如何使用2SLS进行ivreg2估计及其检验
本篇文章给大家分享的是有关如何使用2SLS进行ivreg2估计及其检验,小编觉得挺实用的,因此分享给大家学习,希望大家阅读完这篇文章后可以有所收获,话不多说,跟着小编一起来看看吧。
创新互联网站建设公司一直秉承“诚信做人,踏实做事”的原则,不欺瞒客户,是我们最起码的底线! 以服务为基础,以质量求生存,以技术求发展,成交一个客户多一个朋友!专注中小微企业官网定制,做网站、成都网站设计,塑造企业网络形象打造互联网企业效应。
作为OLS回归不符合假定的问题,还包括解释变量与随机扰动项不相关。如果出现了违反该假设的问题,就需要找一个和解释变量高度相关的、同时和随机扰动项不相关的变量,作为工具变量进行回归。工具变量通常采用二阶段最小二乘法(2SLS)进行回归,当随机扰动项存在异方差或自相关的问题,2SLS就不是有效率的,就需要用GMM等方法进行估计,除此之外还需要对工具变量的弱工具性和内生性进行检验。
1.数据与要求
以stata自带的auto.dta数据为例,在stata输入如下命令,即可得到:
sysuse auto
数据展示如下:
数据为美国 1978 年汽车数据,包括产地、车名、行使里程、重量等变量
构造如下工具变量结构方程:
该方程中内生变量为turn,工具变量为weight、length、headroom;
首先使用ivreg2进行2SLS的估计:
ivreg2 mpg gear_ratio (turn=weight length headroom)
得到:
结果可以看到,turn变量的估计系数为-1.246426,z检验值为-6.33,p值为0.000,小于0.05,说明turn系数显著,且与mpg呈现负相关。
Underidentification test,方程的不可识别检验,得到LM统计值为26.822,p值=0.000,小于0.05,强烈拒绝“不可识别”的原假设。
Hansen J statistic的过度识别检验,得到卡方统计值为0.548,p值为0.7601,大于0.05,说明接受“过度拟合”的原假设;
Weak identification test弱工具变量检验,得到得到Wald-F统计值为30.303,KP Wald-F统计值为42.063,大于所有临界值,说明拒绝“弱工具变量”的原假设,即方程不存在弱工具变量。
对方程进行过度内生性检验:
ivreg2 mpg gear_ratio (turn=weight length headroom)estimates store ivregress mpg gear_ratio turn weight length headroomestimates store olshausman iv ols, constant sigmamore
Hausman检验得到统计值为-0.97,无法拒绝“所有解释变量均为外生”的原假设,说明方程存在内生性。
以上就是如何使用2SLS进行ivreg2估计及其检验,小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注创新互联行业资讯频道。
本文题目:如何使用2SLS进行ivreg2估计及其检验
文章路径:http://azwzsj.com/article/jgcigo.html