《高級(jí)計(jì)量經(jīng)濟(jì)分析及stata應(yīng)用》上海師范大學(xué)商學(xué)院第6章內(nèi)生協(xié)變量第6章內(nèi)生協(xié)變量6.1含內(nèi)生協(xié)變量的線性回歸6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析6.3

三階段最小二乘法6.4

廣義矩估計(jì)6.5

含連續(xù)內(nèi)生協(xié)變量的probit模型6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸6.8含內(nèi)生協(xié)變量的Tobit回歸6.9含內(nèi)生協(xié)變量的區(qū)間回歸6.10

含內(nèi)生協(xié)變量的泊松模型6.11

含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg6.12

含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸6.13

含內(nèi)生協(xié)變量的泊松模型6.14

內(nèi)生動(dòng)態(tài)面板門限回歸模型2025/4/1436.1含內(nèi)生協(xié)變量的線性回歸含內(nèi)生協(xié)變量的線性回歸模型為:

(6.2)

6.1含內(nèi)生協(xié)變量的線性回歸1.2SLS法與LIML法的參數(shù)估計(jì)值

6.1含內(nèi)生協(xié)變量的線性回歸2.GMM法的參數(shù)估計(jì)值通過使用2SLS估計(jì)，得到了的初始一致的參數(shù)估計(jì)值。利用參數(shù)的這個(gè)估計(jì)，可以計(jì)算加權(quán)矩陣W和參數(shù)的GMM估計(jì)量:

參數(shù)GMM估計(jì)量的方差為:

6.1含內(nèi)生協(xié)變量的線性回歸單方程工具變量回歸估計(jì)的Stata命令為:

ivregressestimatordepvar[varlist1](varlist2=varlist_iv)[if][in][weight][,options]菜單操作為:Statistics>Endogenouscovariates>Linearregressionwithendogenouscovariates2.GMM法的參數(shù)估計(jì)值ivregress擬合線性模型，其中一個(gè)或多個(gè)回歸系數(shù)是內(nèi)生確定的。ivregress支持通過兩階段最小二乘法(2SLS)、有限信息最大似然法(LIML)和廣義矩量法(GMM)進(jìn)行估計(jì)。6.1含內(nèi)生協(xié)變量的線性回歸例6.1含內(nèi)生協(xié)變量的線性回歸下面用Stata自帶數(shù)據(jù)集hsng2.dta說明實(shí)現(xiàn)。我們有1980年人口普查的州數(shù)據(jù)，包括自住房屋的美元價(jià)值中值(hsngval)和月總租金中值(租金)。我們希望為租金模型化為Hnsgval和城市地區(qū)人口百分比(pcturban)的函數(shù):6.1含內(nèi)生協(xié)變量的線性回歸例6.1含內(nèi)生協(xié)變量的線性回歸(1)*下載數(shù)據(jù)集

.webusehsng2

*2SLS估計(jì).ivregress2slsrentpcturban(hsngval=faminci.region),small6.1含內(nèi)生協(xié)變量的線性回歸例6.1含內(nèi)生協(xié)變量的線性回歸*LIML估計(jì)

.ivregresslimlrentpcturban(hsngval=faminci.region)6.1含內(nèi)生協(xié)變量的線性回歸例6.1含內(nèi)生協(xié)變量的線性回歸*使用默認(rèn)的異方差穩(wěn)健權(quán)重矩陣，通過GMM擬合回歸.ivregressgmmrentpcturban(hsngval=faminci.region)6.1含內(nèi)生協(xié)變量的線性回歸例6.1含內(nèi)生協(xié)變量的線性回歸*使用異方差穩(wěn)健權(quán)重矩陣通過GMM擬合回歸，要求非穩(wěn)健標(biāo)準(zhǔn)誤差.ivregressgmmrentpcturban(hsngval=faminci.region),vce(unadjusted)6.1含內(nèi)生協(xié)變量的線性回歸例6.1含內(nèi)生協(xié)變量的線性回歸*通過2SLS擬合具有內(nèi)生因子交互作用的回歸

.ivregress2slsrentpcturban(c.popgrow##c.popgrow=c.faminc##c.faminci.region)

6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/1414

6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14156.2.1含連續(xù)內(nèi)生協(xié)變量的面板數(shù)據(jù)的擴(kuò)展線性回歸分析

6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14166.2.1含連續(xù)內(nèi)生協(xié)變量的面板數(shù)據(jù)的擴(kuò)展線性回歸分析

對(duì)數(shù)似然函數(shù)為:

6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14176.2.2

二元和有序內(nèi)生協(xié)變量

6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14186.2.2

二元和有序內(nèi)生協(xié)變量

如果方差和相關(guān)參數(shù)不是特定于水平的，那么：

6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14196.2.2

二元和有序內(nèi)生協(xié)變量

從這里，我們討論了有序內(nèi)生協(xié)變量模型。二元函數(shù)的內(nèi)生協(xié)變量結(jié)果是相似的。6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14206.2.2

二元和有序內(nèi)生協(xié)變量

(6.17)連續(xù)結(jié)果的條件預(yù)期值為：(6.18)6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14216.2.3probit

內(nèi)生樣本選擇

(6.19)

結(jié)果yi的線性回歸與si上的選擇形式為：(6.20)6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14

(6.22)對(duì)于選擇標(biāo)示變量，其下限和上限為:模型(6.19)的對(duì)數(shù)似然函數(shù)為:(6.21)

6.2.3probit內(nèi)生樣本選擇6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14

(6.24)

6.2.4Tobit內(nèi)生樣本選擇(6.23)6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14246.2.4Tobit內(nèi)生樣本選擇

(6.25)6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/14256.2.4Tobit

內(nèi)生樣本選擇

(6.26)6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/1426Stata估計(jì)命令為:(1)具有內(nèi)生協(xié)變量的基本線性回歸

eregressdepvar[indepvars],endogenous(depvars_en=varlist_en)[options](2)帶樣本選擇的基本線性回歸

eregressdepvar[indepvars],select(depvar_s=varlist_s)[options](3)Tobit樣本選擇的基本線性回歸

eregressdepvar[indepvars],tobitselect(depvar_s=varlist_s)[options](4)結(jié)合內(nèi)生協(xié)變量、處理和選擇的線性回歸

eregressdepvar[indepvars][if][in][weight][,extensionsoptions]6.2.4Tobit內(nèi)生樣本選擇6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析

2025/4/1427模型拓展選項(xiàng)(options)有:?

