第六讲工具变量回归教材课件.ppt

1、工具变量回归工具变量回归 OLS OLS经典假设经典假设 所有的解释变量所有的解释变量X Xi i与随机误与随机误差项彼此之间不相关。差项彼此之间不相关。(,)0iiCov u X若解释变量若解释变量Xi和和ui相关，则相关，则OLS估计量是非一估计量是非一致的，也就是即使当样本容量很大时，致的，也就是即使当样本容量很大时，OLS估估计量也不会接近回归系数的真值。计量也不会接近回归系数的真值。当解释变量和随机误差项相关时，模型存在着当解释变量和随机误差项相关时，模型存在着内生性内生性问题。问题。在计量经济学中，把所有与扰动项相关在计量经济学中，把所有与扰动项相关的解释变量都称为的解释变量都称为

2、“内生变量内生变量”。这与。这与一般经济学理论中的定义有所不同。一般经济学理论中的定义有所不同。1。与误差项相关的变量称为。与误差项相关的变量称为内生变量内生变量(endogenous variable)。2。与误差项不相关的变量称为。与误差项不相关的变量称为外生变量外生变量(exogenous variable)。造成误差项与回归变量相关（内生性）的原造成误差项与回归变量相关（内生性）的原因很多，但我们主要考虑如下几个方面：因很多，但我们主要考虑如下几个方面：遗漏变量偏差遗漏变量偏差变量有测量误差变量有测量误差双向因果关系双向因果关系。遗漏变量偏差遗漏变量偏差变量有测量误差变量有测量误差测量

3、数据正确时：假设方程为：测量数据正确时：假设方程为：01iiiYXu当存在测量误差时：方程为：当存在测量误差时：方程为：01iiiYXv01011()iiiiiiiYXvXXXu所以我们有：所以我们有：1()iiiivXXu可知，误差项中包含可知，误差项中包含iiXX所以可以得到：如果所以可以得到：如果(,)0iiiCov XX X则回归结果有偏，非一致则回归结果有偏，非一致我们假设我们假设iiiXXw则有则有21122xpxw 结论：结论：1。由于。由于 2221xxw2。回归的性质决定于。回归的性质决定于w的标准差的标准差 2211220 xppwxw 2211122xppwxw 双向因果

4、关系双向因果关系之前我们假定因果关系是从回归变量到因之前我们假定因果关系是从回归变量到因变量的变量的(X导致了导致了Y)。但如果因果关系同时。但如果因果关系同时也是从因变量到一个或多个回归变量也是从因变量到一个或多个回归变量(Y导导致了致了X)的呢？如果是这样的话，因果关系的呢？如果是这样的话，因果关系是向前的也是是向前的也是“向后向后”的，即存在双向因的，即存在双向因果关系，如果存在双向因果关系，则果关系，如果存在双向因果关系，则OLS回回归中同时包含了这两个效应，因此归中同时包含了这两个效应，因此OLS估计估计量是有偏的、非一致的。量是有偏的、非一致的。2111(,)/(1)iiuCov

5、X urr可以推导出：可以推导出：遗漏变量偏差遗漏变量偏差可采用在多元回归中加入遗漏变可采用在多元回归中加入遗漏变量的方法加以解决，但前提是只有当你有遗漏量的方法加以解决，但前提是只有当你有遗漏变量数据时上述方法才可行。变量数据时上述方法才可行。双向因果关系偏差双向因果关系偏差是指如果有时因果关系是从是指如果有时因果关系是从X到到Y又从又从Y到到X时，此时仅用多元回归无法消时，此时仅用多元回归无法消除这一偏差。同样，除这一偏差。同样，变量有测量误差变量有测量误差也无法用我们前面学过的方法也无法用我们前面学过的方法解决。解决。因此我们就必须寻找一种新的方法。因此我们就必须寻找一种新的方法。工具变

6、量工具变量(instrumental variable,IV)回回归是当回归变量归是当回归变量X与误差项与误差项u相关时获得总体相关时获得总体回归方程未知系数一致估计量的一般方法。回归方程未知系数一致估计量的一般方法。我们经常称其为我们经常称其为IV估计估计。其其基本思想基本思想是：假设方程是：是：假设方程是：我们假设我们假设ui与与Xi相关，则相关，则OLS估计量一定是估计量一定是有偏有偏的和的和非一致非一致的。的。工具变量估计工具变量估计是利用另是利用另一个一个“工具工具”变量变量Z将将Xi分离成与分离成与ui相关和相关和不相关的两部分。不相关的两部分。我们的工作就是要寻找相应的我们的工作

