如何使用2SLS進行ivreg2估計及其檢驗

本篇文章給大家分享的是有關(guān)如何使用2SLS進行ivreg2估計及其檢驗，小編覺得挺實用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

作為OLS回歸不符合假定的問題，還包括解釋變量與隨機擾動項不相關(guān)。如果出現(xiàn)了違反該假設(shè)的問題，就需要找一個和解釋變量高度相關(guān)的、同時和隨機擾動項不相關(guān)的變量，作為工具變量進行回歸。工具變量通常采用二階段最小二乘法（2SLS）進行回歸，當隨機擾動項存在異方差或自相關(guān)的問題，2SLS就不是有效率的，就需要用GMM等方法進行估計，除此之外還需要對工具變量的弱工具性和內(nèi)生性進行檢驗。

以stata自帶的auto.dta數(shù)據(jù)為例，在stata輸入如下命令，即可得到：

sysuse auto

數(shù)據(jù)展示如下：

數(shù)據(jù)為美國 1978 年汽車數(shù)據(jù)，包括產(chǎn)地、車名、行使里程、重量等變量

構(gòu)造如下工具變量結(jié)構(gòu)方程：

該方程中內(nèi)生變量為turn，工具變量為weight、length、headroom；

首先使用ivreg2進行2SLS的估計：

ivreg2 mpg gear_ratio  (turn=weight length headroom)

得到：

結(jié)果可以看到，turn變量的估計系數(shù)為-1.246426，z檢驗值為-6.33，p值為0.000，小于0.05，說明turn系數(shù)顯著，且與mpg呈現(xiàn)負相關(guān)。

Underidentification test，方程的不可識別檢驗，得到LM統(tǒng)計值為26.822，p值=0.000，小于0.05，強烈拒絕“不可識別”的原假設(shè)。

Hansen J statistic的過度識別檢驗，得到卡方統(tǒng)計值為0.548，p值為0.7601，大于0.05，說明接受“過度擬合”的原假設(shè)；

Weak identification test弱工具變量檢驗，得到得到Wald-F統(tǒng)計值為30.303，KP Wald-F統(tǒng)計值為42.063，大于所有臨界值，說明拒絕“弱工具變量”的原假設(shè)，即方程不存在弱工具變量。

對方程進行過度內(nèi)生性檢驗：

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檢驗得到統(tǒng)計值為-0.97，無法拒絕“所有解釋變量均為外生”的原假設(shè)，說明方程存在內(nèi)生性。

以上就是如何使用2SLS進行ivreg2估計及其檢驗，小編相信有部分知識點可能是我們?nèi)粘９ぷ鲿姷交蛴玫降摹ＯＭ隳芡ㄟ^這篇文章學(xué)到更多知識。更多詳情敬請關(guān)注億速云行業(yè)資訊頻道。