = q s (均衡) ? t t
令q ≡q d=q s，可得 t t t ?q t =α0+α1 p t +u t ? q =β+βp +v ?t 0 1 t t 两个方程中的被解释变量与解释变量完全一样。 如直接作回归q ?O?LS?→p，估计的是需求函数还是供给函数？ t t 2
图10.1 需求与供给决定市场均衡 3
4 1 1 1 1 1 1 把线性方程组中的( p t , q t )看成是未知数(内生变量)，把(u t , v t ) 看作已知，可求解( p t , q t )为(u t , v t ) 的函数： ? p = p (u ,v ) = β0 - α0 + v t - u t ? t t t t α - β α - β ? 1 1 1 1 ?q = q (u ,v ) = α1β0 - α0 β1 + α1v t - β1u t ?? t t t t α - β α - β 由于 p t 为(u t , v t ) 的函数，故Cov( p t , u t ) ≠ 0，Cov( p t , v t ) ≠ 0。 OLS 估计值α?1, β? 不是α , β 的一致估计量。 称这种偏差为“联立方程偏差”(simultaneity bias)或“内生变量 偏差”(endogeneity bias)。 1
人教版高中数学-两个变量的线性相关
《2.3.2两个变量的线性相关》 一、内容和内容解析 本节课是人教A版高中数学必修三2.3.2两个变量的线性相关的第二课时。上节课通过大量的生活实例，学生已经初步认识两个变量间的相关关系，并可以借助散点图呈现收集的数据。通过对单变量样本数据中“平均数的几何意义”（切合学生的认知需要）的介绍，为本节课的内容做了铺垫。本节课的主要内容是用最小二乘法求线性回归方程，基础知识是回归直线的概念，也是本节课的核心概念；基本思想是“最小二乘法”思想；根据线性回归方程的系数公式求回归直线是本节课的基本技能. 就统计学科而言，对不同的数据处理方法进行“优劣评价”是“假设检验”的萌芽，而后者是统计学学科研究的另一重要领域.了解“最小二乘法”思想，比较各种“估算方法”，体会它的科学性，既是统计学教学发展的需要，又在体会此思想的过程中促进学生对核心概念的进一步理解.“样本估计总体”是本节课的上位思想也是整个第二章的核心思想，而“最小二乘法思想”作为本节课的核心思想，由此得以体现.回归思想和贯穿统计学科中的随机思想，也在本节课中有所渗透. 本节课通过引导学生经历“收集数据——整理数据（作散点图）——探究并确定回归直线的数学意义——求回归直线方程——应用”完整的回归分析的过程，鼓励学生独立思考、自主探究、合作交流和计算机操作等方式展开学习，从而发挥本节课的育人价值。整个学习过程渗透了数据分析和数学建模的核心素养。通过引导学生对散点图中的点大致分布在一条直线附近的观察，渗透直观想象的核心素养；通过尝试提出找回归直线的想法、用自己的语言描述对这条直线的初步认识到探究从数学的角度定义回归直线的过程，渗透数学抽象和逻辑推理的核心素养；最后，根据回归直线方程的系数公式，引导学生先求出公式中的基本统计量，再代入公式的过程和指导学生利用Excel电子表格求回归方程的过程，提升数学运算的核心素养。 基于上述内容分析，本节课的教学重点为:了解最小二乘法思想，并能根据给出的线性回归方程的系数公式，建立线性回归方程 二、目标和目标设置 基于对本节课教学内容的解析，结合《普通高中数学课程标准（2017年版）》的要求，制定本节课的教学目标如下： 1.了解一元线性回归模型的含义： （1）能根据散点图解释两个相关变量的线性相关关系； （2）能用自己的语言解释回归直线的统计意义； 2.了解最小二乘原理： （1）经历用不同方法确定回归直线的过程，能认识到回归直线是“从整体上看，各点与此直线上的点的距离最小”的直线； （2）能用数学符号刻画“从整体上看，各点与此直线上的点的距离最小”的表达方式； （3）通过对表达方式的转化（距离最小到偏差平方和最小），体会最小二乘法原理，并能用自己的语言表述； 3. 针对实际应用问题，能根据给出的线性回归方程系数公式建立线性回归方程； 4. 在经历完整的线性回归分析的过程中，重点提升数据分析和数学建模核心素养； 5. 针对实际应用问题，会用一元线性回归模型进行预测.