7、就是要寻找相应的工具变量工具变量将解将解释变量分解成内生变量和外生变量，然后利释变量分解成内生变量和外生变量，然后利用用两阶段最小二乘法两阶段最小二乘法(TSLS)进行估计。进行估计。工具变量的选取工具变量的选取 一个有效的工具变量必须满足称为一个有效的工具变量必须满足称为工具变量相关工具变量相关性性和和工具变量外生性工具变量外生性两个条件两个条件:即即 （1）工具变量相关性工具变量相关性：工具变量与所替代：工具变量与所替代的随机解释变量高度相关；的随机解释变量高度相关；（2）工具变量外生性：工具变量外生性：工具变量与随机误差工具变量与随机误差项不相关；项不相关；(,)0iCov Zi X(,

8、)0iiCov u Z 两阶段最小二乘估计量两阶段最小二乘估计量若工具变量若工具变量Z满足工具变量相关性和外生性的满足工具变量相关性和外生性的条件，则可用称为条件，则可用称为两阶段最小二乘两阶段最小二乘(TSLS)的的IV估计量估计系数估计量估计系数 1 1。两阶段最小二乘估计量分两阶段计算：两阶段最小二乘估计量分两阶段计算：第一阶段第一阶段把把X分解成两部分：即与回归误差项分解成两部分：即与回归误差项相关的一部分以及与误差项无关的一部分。相关的一部分以及与误差项无关的一部分。第二阶段第二阶段是利用与误差项无关的那部分进行估是利用与误差项无关的那部分进行估计。计。一般一般IV回归模型回归模型1

9、.因变量因变量 Yi。2.外生解释变量外生解释变量 W1i、W2i、Wri。3.内生解释变量内生解释变量 X1i、X2i、Xki。4.我们引入工具变量我们引入工具变量Z1i、Z2i、Zmi。第一阶段回归：第一阶段回归：利用利用OLS建立每个内生变量建立每个内生变量（X1i、X2i、Xki）关于工具变量）关于工具变量（Z1i、Z2i、Zmi）和外生变量（）和外生变量（W1i、W2i、Wri）的回归，并得到所有回归结果的拟合值的回归，并得到所有回归结果的拟合值Xi_hat。第二阶段回归：第二阶段回归：用用Xi_hat取代原有的取代原有的Xi，与原有，与原有的外生变量的外生变量Wi一起进行第二次回归

10、，得到一起进行第二次回归，得到TSLS统计量统计量TSLS。注意：注意：工具变量出现在第一阶段回归，但不出工具变量出现在第一阶段回归，但不出现在第二阶段回归。现在第二阶段回归。引入工具变量的个数引入工具变量的个数假设我们有假设我们有n个内生解释变量，引入了个内生解释变量，引入了m个工个工具变量，具变量，n和和m的关系是什么？的关系是什么？n=m 恰好识别恰好识别 nm 不可识别不可识别 只有恰好识别和过度识别才能用只有恰好识别和过度识别才能用IV方法估计。方法估计。两阶段最小二乘法的两阶段最小二乘法的stata命令：命令：ivregress 2sls depvar varlist1(varli

11、st2=instlist),r,first其中，其中，“depvar”为被解释变量，为被解释变量，varlist1为外生解释变量，为外生解释变量，varlist2为所有的内生解为所有的内生解释变量集合，释变量集合，instlist为工具变量集合。为工具变量集合。选择项选择项r表示使用异方差稳健的标准误，选表示使用异方差稳健的标准误，选择项择项“first”表示显示第一阶段的回归。表示显示第一阶段的回归。工具变量有效性的检验工具变量有效性的检验工具变量相关性工具变量相关性工具变量相关性越强，也就是工具变量能解释越多工具变量相关性越强，也就是工具变量能解释越多的的X变动，则变动，则IV回归中能用的

12、信息就越多，因此利用回归中能用的信息就越多，因此利用相关性更强的工具变量得到的估计量也更精确。相关性更强的工具变量得到的估计量也更精确。弱工具变量：弱工具变量：如果虽然如果虽然 但是但是弱工具变量弱工具变量几乎不能解释几乎不能解释X的变动。的变动。(,)0iCov Zi X(,)0iCov Zi X弱工具变量检验准则弱工具变量检验准则1.偏偏R2（Sheas partial R2）含义：在第一阶段回归中，在控制外生变量含义：在第一阶段回归中，在控制外生变量 影响的前提下，看其它变量对某内生变量的影响的前提下，看其它变量对某内生变量的解释力，或者说，在第一阶段回归中，剔除解释力，或者说，在第一阶

