python 工具变量回归_stata工具变量法一例:使用2SLS进行ivreg2估计及其检验

python 工具变量回归_stata工具变量法一例:使用2SLS进行ivreg2估计及其检验_第1张图片

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:

python 工具变量回归_stata工具变量法一例:使用2SLS进行ivreg2估计及其检验_第2张图片

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

2

构造结构方程与2SLS估计

构造如下工具变量结构方程:

d62ab9195e2af850fcd8472c2f2bfb02.png

你可能感兴趣的:(python,工具变量回归)