内生性与工具变量估计方法
内生性与工具变量估计方法 一 一元模型的IV 估计 采用MROZ 数据，进行练习。 估计教育对工资收入的回报： 01log()wage educ ββμ =++ 为了便于比较首先得到OLS 估计结果，在命令窗口输入 smpl 1 428 equation eq01.ls log(wage) c educ 教育的系数估计值表明，每多接受一年教育可得到月11%的回报。 接下来，我们用父亲的受教育程度（fatheduc ）作为educ 的工具变量。我们必须认为fatheduc 与u 不相关；第二个要求是educ 与fatheduc 相关。为了验证第二点，作一个educ 对fatheduc 的回归。 equation eq02.ls educ c fatheduc 可以看出，educ 与fatheduc 之间存在统计显著的正相关。
采用fatheduc 作为educ 的工具变量，进行工具变量回归。 equation eq03.tsls log(wage) c educ @ fatheduc IV 估计量的标准误是OLS 标准误的2.5倍，这在我们的意料之中。 二 多元模型的IV 估计 采用card 数据，进行练习。 估计教育对工资收入的回报： 012log()var wage educ Control iables βββμ =+++ 为了便于对照，先做OLS 回归 Smpl 1 3010 Equation eq01.ls log(wage) c educ exper expersq black smsa south smsa66 reg662 reg663 reg664 reg665 reg666 reg667 reg668 reg669
两个变量的相关关系
两个变量间的相关关系 变量间的相互关系有两种:一类是确定性的函数关系,如正方形的边长和面积的关系；另一类是变量间确实存在关系,但又不具备函数关系所要求的确定性,它们的关系是带有随机性的.例如,学生的总成绩和他的单科成绩,一般说来“总成绩高者,单科成绩也高”,我们说总成绩和单科成绩具有相关关系.相关关系又分为两种:(1)正相关:两个变量具有相同的变化趋势.(2)负相关:两个变量具有相反的变化趋势. 对相关关系的理解可以从下面三个角度把握： 相关关系的概念：自变量取值一定时，因变量的取值带有一定的随机性，则两个变量之间的关系叫做相关关系. 对相关关系的理解应当注意以下几点： 其一是相关关系与函数关系不同.因为函数关系是一种非常确定的关系，而相关关系是一种非确定性关系，即相关关系是非随机变量与随机变量之间的关系.而函数关系可以看成是两个非随机变量之间的关系.因此，不能把相关关系等同于函数关系. 相关关系与函数关系的异同点为： 相同点：均是指两个变量的关系. 不同点：函数关系是一种确定的关系；而相关关系是一种非确定关系.函数关系是自变量与函数值之间的关系,这种关系是两个非随机变量的关系；而相关关系是非随机变量与随机变量的关系. 其二是函数关系是一种因果关系，而相关关系不一定是因果关系，也可能是伴随关系.例如，有人发现，对于在校儿童，鞋的大小与阅读能力有很强的相关关系.然而，学会新词并不能使脚变大，而是涉及到第三个因素——年龄.当儿童长大一些，他们的阅读能力会提高而且由于长大脚也变大. 其三是在现实生活中存在着大量的相关关系，如何判断和描述相关关系，统计学发挥着非常重要的作用.变量之间的相关关系带有不确定性，这需要通过收集大量的数据，对数据进行统计分析，发现规律，才能作出科学的判断. 我们再来认识生活中的确定两个变量间的相关关系的两个例子： 【例1】“名师出高徒”可以解释为教师的水平越高,学生的水平也越高.那么,教师的水平与学生的水平成什么相关关系？你能举出更多的描述生活中的两个变量的相关关系的成语吗？ 解析:“名师出高徒”的意思是说有名的教师一定能教出高明的徒弟,通常情况下,高水平的教师有很大的趋势教出高水平的学生.所以,教师的水平与学生的水平成正相关关系.生活中这样的成语很多,如“龙生龙,凤生凤,老鼠的孩子会打洞”. 【例2】历史上,有人认为人们的着装与经济好坏有关系,着装越鲜艳,经济越景气.你认为着装与经济真的有这种相关关系吗？ 解析:人们的着装只能反映个人的爱好以及个人心情状况,与经济的好坏没有任何关系,并不能反映经济的景气与否.所以,着装与经济并没有“着装越鲜艳,经济越景气”这种相关关系.