endogenous(enspec):內(nèi)生協(xié)變量的模型;可能會(huì)重復(fù);?

entreat(entrspec):內(nèi)生產(chǎn)量效應(yīng)分配的模型;?

extreat(extrspec):外生處理;?

select(selspec):用probit模型進(jìn)行選擇;?

tobitselect(tselspec):tobit選擇模型模型設(shè)定選項(xiàng)(options)有:?

noconstant:無常數(shù)項(xiàng);?

offset(varname_o):將varname_o包含在系數(shù)約束為1的模型中;?

constraints(numlist):應(yīng)用指定的線性約束。6.2.4Tobit內(nèi)生樣本選擇6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析2025/4/14286.2.4Tobit內(nèi)生樣本選擇菜單操作為:Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Linearregressioneregress擬合一個(gè)線性回歸模型，該模型考慮了內(nèi)生協(xié)變量、非隨機(jī)處理分配和內(nèi)生樣本選擇的任何組合。允許使用連續(xù)、二元和有序的內(nèi)生協(xié)變量。處理分配可以是內(nèi)生的，也可以是外生的。probit或tobit模型可用于解釋內(nèi)生樣本選擇。6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析例6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析。這所虛構(gòu)的州立大學(xué)正在研究它錄取的學(xué)生的高中平均績(jī)點(diǎn)(GPA)與他們的最終大學(xué)GPA之間的關(guān)系。他們懷疑未觀察到的能力會(huì)影響高中和大學(xué)的平均成績(jī)。因此，高中GPA是一個(gè)內(nèi)生協(xié)變量。州立大學(xué)的研究人員利用2010年畢業(yè)的2500名學(xué)生的數(shù)據(jù)，將大學(xué)GPA作為高中GPA的函數(shù)。在這兩種情況下，GPA均以0.01為增量進(jìn)行測(cè)量，我們忽略了邊界點(diǎn)引起的并發(fā)癥。也忽略了U州的輟學(xué)率很高，這些學(xué)生的大學(xué)平均績(jī)點(diǎn)缺失，研究人員只剩下大約1500名學(xué)生的樣本。2025/4/14296.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析例6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析。

州立大學(xué)的研究人員預(yù)計(jì)，一旦控制了高中GPA，高中競(jìng)爭(zhēng)力對(duì)大學(xué)GPA的影響可以忽略不計(jì)。所以，他們將高中排名(hscomp)作為高中GPA的工具性協(xié)變量。其中包括家長(zhǎng)收入(以10萬美元為單位)，他們認(rèn)為這也可能影響學(xué)生的表現(xiàn)，主要模型和高中GPA模型都是如此。(1)*清理內(nèi)存，下載數(shù)據(jù)集.clear

.webuseclass10

2025/4/14306.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析例6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析。(2)*具有連續(xù)內(nèi)生協(xié)變量hsgpa的線性回歸

.eregressgpaincome,endogenous(hsgpa=incomei.hscomp)2025/4/14316.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析例6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析。主方程和輔助方程誤差之間的相關(guān)性估計(jì)為0.26。z統(tǒng)計(jì)量可用于無內(nèi)生性的零假設(shè)的Wald檢驗(yàn)。研究人員拒絕了這一假設(shè)。由于這一估計(jì)是正面的，他們得出結(jié)論，增加高中平均成績(jī)的不可觀察因素往往也會(huì)增加大學(xué)平均成績(jī)。

2025/4/14326.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析例6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析。

(3)*清理內(nèi)存，下載數(shù)據(jù)集

.clear

.webusewageed

(4)*二元內(nèi)生協(xié)變量線性回歸.eregresswagec.age##c.agetenure,endogenous(college=i.peduc,probit)2025/4/14336.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析例6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析。(5)*具有外生處理的線性回歸

.eregresswagec.age##c.agetenure,extreat(college)2025/4/14346.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析例6.2含內(nèi)生協(xié)變量的擴(kuò)展線性回歸分析。(6)*具有穩(wěn)健的標(biāo)準(zhǔn)誤差估計(jì)

.eregresswagec.age##c.agetenure,extreat(college)vce(robust)2025/4/14356.3三階段最小二乘法2025/4/1436reg3估計(jì)結(jié)構(gòu)方程組，其中一些方程包含解釋變量中的內(nèi)生變量。一般來說，這些內(nèi)生變量是系統(tǒng)中其他方程的因變量（詳見第10章），但并不總是如此。這種擾動(dòng)項(xiàng)與內(nèi)生變量有關(guān)，這違反OLS經(jīng)典假設(shè)。此外，因?yàn)橐恍┙忉屪兞渴窍到y(tǒng)中其他方程的因變量，方程之間的誤差項(xiàng)是相互關(guān)聯(lián)。reg3使用工具變量方法來產(chǎn)生一致的估計(jì)，用廣義最小二乘法(GLS)解釋整個(gè)系統(tǒng)中擾動(dòng)的相關(guān)結(jié)構(gòu)方程。6.3三階段最小二乘法2025/4/1437三階段最小二乘法(3SLS)可以被認(rèn)為是通過三步過程產(chǎn)生估計(jì)。

第一步，為所有內(nèi)生變量發(fā)展工具變量值。這些工具變量的值可以只需將其視為各內(nèi)生變量關(guān)于系統(tǒng)中所有外生變量回歸后的預(yù)測(cè)值。此階段與2SLS中的第一步相同，這一點(diǎn)對(duì)參數(shù)估計(jì)的一致性至關(guān)重要。第二步。獲得方程擾動(dòng)項(xiàng)協(xié)方差矩陣的一致估計(jì)。這些估計(jì)基于每個(gè)結(jié)構(gòu)方程的2SLS估計(jì)的殘差。第三步。使用第二階段中估計(jì)的協(xié)方差矩陣執(zhí)行GLS類型估計(jì)，并用工具變量值代替右側(cè)的內(nèi)生變量。6.3三階段最小二乘法

2025/4/1438聯(lián)立方程組的三階段最小二乘估計(jì)法估計(jì)的Stata命令reg3的基本語法格式為:

reg3(depvar1varlist1)(depvar2varlist2)...(depvarNvarlistN)[if][in][weight]完整語法格式為:reg3([eqname1:]depvar1a[depvar1b...=]varlist1[,noconstant])

([eqname2:]depvar2a[depvar2b...=]varlist2[,noconstant])...