13、段回归中，剔除掉外生变量的影响。掉外生变量的影响。2.最小特征值统计量最小特征值统计量F：经验上：经验上F应该大于应该大于10。Stata 命令：命令：estat firststage,all forcenonrobust3.Cragg-Donald Wald F 统计量统计量 4.Kleibergen-Paap Wald rk F 统计量统计量”Stata命令：命令：ivreg2如果存在弱工具变量该怎么办？如果存在弱工具变量该怎么办？1.如果有很多工具变量，有部分强工具变量和部分如果有很多工具变量，有部分强工具变量和部分弱工具变量，可以舍弃较弱的工具变量而选用相关性弱工具变量，可以舍弃较弱的

14、工具变量而选用相关性较强的工具变量子集。在较强的工具变量子集。在stata中，可以使用中，可以使用ivreg2命令进行命令进行“冗余检验冗余检验”，以决定选择舍弃哪个工具变，以决定选择舍弃哪个工具变量。（直观上，冗余工具变量是那些第一阶段回归中量。（直观上，冗余工具变量是那些第一阶段回归中不显著的变量。）不显著的变量。）2.如果系数是恰好识别的，则你不能略去弱工具变如果系数是恰好识别的，则你不能略去弱工具变量。在这种情况下，有两个选择：量。在这种情况下，有两个选择：第一个选择第一个选择是寻找其他较强的工具变量。是寻找其他较强的工具变量。(难度较大难度较大)第二个选择第二个选择是利用弱工具变量继

15、续进行实证分是利用弱工具变量继续进行实证分析，但采用的方法不再是析，但采用的方法不再是TSLS。而是对弱工。而是对弱工具变量不太敏感的有限信息极大似然法具变量不太敏感的有限信息极大似然法(LIML)。在大样本下，。在大样本下，LIML 与与2SLS是渐近是渐近等价的，但在存在弱工具变量的情况下，等价的，但在存在弱工具变量的情况下，LIML 的小样本性质可能优于的小样本性质可能优于2SLS。LIML 的的 Stata 命令为命令为ivregress liml depvar varlist1(varlist2=instlist)工具变量外生性的检验工具变量外生性的检验刚才我们提到：只有刚才我们提到

16、：只有恰好识别恰好识别和和过度识别过度识别才才能用能用IV方法估计。方法估计。一个很重要的命题是：一个很重要的命题是：只有过度识别只有过度识别情况下情况下才能检验工具变量的外生性，而恰好识别情才能检验工具变量的外生性，而恰好识别情况下无法检验。况下无法检验。过度识别约束检验过度识别约束检验基本思想：基本思想：假设有一个内生回归变量，两个工具变量且没假设有一个内生回归变量，两个工具变量且没有包含的外生变量。则你可以计算两个不同的有包含的外生变量。则你可以计算两个不同的TSLS估计量：其中一个利用第一个工具变量，估计量：其中一个利用第一个工具变量，而另一个利用第二个工具变量。由于抽样变异而另一个利

17、用第二个工具变量。由于抽样变异性，这两个估计量不会相同，但如果两个工具性，这两个估计量不会相同，但如果两个工具变量都是外生的，则这两个估计量往往比较接变量都是外生的，则这两个估计量往往比较接近。如果由这两个工具变量得到估计非常不同，近。如果由这两个工具变量得到估计非常不同，则你可以得出其中一个或两个工具变量都有内则你可以得出其中一个或两个工具变量都有内生性问题的结论。生性问题的结论。识别标准：识别标准：Sargan 统计量统计量 J统计量统计量C统计量统计量过度识别检验的过度识别检验的 Stata 命令：命令：estat overid究竟该用究竟该用 OLS 还是工具变量法还是工具变量法豪斯曼

18、检验豪斯曼检验原假设为：原假设为：H0：所有解释变量均为外生变量：所有解释变量均为外生变量reg y x1 x2est store ols ivregress 2sls y x1(x2=z1 z2)est store iv hausman iv ols,sigmamore上述检验的缺点是，它假设在上述检验的缺点是，它假设在H0成立的情况成立的情况下，下，OLS 最有效率。但如果存在异方差，最有效率。但如果存在异方差，OLS 并不最有效率并不最有效率(不是不是 BLUE)。故传统的。故传统的豪斯曼检验不适用于异方差的情形。豪斯曼检验不适用于异方差的情形。此时可以使用杜宾此时可以使用杜宾-吴吴-豪