工具变量方法原理
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： i ki k i i i U X X X Y ++???+++=ββββ22110 （8-1） 其矩阵形式为： U XB Y += （8-2） 在多元（k ）线性回归模型中，我们曾经假定，解释变量j X 是非随机的。如果j X 是随机的，则与随机扰动项i U 不相关。即： C o v () i ij U X ,0= ),,2,1;,,2,1(n i k j ???=???= （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。
例如，固定资产投资与国民收入的关系满足如下模型： t t t t u I Y I +++=-1210βββ 其中，t I 为t 期的固定资产投资，1-t I 为1-t 期的固定资产投资，t Y 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 t t t t u C Y C +++=-1210βββ 其中，t C 为t 期的消费支出，1-t C 为1-t 期的消费支出，t Y 是t 期的收入，因为1-t C 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。
2014人教A版高中数学必修三 2-3-1、2 《变量之间的相关关系》 《两个变量的线性相关》能力强化提升
【成才之路】2014高中数学 2-3-1、2 变量之间的相关关系 两 个变量的线性相关能力强化提升 新人教A 版必修3 一、选择题 1．对于给定的两个变量的统计数据，下列说法正确的是( ) A ．都可以分析出两个变量的关系 B ．都可以用一条直线近似地表示两者的关系 C ．都可以作出散点图 D ．都可以用确定的表达式表示两者的关系 [答案] C [解析] 给出一组样本数据，总可以作出相应的散点图，但不一定分析出两个变量的关系，更不一定符合线性相关或有函数关系． 2．在画两个变量的散点图时，下面叙述正确的是( ) A ．预报变量在x 轴上，解释变量在y 轴上 B ．解释变量在x 轴上，预报变量在y 轴上 C ．可以选择两个变量中任意一个变量在x 轴上 D ．可以选择两个变量中任意一个变量在y 轴上 [答案] B 3．由一组样本数据(x 1，y 1)，(x 2，y 2)，…，(x n ，y n )得到的回归直线方程y ^ ＝bx ＋a ，那么下面说法不正确的是( ) A ．直线y ^＝bx ＋a 必经过点(x －，y － ) B ．直线y ^ ＝bx ＋a 至少经过点(x 1，y 1)，(x 2，y 2)，…，(x n ，y n )中的一个点 C ．直线y ^ ＝bx ＋a 的斜率为 ∑i ＝1 n x i y i －n x － y － ∑i ＝1 n x 2 i －n x － 2 D ．直线y ^＝bx ＋a 和各点(x 1，y 1)，(x 2，y 2)，…，(x n ，y n )的偏差∑i ＝1 n [y i －(bx i ＋a )]2 是 该坐标平面上所有直线与这些点的偏差中最小的直线． [答案] B [解析] 由a ＝y －b x 知y ^ ＝y －b x ＋bx ，∴必定过(x ，y )点． 回归直线方程对应的直线是与样本数据距离最小的，但不一定过原始数据点，只须和这
内生性和工具变量法
内生性和工具变量法 从最根本的定义来说，内生外生首先是取决于系统的，在一个系统内部决定的变量，自然就是内生变量，在系统决定的变量，就是外生变量。比如，给一个系统，比如地球，那么当前情况下地球上一切可以统计的变量都是内生变量，但是阳光就是外生变量。那么如果以太阳系为研究的系统，那么自然，阳光此时也是内生变量了。 这样说内生性外生性似乎很容易理解，但是涉及到经济问题似乎不是那么好办了，因为经济系统中，所有的变量很难说是完全独立的，比如货币发行量，似乎是央行决定，按理说是外生的吧，但是慢着，央行的货币不是随便发的，也是因为有经济体有需求才会向社会发行货币，这个就是货币外生和货币内生的讨论，研究的文章有很多。 还是先说外生性吧，Leamer定义，如果y对x的条件分布（这个就是给出x 值，对应随机变量y）不随x的生成过程的修正而发生变化，那么x就是外生变量。外生性似乎还是可以分为两类，前定性（前定变量是指独立于方程中同期和未来误差项的变量），严格外生（严格外生变量是指独立于方程中所有同期、未来，和过去误差项的变量）。 依照这个定义，我什么也看不出来，倒是可以从CLRM假定cov(Ut,Xt)≠0情况考虑。既然cov(Ut,Xt)≠0可以叫成内生性，那么cov(Ut,Xt)=0大概可以叫外生变量了吧。chris的书前面把这个假定强化为X是非随机变量，当显然这一假定是靠不住的，X更多情况下是随机变量。这里涉及到前面曾经困惑的一个概率，随机解释变量，随机解释变量就是说解释变量是随机的，原因根据我的思考总结，大概是这两类，1.观测值存在误差2.根据Y=α+θX+μ，如果Y能影响X，由于Y是随机的，自然X也就带有随机性了。 随机解释变量容易带来内生性的问题，但却也不是必然，比如X是随机解释变量，但是X和u是独立的，也就是说cov(Ut,Xt)=0的时候，是不违背CLRM 假设的。其实到这里，我们讨论的一切，什么内生性，自相关，异方差，这些为什么要讨论呢，就是因为我们经常用OLS模型进行估计，而CLRM的五个假定