([eqnameN:]depvarNa[depvarNb...=]varlistN[,noconstant])[if][in][weight][,options]

6.3三階段最小二乘法2025/4/1439菜單操作為:Statistics>Endogenouscovariates>Three-stageleastsquares

reg3估計(jì)一個(gè)結(jié)構(gòu)方程組，其中一些方程包含解釋變量中的內(nèi)生變量。通常，內(nèi)生的解釋變量是系統(tǒng)中其他方程的因變量。通過三階段最小二乘法(3SLS)進(jìn)行估計(jì);reg3支持迭代GLS估計(jì)和線性約束。reg3還可以通過看似無關(guān)的回歸估計(jì)(SERE)、多元回歸(MVREG)和方程逐步普通最小二乘法(OLS)或兩階段最小二乘法(2SLS)來估計(jì)方程組。

6.3三階段最小二乘法2025/4/1440例6.3三階段最小二乘法。下面用Stata自帶數(shù)據(jù)說明實(shí)現(xiàn)。一個(gè)簡(jiǎn)單的宏觀經(jīng)濟(jì)模型將消費(fèi)(consump)與私人和政府工資支付(wagepriv和wagegovt)聯(lián)系起來。同時(shí)，私人工資取決于消費(fèi)、政府總開支支出(govt)，以及經(jīng)濟(jì)中滯后的資本存量(capital1)。雖然這不是一個(gè)合理的模型，它確實(shí)符合簡(jiǎn)單的標(biāo)準(zhǔn)。這個(gè)模型可以寫成:6.3三階段最小二乘法2025/4/1441估計(jì)命令如下:1.3SLS

(1)*清理內(nèi)存，下載數(shù)據(jù)

.clear

.use/data/r17/klein(2)*三階段最小二乘法

.reg3(consumpwageprivwagegovt)(wageprivconsumpgovtcapital1)例6.3三階段最小二乘法。6.3三階段最小二乘法2025/4/1442例6.3三階段最小二乘法。6.3三階段最小二乘法2025/4/1443例6.3三階段最小二乘法。

*2.全局估計(jì)(1)*清理內(nèi)存，下載數(shù)據(jù).clear

.webusesupDem(2)*在全局宏中存儲(chǔ)方程.globaldemand"(qDemand:quantitypricepcompeteincome)".globalsupply"(qSupply:quantitypricepraw)”(3)*估算系統(tǒng)，將價(jià)格指定為內(nèi)生.reg3$demand$supply,endog(price)

6.3三階段最小二乘法2025/4/1444例6.3三階段最小二乘法。6.3三階段最小二乘法2025/4/1445例6.3三階段最小二乘法。

*3.有約束的估計(jì)

(1)*清理內(nèi)存，下載數(shù)據(jù)

.clear

.webuseklein

(2)*在全局宏中存儲(chǔ)方程和變量列表

.globalconseqn"(consumpprofitsprofits1wagetot)"

.globalinveqn"(investprofitsprofits1capital1)"

.globalwageqn"(wageprivtotinctotinc1year)"

.globalenlist"wagetotprofitstotinc"

.globalexlist"taxnetxwagegovtgovt”6.3三階段最小二乘法2025/4/1446例6.3三階段最小二乘法。(3)*估計(jì)系統(tǒng)，指定內(nèi)生和外生變量列表;迭代直到估計(jì)值收斂

.reg3$conseqn$inveqn$wageqn,endog($enlist)exog($exlist)ireg36.3三階段最小二乘法2025/4/1447例6.3三階段最小二乘法。(4)*修正消費(fèi)方程

.globalconseqn"(consumpprofitsprofits1wageprivwagegovt)"(5)*消費(fèi)方程中wagepriv和wagegovt的約束系數(shù)相等.constraint1[consump]wagepriv=[consump]wagegovt(6)*約束下的估計(jì)系統(tǒng)

.reg3$conseqn$inveqn$wageqn,endog($enlist)exog($exlist)constr(1)ireg36.3三階段最小二乘法2025/4/1448例6.3三階段最小二乘法。6.4廣義矩估計(jì)普通最小二乘法(OLS)、加權(quán)最小二乘法(WLS)、廣義最小二乘法(GLS)都有一定的局限性，只有在滿足一定的條件時(shí)，其參數(shù)估計(jì)才是有效和無偏的，而廣義矩估計(jì)法(GneralizedMethodofMoments，GMM)則不受模型假定的限制，不要求隨機(jī)誤差項(xiàng)要非自相關(guān)，不存在異方差，并且其得到的參數(shù)估計(jì)值比其他估計(jì)方法得到的參數(shù)估計(jì)值更與實(shí)際值接近。可以認(rèn)為，廣義矩估計(jì)法(GMM)包容了普通最小二乘法、加權(quán)最小二乘法、廣義最小二乘法。2025/4/14496.4廣義矩估計(jì)2025/4/1450

6.4廣義矩估計(jì)2025/4/1451

(6.27)

6.4廣義矩估計(jì)2025/4/1452廣義矩估計(jì)法是矩估計(jì)法的一般化。廣義矩估計(jì)法的原理是，設(shè)定參數(shù)滿足的理論關(guān)系，然后選擇參數(shù)估計(jì)盡可能接近理論關(guān)系，即把理論關(guān)系用樣本近似值代替，求解使理論值和實(shí)際值之間的加權(quán)距離最小化的參數(shù)估計(jì)量，即可得到有效參數(shù)估計(jì)值。則參數(shù)β的GMM估計(jì)值的最小化加權(quán)平均矩的距離函數(shù)為:

(6.28)

6.4廣義矩估計(jì)2025/4/1453

(6.29)

6.4廣義矩估計(jì)2025/4/1454

樣本矩的協(xié)方差矩陣為(6.30)(6.31)

6.4廣義矩估計(jì)交互式版本:gmm([reqname1:]rexp_1)([reqname2:]rexp_2)...[if][in][weight][,options]矩計(jì)算程序版本:gmmmoment_prog[if][in][weight],{equations(namelist)|nequations(#)}{parameters(namelist)|nparameters(#)}[options][program_options]