19、斯曼检验豪斯曼检验(DWH)，该检验在异方差的情况下也适用，更为稳健。该检验在异方差的情况下也适用，更为稳健。stata命令：命令：estat endogenous广义矩估计法：广义矩估计法：GMM基本思想：基本思想：求解如下一般化目标函数求解如下一般化目标函数,使之最小化使之最小化 J(b_GMM)=n*g(b_GMM)*W*g(b_GMM)其中，其中，W 为权重矩阵为权重矩阵在球型扰动项的假定下，在球型扰动项的假定下，2SLS 是最有效的。但如果是最有效的。但如果扰动项存在异方差或自相关，则广义矩估计方法效扰动项存在异方差或自相关，则广义矩估计方法效果更好。果更好。GMM方法又分为两步方法

20、又分为两步GMM法和迭代法和迭代GMM方法。方法。有关有关 GMM 的的 Stata 命令为命令为ivregress gmm y x1(x2=z1 z2)(两步两步 GMM)ivregress gmm y x1(x2=z1 z2),igmm(迭代迭代 GMM)estat overid(过度识别检验过度识别检验)例一例一Mincer(1958)最早研究了工资与受教育年最早研究了工资与受教育年限的正相关关系，但遗漏了限的正相关关系，但遗漏了“能力能力”这个变这个变量，导致遗漏变量偏差。针对美国面板调查量，导致遗漏变量偏差。针对美国面板调查数据中的年轻男子组群数据中的年轻男子组群(Young Men

21、s Cohort of the National Longitudinal Survey，简记，简记 NLS-Y)，Griliches(1976)采用工具变量法对遗漏变量问题进行了校正。采用工具变量法对遗漏变量问题进行了校正。Blackburn and Neumark(1992)更新更新了了 Griliches(1976)的数据，即这个例子中的数据，即这个例子中将要使用的数据集将要使用的数据集grilic.dta。该数据集中包括以下变量：该数据集中包括以下变量：lw(工资对数工资对数)，s(受教育年限受教育年限)，age(年龄年龄)，expr(工龄工龄)，tenure(在现单位的工作年数在现单

22、位的工作年数)，iq(智商智商)，med(母亲的受教育年限母亲的受教育年限)，kww(在在“knowledge of the World of Work”测试测试中的成绩中的成绩)，mrt(婚姻虚拟变量，已婚婚姻虚拟变量，已婚=1)，rns(美国南方虚拟变量，住在南方美国南方虚拟变量，住在南方=1)，smsa(大城市虚拟变量，住在大城市大城市虚拟变量，住在大城市=1)，year(有数据的最早年份，有数据的最早年份，19661973年中年中的某一年的某一年)。这是一个两期面板数据，初始期为当以上变量这是一个两期面板数据，初始期为当以上变量有数据的最早年份，结束期为有数据的最早年份，结束期为198

23、0 年。不带年。不带80字样的变量名为初始期，带字样的变量名为初始期，带80字样的变量字样的变量名为名为1980年数据。比如，年数据。比如，iq 指的是初始期的指的是初始期的智商，而智商，而lw80指的是指的是1980年的工资对数。年的工资对数。(1)先看一下数据的统计特征。先看一下数据的统计特征。use grilic.dta,clearsum(2)考察智商与受教育年限的相关关系。考察智商与受教育年限的相关关系。pwcorr iq s,sig(3)建立如下方程：建立如下方程：i1238080exp 8080ulwsrtenurereg lw80 s80 expr80 tenure80 继续对方

24、程进行分析：我们发现了如下问题：继续对方程进行分析：我们发现了如下问题：1。遗漏变量问题：认为方程遗漏了。遗漏变量问题：认为方程遗漏了“能力能力”这个变量，加入这个变量，加入iq（智商）作为（智商）作为“能力能力”的代的代理变量。理变量。reg lw80 s80 iq expr80 tenure802。测量误差问题：。测量误差问题：iq（智商）对（智商）对“能力能力”的测量存的测量存在误差。在误差。3。变量内生性问题：。变量内生性问题：s80可能与扰动项中除可能与扰动项中除“能力能力”以外的其他因素相关，因此是内生变量。以外的其他因素相关，因此是内生变量。解决方法：引入四个变量解决方法：引入四