其中，reqname_j是第j個(gè)殘差方程名稱，rexp_j是第j個(gè)殘差方程的可替代表達(dá)式，并且moment_prog是一個(gè)momentevaluator程序。2025/4/1455GMM估計(jì)是一種大樣本估計(jì)。在大樣本的情況下，GMM估計(jì)是漸進(jìn)有效的，在小樣本情況下是無效的。所以，只有對(duì)大樣本數(shù)據(jù)建模分析時(shí)，才能使用廣義矩估計(jì)法。廣義矩估計(jì)法的Stata命令為:6.4廣義矩估計(jì)2025/4/1456菜單操作路徑為:Statistics>Endogenouscovariates>Generalizedmethodofmomentsestimationgmm執(zhí)行廣義矩(gmm)估計(jì)法。在命令的交互式版本中，可以直接在對(duì)話框中或在命令行中使用“替換”命令輸入每個(gè)矩條件的殘差公式表達(dá)。即時(shí)評(píng)估程序版本為您提供了更大的靈活性，以換取更高的復(fù)雜性;在這個(gè)版本中，您可以在ado文件中編寫一個(gè)程序，根據(jù)傳遞給它的參數(shù)向量計(jì)算矩。6.4廣義矩估計(jì)2025/4/1457例6.4廣義矩估計(jì)法。

我們提到2SLS可以被視為GMM估計(jì)量。在ivregress中，我們通過2SLS模型擬合租金(租金)作為自住房屋價(jià)值(hsngval)和居住在城市地區(qū)的人口百分比(pcturban)的函數(shù):我們認(rèn)為，影響租金的隨機(jī)沖擊可能也會(huì)影響房屋價(jià)值，所以我們作為內(nèi)生變量處理了hsngval。作為附加工具變量，我們使用了家庭收入、faminc和三個(gè)區(qū)域虛擬變量(reg2-reg4)。6.4廣義矩估計(jì)2025/4/1458例6.4廣義矩估計(jì)法。

為了使用gmm重現(xiàn)ivregress2sls的結(jié)果，我們輸入:(1)*清理內(nèi)存，下載數(shù)據(jù)

.clear.use/data/r17/hsng2

(2)*gmm估計(jì)

.gmm(rent-{xb:hsngvalpcturban_cons}),instruments(pcturbanfamincreg2-reg4)vce(unadjusted)onestep6.4廣義矩估計(jì)2025/4/1459例6.4廣義矩估計(jì)法。

6.4廣義矩估計(jì)2025/4/1460例6.4廣義矩估計(jì)法。

(3)*我們現(xiàn)在允許殘差是異方差的，盡管我們將保持這樣的假設(shè):他們是獨(dú)立的.gmm(rent-{xb:hsngvalpcturban_cons}),instruments(pcturbanfamincreg2-reg4)6.5含連續(xù)內(nèi)生協(xié)變量的probit模型2025/4/1461含連續(xù)內(nèi)生協(xié)變量的probit模型為：(6.32)(6.33)

(6.34)6.5含連續(xù)內(nèi)生協(xié)變量的probit模型2025/4/1462

6.5含連續(xù)內(nèi)生協(xié)變量的probit模型

6.5含連續(xù)內(nèi)生協(xié)變量的probit模型

6.5含連續(xù)內(nèi)生協(xié)變量的probit模型2025/4/1465

6.5含連續(xù)內(nèi)生協(xié)變量的probit模型2025/4/1466含連續(xù)內(nèi)生協(xié)變量的probit模型估計(jì)的命令語法格式為:(1)最大似然估計(jì)法:ivprobitdepvar[varlist1](varlist2=varlist_iv)[if][in][weight][,mle_options](2)兩步估計(jì)法

ivprobitdepvar[varlist1](varlist2=varlist_iv)[if][in][weight],twostep[tse_options]其中，varlist1是外生變量列表。varlist2是內(nèi)生變量列表。

varlist_iv是與varlist1一起使用的外部變量列表，作為varlist2的工具。6.5含連續(xù)內(nèi)生協(xié)變量的probit模型2025/4/1467菜單操作路徑為:

Statistics>Endogenouscovariates>Probitmodelwithendogenouscovariates

ivprobit適用于二元因變量模型，其中一個(gè)或多個(gè)協(xié)變量是內(nèi)生的，誤差是正態(tài)分布的。默認(rèn)情況下，ivprobit使用最大似然估計(jì)，但可以請(qǐng)求Newey(1987)的最小卡方(兩步)估計(jì)。兩種估計(jì)都假設(shè)內(nèi)生協(xié)變量是連續(xù)的，因此不適合與離散的內(nèi)生協(xié)變量一起使用。6.5含連續(xù)內(nèi)生協(xié)變量的probit模型2025/4/1468例6.5含連續(xù)內(nèi)生協(xié)變量的probit模型估計(jì)。我們有500個(gè)雙親家庭的假設(shè)數(shù)據(jù)，我們希望對(duì)女性是否就業(yè)進(jìn)行建模。我們有一個(gè)變量femwork，如果她有工作，它等于1，否則等于0。她工作的決定取決于家里孩子的數(shù)量，已完成受教育的年限(femeduc)，其他家庭收入以千美元計(jì)(其他公司)。我們懷疑，影響女性工作決定的不可觀察的沖擊也會(huì)影響家庭的其他收入。因此，我們將其他inc視為內(nèi)生的。作為一種工具，我們使用男子完成學(xué)業(yè)的年數(shù)(男性教育)。

6.5含連續(xù)內(nèi)生協(xié)變量的probit模型2025/4/1469例6.5含連續(xù)內(nèi)生協(xié)變量的probit模型估計(jì)。.*下載數(shù)據(jù)

.webuselaborsup

.*最大似然估計(jì)法

.ivprobitfem_workfem_educkids(other_inc=male_educ)

6.5含連續(xù)內(nèi)生協(xié)變量的probit模型2025/4/1470例6.5含連續(xù)內(nèi)生協(xié)變量的probit模型估計(jì)。.*兩步估計(jì)法

.ivprobitfem_workfem_educkids(other_inc=male_educ),twostep

6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/1471

(6.35)

(6.36)

(6.37)6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/1472

(6.38)則對(duì)數(shù)似然函數(shù)(6.36)可以化簡(jiǎn)為:(6.39)成功的條件概率可以用類似的符號(hào)表示為：(6.40)6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14736.6.1連續(xù)內(nèi)生協(xié)變量

(6.41)(6.42)

6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14746.6.1連續(xù)內(nèi)生協(xié)變量我們可以將因變量的聯(lián)合密度寫為乘積:

6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14756.6.1連續(xù)內(nèi)生協(xié)變量

(6.43)

(6.44)6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14766.6.2二元和有序內(nèi)生協(xié)變量

(6.44)

6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14776.6.2二元和有序內(nèi)生協(xié)變量

6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14786.6.2二元和有序內(nèi)生協(xié)變量