25、个变量med，kww，mrt，age，作为内生解释变量作为内生解释变量iq与与s80的工具变量。的工具变量。然后使用然后使用TSLS方法进行回归。方法进行回归。ivregress 2sls lw80 expr80 tenure80(s80 iq=med kww mrt age),first也可以使用也可以使用GMM估计方法估计方法使用两步使用两步GMM。ivregress gmm lw80 expr80 tenure80(s80 iq=med kww mrt age)使用迭代使用迭代GMM。ivregress gmm lw80 expr80 tenure80(s80 iq=med kww mr

26、t age),igmm几点注意事项：几点注意事项：1。first选项的目的是显示选项的目的是显示TSLS第一阶段的第一阶段的结果，如果省略，则仅显示第二阶段的结果。结果，如果省略，则仅显示第二阶段的结果。2。命令的用法比较严格，将被解释变量和。命令的用法比较严格，将被解释变量和所有外生解释变量放到括号外面，内生解释所有外生解释变量放到括号外面，内生解释变量放到括号里面，等号后面为所有工具变变量放到括号里面，等号后面为所有工具变量。量。3。2SLS只能通过只能通过stata完成，利用定义手完成，利用定义手动计算的结果是错误的，因为残差序列是错动计算的结果是错误的，因为残差序列是错误的。误的。4。

27、不可能单独为每个内生变量指定一组特定。不可能单独为每个内生变量指定一组特定的工具变量，而是给所有内生变量指定一系列的工具变量，而是给所有内生变量指定一系列工具变量工具变量。5。所有外生变变量都作为自己的工具变量。所有外生变变量都作为自己的工具变量。6。为了检验工具变量的外生性，本题为过度。为了检验工具变量的外生性，本题为过度识别。识别。7。在大样本下，。在大样本下，IV 估计是一致的，但在小估计是一致的，但在小样本下，样本下，IV 估计并非无偏估计量，有些情况估计并非无偏估计量，有些情况下偏误可能很严重。下偏误可能很严重。弱工具变量检验弱工具变量检验检验方法：检验方法：1。初步判断可以用偏。初

28、步判断可以用偏R2(partial R2)(剔除掉模型中原有外生变量的影响剔除掉模型中原有外生变量的影响)。2。Minimum eigenvalue statistic(最小最小特征值统计量特征值统计量)，经验上此数应该大于，经验上此数应该大于10。这个方法类似于与书上的这个方法类似于与书上的“第一阶段第一阶段F统计统计量量”。工具变量外生性检验工具变量外生性检验我们一般称为我们一般称为过度识别约束过度识别约束J检验。检验。检验工具变量是否与干扰项相关，即工具变量检验工具变量是否与干扰项相关，即工具变量是否为外生变量。是否为外生变量。TSLS根据根据Sargan统计量进行过度识别检验统计量进行

29、过度识别检验。命令为：命令为：estat overid 检验工具变量的外检验工具变量的外生性。生性。H0：所有工具变量都是外生的。：所有工具变量都是外生的。H1：至少有一个工具变量不是外生的，与扰：至少有一个工具变量不是外生的，与扰动项相关。动项相关。ivregress 2sls lw80 expr80 tenure80(s80 iq=med kww mrt age),first estat firststage,all forcenonrobust estat firststage estat overid究竟该用究竟该用OLS 还是还是IV解释变量是否真的存在内生性？解释变量是否真的存在内

30、生性？假设能够找到方程外的工具变量。假设能够找到方程外的工具变量。1。如果所有解释变量都是外生变量，则。如果所有解释变量都是外生变量，则OLS 比比IV 更有效。在这种情况下使用更有效。在这种情况下使用IV，虽然估，虽然估计量仍然是一致的，会增大估计量的方差。计量仍然是一致的，会增大估计量的方差。2。如果存在内生解释变量，则。如果存在内生解释变量，则OLS 是不一是不一致的，而致的，而IV 是一致的。是一致的。检验方法：豪斯曼检验检验检验方法：豪斯曼检验检验豪斯曼检验（豪斯曼检验（Hausman specification test）H0：所有解释变量均为外生变量。：所有解释变量均为外生变量。