6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14796.6.2二元和有序內(nèi)生協(xié)變量

(6.46)(6.47)6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14806.6.2二元和有序內(nèi)生協(xié)變量

(6.48)6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14816.6.2二元和有序內(nèi)生協(xié)變量

(6.49)(6.50)6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14826.6.2二元和有序內(nèi)生協(xié)變量

擴(kuò)展probit回歸的命令語法格式為:

(1)具有內(nèi)生協(xié)變量的基本probit回歸

eprobitdepvar[indepvars],endogenous(depvars_en=varlist_en)[options](2)樣本選擇的基本probit回歸

eprobitdepvar[indepvars],select(depvar_s=varlist_s)[options](3)基于tobit樣本選擇的基本probit回歸

eprobitdepvar[indepvars],tobitselect(depvar_s=varlist_s)[options]擴(kuò)展模型選項(xiàng)有:endogenous(enspec):內(nèi)生協(xié)變量的模型，可以重復(fù);select(selspec):用probit模型選擇;tobitselect(tselspec):用tobit模型選擇。6.6含內(nèi)生協(xié)變量的擴(kuò)展probit回歸2025/4/14836.6.2二元和有序內(nèi)生協(xié)變量

菜單操作：Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Probitregressioneprobit擬合probit回歸模型，該模型可容納內(nèi)生協(xié)變量、非隨機(jī)處理分配和內(nèi)生樣本選擇的任意組合。允許使用連續(xù)、二元和有序的內(nèi)生協(xié)變量。處理分配可以是內(nèi)源性的，也可以是外源性的。probit或tobit模型可用于解釋內(nèi)生樣本選擇。6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸2025/4/1484

(6.51)(6.52)

6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸2025/4/1485對(duì)應(yīng)的上下限為：

(6.53)

(6.54)6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸2025/4/14866.7.1連續(xù)內(nèi)生協(xié)變量

(6.55)(6.56)6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸2025/4/14876.7.1連續(xù)內(nèi)生協(xié)變量

6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸2025/4/14886.7.1連續(xù)內(nèi)生協(xié)變量

(6.57)

(6.58)6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸2025/4/14896.7.2二元和有序內(nèi)生協(xié)變量

(6.59)

6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸2025/4/14906.7.2二元和有序內(nèi)生協(xié)變量

(6.60)(6.61)6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸2025/4/14916.7.2二元和有序內(nèi)生協(xié)變量擴(kuò)展有序probit回歸的命令語法格式為:(1)具有內(nèi)生協(xié)變量的基本有序probit回歸eoprobitdepvar[indepvars],endogenous(depvars_en=varlist_en)[options](2)樣本選擇的基本有序probit回歸eoprobitdepvar[indepvars],select(depvar_s=varlist_s)[options](3)基于tobit樣本選擇的基本有序probit回歸eoprobitdepvar[indepvars],tobitselect(depvar_s=varlist_s)[options]

6.7含內(nèi)生協(xié)變量的擴(kuò)展有序probit回歸2025/4/14926.7.2二元和有序內(nèi)生協(xié)變量菜單操作:Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Orderedprobitregressioneoprobit符合有序probit回歸模型，該模型可容納內(nèi)生協(xié)變量、非隨機(jī)處理分配和內(nèi)生樣本選擇的任意組合。允許使用連續(xù)、二元和有序的內(nèi)生協(xié)變量。處理分配可以是內(nèi)源性的，也可以是外源性的。probit或tobit模型可用于解釋內(nèi)生樣本選擇。

6.8含內(nèi)生協(xié)變量的Tobit回歸2025/4/1493

(6.62)(6.63)6.8含內(nèi)生協(xié)變量的Tobit回歸2025/4/1494

(6.64)6.8含內(nèi)生協(xié)變量的Tobit回歸2025/4/1495(6.65)

(6.66)6.8含內(nèi)生協(xié)變量的Tobit回歸2025/4/1496(2)兩步估計(jì)法:

ivtobitdepvar[varlist1](varlist2=varlist_iv)[if][in][weight],twostepll[(#)]ul[(#)][tse_options]其中選項(xiàng)為:varlist1是外生變量列表。varlist2是內(nèi)生變量列表。varlist_iv是與varlist1一起使用的外部變量列表，作為varlist2的工具。*ll[(#)]:左刪失限制

*ul[(#)]:右刪失限制

mle:使用條件極大似然估計(jì);默認(rèn)值constraints(constraints):應(yīng)用指定的線性約束*twostep:使用Newey的兩步估計(jì)量;

6.8含內(nèi)生協(xié)變量的Tobit回歸2025/4/1497菜單操作路徑為:Statistics>Endogenouscovariates>Tobitmodelwithendogenouscovariates

ivtobit適合tobit模型，其中一個(gè)或多個(gè)協(xié)變量是內(nèi)生確定的。默認(rèn)情況下，ivtobit使用最大似然估計(jì)，但可以請(qǐng)求Newey(1987)的最小卡方(兩步)估計(jì)。兩種估計(jì)都假設(shè)內(nèi)生協(xié)變量是連續(xù)的，因此不適合與離散的內(nèi)生協(xié)變量一起使用。

6.8含內(nèi)生協(xié)變量的Tobit回歸2025/4/1498例6.6含內(nèi)生協(xié)變量的Tobit回歸(1)我們模擬了高中男生每周使用社交媒體((hsocial)的小時(shí)數(shù)。數(shù)據(jù)收集過程導(dǎo)致在12小時(shí)內(nèi)對(duì)花費(fèi)的小時(shí)數(shù)進(jìn)行審查。因此，托比特型模型對(duì)于我們的數(shù)據(jù)是合理的。我們根據(jù)每個(gè)男孩是否有智能手機(jī)(sphone)、家里是否有電腦(computer)、高中入學(xué)年份(year)和每周學(xué)習(xí)時(shí)間(hstudy)來模擬每個(gè)男孩使用社交媒體的時(shí)間。我們認(rèn)為，有一些不可觀察的變量同時(shí)影響hstudy和social，也就是說hstudy是內(nèi)生的。因?yàn)閔study是內(nèi)生的，所以我們也必須對(duì)其進(jìn)行建模。我們的內(nèi)生性hstudy研究模型始終包括用于模擬hsocial結(jié)果的外生協(xié)變量。

6.8含內(nèi)生協(xié)變量的Tobit回歸2025/4/1499例6.6含內(nèi)生協(xié)變量的Tobit回歸(1)我們還必須在內(nèi)源性HST研究的模型中至少包含一個(gè)協(xié)變量，該協(xié)變量未包含在hsocial結(jié)果的模型中。我們使用帶默認(rèn)最大似然估計(jì)量的ivtobit對(duì)內(nèi)生變量hstudy進(jìn)行建模，作為父母最高教育程度(pedu)、看電視時(shí)間(tvhours)和用于建模hsocial的外部協(xié)變量的函數(shù)。

6.8含內(nèi)生協(xié)變量的Tobit回歸2025/4/14100例6.6含內(nèi)生協(xié)變量的Tobit回歸(1).*清理內(nèi)存，下載數(shù)據(jù)

.clear.use/data/r17/smedia

(Fictionaldataonhoursspentonsocialmedia)

.ivtobithsociali.sphoneputeri.year(hstudy=tvhoursi.pedu),ul(12)

6.8含內(nèi)生協(xié)變量的Tobit回歸2025/4/14101例6.6含內(nèi)生協(xié)變量的Tobit回歸(1)

在表下，我們看到了瓦爾德檢驗(yàn)，以確定主方程(預(yù)測(cè)hstudy)的殘差與輔助方程(預(yù)測(cè)hsocial)的殘差之間的相關(guān)性是否為0。相關(guān)性本身為0.47，表中顯示為corr(e.hstudy，e.hsocial)。如果檢驗(yàn)統(tǒng)計(jì)量不顯著，則樣本中沒有足夠的信息來拒絕無內(nèi)生性的無效假設(shè)。在我們的例子中，我們拒絕了支持我們選擇解釋內(nèi)生性的托比特模型的無效假設(shè)。6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/141026.9.1區(qū)間回歸

(6.67)

6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/141036.9.1區(qū)間回歸

對(duì)數(shù)似然函數(shù)：(6.68)

6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/141046.9.2連續(xù)內(nèi)生協(xié)變量區(qū)間回歸模型為：(6.69)零均值的正態(tài)隨機(jī)項(xiàng)的協(xié)方差矩陣為：

6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/141056.9.2連續(xù)內(nèi)生協(xié)變量

(6.70)

6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/141066.9.3二元和有序內(nèi)生協(xié)變量的回歸模型估計(jì)

(6.71)6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/14107

6.9.3二元和有序內(nèi)生協(xié)變量的回歸模型估計(jì)6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/14108

6.9.3二元和有序內(nèi)生協(xié)變量的回歸模型估計(jì)(6.72)6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/14109含內(nèi)生協(xié)變量的擴(kuò)展區(qū)間回歸的命令語法格式為:(1)具有內(nèi)生協(xié)變量的基本區(qū)間回歸:eintregdepvar_1depvar_2[indepvars],endogenous(depvars_en=varlist_en)[options](2)帶樣本選擇的基本區(qū)間回歸:eintregdepvar_1depvar_2[indepvars],select(depvar_s=varlist_s)[options]

(3)Tobit樣本選擇的基本區(qū)間回歸:eintregdepvar_1depvar_2[indepvars],tobitselect(depvar_s=varlist_s)[options]6.9.3二元和有序內(nèi)生協(xié)變量的回歸模型估計(jì)6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/141106.9.3二元和有序內(nèi)生協(xié)變量的回歸模型估計(jì)extensions選項(xiàng)有:endogenous(enspec):內(nèi)生協(xié)變量的模型;可以重復(fù)select(selspec):用probit模型選擇tobitselect(tselspec):用tobit模型供選擇6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/141116.9.3二元和有序內(nèi)生協(xié)變量的回歸模型估計(jì)菜單操作為:Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Intervalregressioneintreg擬合了一個(gè)區(qū)間回歸模型，該模型可容納內(nèi)生協(xié)變量、非隨機(jī)處理分配和內(nèi)生樣本選擇的任意組合。允許使用連續(xù)、二元和有序的內(nèi)生協(xié)變量。處理分配可以是內(nèi)生的，也可以是外生的。probit或tobit模型可用于解釋內(nèi)生樣本選擇。

6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/14112例6.8具有連續(xù)內(nèi)生協(xié)變量的區(qū)間回歸。.

*下載數(shù)據(jù).

clearall.

webuseclass10

(Classof2010profile)

.*內(nèi)生協(xié)變量hsgpa的區(qū)間回歸

.eintreggpalgpauincome,endogenous(hsgpa=incomei.hscomp)6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/14113例6.8具有連續(xù)內(nèi)生協(xié)變量的區(qū)間回歸。.margins,at(hsgpa=(23))contrast(at(r)effectsnowald)6.9含內(nèi)生協(xié)變量的區(qū)間回歸2025/4/14114例6.8具有連續(xù)內(nèi)生協(xié)變量的區(qū)間回歸。.*考慮內(nèi)生樣本選擇

.eintreggpalgpauincome,endogenous(hsgpa=incomei.hscomp)select(graduate=hsgpaincomei.roommategram)

6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14115ivpoisson中的估計(jì)量是GMM估計(jì)量，可以用誤差函數(shù)和用于形成矩條件的工具來表示。文中給出了GMM估計(jì)量的誤差函數(shù)。這里，我們提供了有關(guān)CF估計(jì)所使用的誤差函數(shù)形式的一些詳細(xì)信息。泊松模型的加法形式為：加法泊松模型的誤差函數(shù)為：(6.73)(6.74)6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14116

(6.75)(6.76)(6.77)6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14117

(6.78)(6.79)6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14118

(6.80)6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14119

(6.81)

6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14120

(6.82)

6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14121含內(nèi)生協(xié)變量的泊松模型估計(jì)的命令語法格式為:

(1)廣義矩估計(jì)法

ivpoissongmmdepvar[varlist1][(varlist2=varlist_iv)][if][in][weight][,reg_err_optoptions]

其中reg_err_opt選項(xiàng):

additive:條件平均項(xiàng)加總回歸誤差;默認(rèn)值

multiplicative:條件平均項(xiàng)乘回歸誤差6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14122(2)控制函數(shù)估計(jì)法

ivpoissoncfunctiondepvar[varlist1](varlist2=varlist_iv)[if][in][weight][,options]

控制函數(shù)估計(jì)法options有:

noconstant:抑制常數(shù)項(xiàng)

exposure(varname_e):包括系數(shù)約束為1的模型中的ln(varname\ue)offset(varname_o):在系數(shù)約束為1的模型中包括varname\uo