31、H1：至少有一个解释变量为内生变量。：至少有一个解释变量为内生变量。quietly reg lw80 s80 expr80 tenure80 iq est store ols quietly ivregress 2sls lw80 expr80 tenure80(s80 iq=med kww mrt age)est store iv hausman iv ols例二例二12345expilwsrtenurernssmsaureg lw s expr tenure rns smsa,r (1)引入智商引入智商(iq)作为作为“能力能力”的代理变量，再的代理变量，再进行进行 OLS 回归。回归。r

32、eg lw s iq expr tenure rns smsa,r(2)由于用由于用 iq 来度量能力存在来度量能力存在“测量误差测量误差”，故故 iq 是内生变量，考虑使用变量是内生变量，考虑使用变量(med,kww,mrt,age)作为作为 iq 的工具变量，进行的工具变量，进行 2SLS回回归，并使用稳健标准误。归，并使用稳健标准误。ivregress 2sls lw s expr tenure rns smsa(iq=med kww mrt age),r first(3)进行过度识别检验，考察是否所有工具变进行过度识别检验，考察是否所有工具变量均外生，即与扰动项不相关。量均外生，即与扰

33、动项不相关。estat overid(4)我们怀疑我们怀疑(mrt,age)不满足外生性，故不满足外生性，故使用使用 C 统计量检验这两个工具变量的外生性。统计量检验这两个工具变量的外生性。findit ivreg2ivreg2 lw s expr tenure rns smsa(iq=med kww mrt age),r orthog(mrt age)(5)考虑仅使用变量考虑仅使用变量(med,kww)作为作为 iq 的的工具变量，再次进行工具变量，再次进行2SLS 回归。回归。ivregress 2sls lw s expr tenure rns smsa(iq=med kww),r fi

34、rst再次进行过度识别检验：再次进行过度识别检验：estat overid(6)弱工具变量检验弱工具变量检验estat firststage,all forcenonrobust(7)为了稳健起见，下面使用对弱工具变量更为了稳健起见，下面使用对弱工具变量更不敏感的有限信息最大似然法不敏感的有限信息最大似然法(LIML)：ivregress liml lw s expr tenure rns smsa(iq=med kww),r(8)进一步考察弱工具变量问题，对工具变进一步考察弱工具变量问题，对工具变量量 kww 进行冗余检验进行冗余检验ivreg2 lw s expr tenure rns s

35、msa(iq=med kww),r redundant(kww)(9)利用豪斯曼检验判断是否存在内生解释利用豪斯曼检验判断是否存在内生解释变量。变量。qui reg lw iq s expr tenure rns smsaest store ols1qui ivregress 2sls lw s expr tenure rns smsa(iq=med kww)estimates store iv1hausman iv1 ols1,sigmamore(10)由于传统的豪斯曼检验在异方差的情形由于传统的豪斯曼检验在异方差的情形下不成立，下面进行异方差稳健的下不成立，下面进行异方差稳健的 DWH 检

36、检验：验：estat endogenous异方差下也可以利用异方差下也可以利用ivreg2命令进行文件的命令进行文件的内生性检验：内生性检验：ivreg2 lw s expr tenure rns smsa(iq=med kww),r endog(iq)(11)如果存在异方差，则如果存在异方差，则 GMM 比比 2SLS 更更有效率。为此，进行如下最优有效率。为此，进行如下最优 GMM 估计。估计。ivregress gmm lw s expr tenure rns smsa(iq=med kww)进行过度识别检验：进行过度识别检验：estat overid考虑迭代考虑迭代GMM：ivregr

37、ess gmm lw s expr tenure rns smsa(iq=med kww),igmm(12)结果的完整展现：结果的完整展现：qui reg lw s expr tenure rns smsa,r est store ols_no_iq qui reg lw iq s expr tenure rns smsa,r est store ols_with_iq qui ivregress 2sls lw s expr tenure rns smsa(iq=med kww),r est store tsls qui ivregress liml lw s expr tenure rns

38、 smsa(iq=med kww),r est store liml qui ivregress gmm lw s expr tenure rns smsa(iq=med kww)est store gmm qui ivregress gmm lw s expr tenure rns smsa(iq=med kww),igmmest store igmmoutreg2 ols_no_iq ols_with_iq tsls liml gmm igmm using output.doc,replace seeout遇到内生性问题如何处理遇到内生性问题如何处理1.使用内生解释变量的滞后变量作为工具变使用内生解释变量的滞后变量作为工具变量。量。2.寻找有创意的工具变量。寻找有创意的工具变量。