*twostep:使用兩步GMM估計(jì);默認(rèn)值為ivpoissongmm

*onestep:使用一步GMM估計(jì);默認(rèn)值為ivpoissonC函數(shù)

*igmm:使用迭代GMM估計(jì)法

6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14123

菜單操作路徑為:

Statistics>Endogenouscovariates>Poissonmodelwithendogenouscovariatesivpoisson估計(jì)Poisson回歸模型的參數(shù)，其中一些協(xié)變量是內(nèi)生的。該模型也稱為指數(shù)條件平均模型，其中一些協(xié)變量是內(nèi)生的。可以使用加法或乘法誤差項(xiàng)指定模型。該模型經(jīng)常用于對(duì)結(jié)果計(jì)數(shù)進(jìn)行建模，也用于對(duì)非負(fù)性結(jié)果變量進(jìn)行建模。

6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14124例6.9含內(nèi)生協(xié)變量的泊松模型估計(jì)(1)。

一家新聞網(wǎng)站在一個(gè)大城市隨機(jī)抽取了500名年輕人,希望根據(jù)被抽樣的個(gè)人在互聯(lián)網(wǎng)上花費(fèi)的總時(shí)間(time)和他們通過電子郵件或查看其他網(wǎng)站(visits)收到該網(wǎng)站廣告的次數(shù)。我們懷疑花在互聯(lián)網(wǎng)上的時(shí)間與未觀察到的因素相關(guān)，這些因素會(huì)進(jìn)一步影響個(gè)人訪問網(wǎng)站的次數(shù)。因此，我們將時(shí)間視為內(nèi)生回歸量。此變量使用兩種工具。花在電話上的時(shí)間是一種工具。另一個(gè)工具是與住在外地的朋友和家人互動(dòng)的時(shí)間(frfam)。我們使用帶加性誤差的指數(shù)條件平均模型對(duì)網(wǎng)站的訪問量進(jìn)行建模，并使用ivpoissongmm估計(jì)以下輸出中的回歸參數(shù)。為了考慮誤差的異方差性，我們使用默認(rèn)的穩(wěn)健標(biāo)準(zhǔn)誤差。6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14125例6.9含內(nèi)生協(xié)變量的泊松模型估計(jì)(1)。

.*下載數(shù)據(jù).clearall.webusewebsite

(Visitstowebsite)

.*廣義矩量法:加法誤差

.ivpoissongmmvisitsadfemale(time=phonefrfam)

6.10含內(nèi)生協(xié)變量的泊松模型

2025/4/14126例6.9含內(nèi)生協(xié)變量的泊松模型估計(jì)(1)。

我們發(fā)現(xiàn)除女性外，所有協(xié)變量均存在顯著系數(shù)。在其他協(xié)變量的固定值下，上網(wǎng)時(shí)間的增加將提高網(wǎng)站訪問的預(yù)期數(shù)量。收到額外的廣告也會(huì)導(dǎo)致預(yù)期的網(wǎng)站訪問量增加。

6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14127(6.83)考慮面板數(shù)據(jù)模型：

6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/141286.11.1面板數(shù)據(jù)模型的一階差分工具變量回歸估計(jì)該估計(jì)法從工具變量中獲得其估計(jì)值和常規(guī)VCE對(duì)第一次差分?jǐn)?shù)據(jù)進(jìn)行回歸。具體來說，首先對(duì)數(shù)據(jù)進(jìn)行差分得到:(6.84)

6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/141296.11.2固定效應(yīng)的面板數(shù)據(jù)模型的工具變量回歸估計(jì)該模型的核心是內(nèi)部轉(zhuǎn)換。變量w的內(nèi)部變換是：

式中，n是組數(shù)，N是變量的觀察總數(shù)。面板數(shù)據(jù)模型的內(nèi)部變換是：(6.85)

6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/141306.11.3效應(yīng)間(BE)面板數(shù)據(jù)模型的工具變量回歸估計(jì)

通過面板數(shù)據(jù)模型的中間變換后，得到：(6.86)

6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/141316.11.4GLS隨機(jī)效應(yīng)(RE)模型的估計(jì)

6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/141326.11.4GLS隨機(jī)效應(yīng)(RE)模型的估計(jì)

因?yàn)榉讲罘至课粗孕枰恢碌墓烙?jì)來實(shí)現(xiàn)可行的GLS。xtivreg提供了兩種選擇。默認(rèn)設(shè)置是對(duì)不平衡面板的Swamy–Arora方法的簡(jiǎn)單擴(kuò)展。如果指定了nosa選項(xiàng)，則使用Baltagi和Chang(2000)中描述的一致估計(jì)值。即:

默認(rèn)的Swamy–Arora方法包含自由度校正,以提高其在小樣本中的性能。6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/141336.11.4GLS隨機(jī)效應(yīng)(RE)模型的估計(jì)

(6.87)6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/141346.11.4GLS隨機(jī)效應(yīng)(RE)模型的估計(jì)

6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14135面板數(shù)據(jù)模型的工具變量法和兩階段最小二乘法的Stata命令為:(1)GLS隨機(jī)效應(yīng)(RE)模型xtivregdepvar[varlist_1](varlist_2=varlist_iv)[if][in][,reRE_options](2)效應(yīng)間(BE)模型xtivregdepvar[varlist_1](varlist_2=varlist_iv)[if][in],be[BE_options](3)固定效應(yīng)(FE)模型

xtivregdepvar[varlist_1](varlist_2=varlist_iv)[if][in],fe[FE_options](4)第一差分(FD)估計(jì)量xtivregdepvar[varlist_1](varlist_2=varlist_iv)[if][in],fd[FD_options]

6.11.4GLS隨機(jī)效應(yīng)(RE)模型的估計(jì)6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14136模型設(shè)定選項(xiàng)(options)有:re:重復(fù)使用隨機(jī)效應(yīng)估計(jì)法(默認(rèn)值);ec2sls:使用Baltagi的ec2sls隨機(jī)效應(yīng)估計(jì)法;nosa:使用方差分量的Baltagi-Chang估計(jì)量;regress:將協(xié)變量視為外生變量，忽略工具變量。菜單操作為:Statistics>Longitudinal/paneldata>Endogenouscovariates>Instrumental-variablesregression(FE,RE,BE,FD)

6.11.4GLS隨機(jī)效應(yīng)(RE)模型的估計(jì)6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

Stata命令xtivreg不提供選擇項(xiàng)“vce（robust）”使用聚類穩(wěn)健標(biāo)準(zhǔn)誤，但可以使用選擇項(xiàng)“vce（bootstrap）”得到穩(wěn)健的自助標(biāo)準(zhǔn)誤。當(dāng)工具變量個(gè)數(shù)多于內(nèi)生解釋變量個(gè)數(shù)時(shí)，對(duì)面板數(shù)據(jù)進(jìn)行GMM估計(jì)會(huì)更有效率，這需要下載非官方命令xtivreg2，該命令只能處理固定效應(yīng)，即先對(duì)模型進(jìn)行FE或FD變換后，再對(duì)變換后的模型使用GMM。

命令：

Xtivreg2

y[varlist](varlist2=varlist_iv,fegmm(FE變換）

Xtivreg2

y[varlist](varlist2=varlist_iv,fdgmm(FD變換）

2025/4/141376.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14138例6.11含內(nèi)生變量的面板數(shù)據(jù)分析。下面這個(gè)例子的數(shù)據(jù)來自stata全國(guó)青年婦女縱向調(diào)查的一個(gè)摘錄。限定時(shí)變協(xié)變量，我們認(rèn)為，實(shí)際工資的對(duì)數(shù)是個(gè)人年齡及其平方、在觀察到的工作地點(diǎn)的任期、她是否屬于工會(huì)，是否居住在都會(huì)區(qū)，以及她是否住在南方的函數(shù)，這些變量分別是age,c.age#c.age,tenure,union,notsmsa,andsouth。如果我們把所有變量都視為外生變量，我們可以使用xtreg的單階段估值法:6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14139例6.11含內(nèi)生變量的面板數(shù)據(jù)分析。(1)*清理內(nèi)存，下載數(shù)據(jù)

.clear

.use/data/r17/nlswork(2)*xtreg的單階段估值法

.xtregln_wagec.age#c.agetenurenot_smsaunionsouth,fe6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14140例6.11含內(nèi)生變量的面板數(shù)據(jù)分析。6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14141例6.11含內(nèi)生變量的面板數(shù)據(jù)分析。

現(xiàn)在假設(shè)我們希望將任期作為聯(lián)邦和南方的函數(shù)來建模，并且我們相信這兩個(gè)方程中的誤差是相關(guān)的。因?yàn)槲覀內(nèi)匀粚?duì)估算范圍內(nèi)的數(shù)據(jù)感興趣，我們現(xiàn)在需要一個(gè)兩階段最小二乘估計(jì)。以下輸出顯示了命令和擬合此模型的結(jié)果:(3)*兩階段最小二乘估計(jì)

.xtivregln_wagec.age#c.agenot_smsa(tenure=unionsouth),fe6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14142例6.11含內(nèi)生變量的面板數(shù)據(jù)分析。

6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14143例6.11含內(nèi)生變量的面板數(shù)據(jù)分析。(4)*GLSrandom-effectsmodel

.xtivregln_wagec.age#c.agenot_smsa2.race(tenure=unionbirthsouth),re

6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14144例6.11含內(nèi)生變量的面板數(shù)據(jù)分析。

(5)*EC2SLS

.xtivregln_wagec.age#c.agenot_smsa2.race(tenure=unionbirthsouth),reec2sls6.11含內(nèi)生協(xié)變量的面板數(shù)據(jù)分析xtivreg

2025/4/14145例6.11含內(nèi)生變量的面板數(shù)據(jù)分析。

(6)*G2SLS

.xtivregln_wagec.age#c.agenot_smsa2.race(tenure=unionbirthsouth),renosa6.12含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸

2025/4/14146設(shè)隨機(jī)效應(yīng)的面板線性回歸模型為:(6.88)

(6.89)6.12含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸

2025/4/14147被解釋變量的條件預(yù)期值為：

(6.90)(6.91)6.12含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸

2025/4/14148含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸的命令語法格式為:(1)隨機(jī)效應(yīng)的基本線性回歸xteregressdepvar[indepvars][,options](2)綜合隨機(jī)效應(yīng)、內(nèi)生協(xié)變量、處理和選擇的線性回歸xteregressdepvar[indepvars][if][in][,extensionsoptions]模型拓展選項(xiàng)(options)有:?

endogenous(enspec):內(nèi)生協(xié)變量的模型;可能會(huì)重復(fù);?

entreat(entrspec):內(nèi)生產(chǎn)量效應(yīng)分配的模型;?

extreat(extrspec):外生處理;?

select(selspec):用probit模型進(jìn)行選擇;?

tobitselect(tselspec):tobit選擇模型

6.12含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸

2025/4/14149模型設(shè)定選項(xiàng)(options)有:?

noconstant:無常數(shù)項(xiàng);?

offset(varname_o):將varname_o包含在系數(shù)約束為1的模型中;?

constraints(numlist):應(yīng)用指定的線性約束。?

菜單操作為:Statistics>Longitudinal/paneldata>Endogenouscovariates>Modelsaddingselectionandtreatment>Linearregression(RE)xteregress擬合隨機(jī)效應(yīng)線性回歸模型，該模型以與eregress相同的方式容納內(nèi)生協(xié)變量、處理和樣本選擇，還考慮了小組或組內(nèi)觀察值的相關(guān)性。6.12含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸

2025/4/14150例6.13具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。我們將使用nlswork.dta，關(guān)于1968年14-24歲的年輕女性的NLSY數(shù)據(jù)的一個(gè)子樣本(人力資源研究中心1989)。假設(shè)我們想研究工資的自然對(duì)數(shù)(ln工資)與工作年限(任期)之間的關(guān)系。我們還利用個(gè)人年齡(年齡和c.age#c.age)、居住在大都市地區(qū)(而非smsa)以及個(gè)人是否為非裔美國(guó)人(2.種族)的二次效應(yīng)對(duì)ln工資進(jìn)行建模。我們懷疑影響個(gè)人的工作任期和影響其工資的未觀察到的因素相關(guān)，所以我們將工作任期視為內(nèi)生協(xié)變量。我們使用個(gè)人的工會(huì)地位(工會(huì))和她是否居住在美國(guó)南部(南方)作為終身教職的工具協(xié)變量。我們還想解釋數(shù)據(jù)中的面板內(nèi)相關(guān)性，因此我們使用xteregress擬合了一個(gè)隨機(jī)效應(yīng)模型。在適應(yīng)模型之前，必須使用xtset指定面板標(biāo)識(shí)符變量，在本例中為idcode。我們的數(shù)據(jù)已經(jīng)被設(shè)置為xtset，所以我們鍵入xtset來顯示設(shè)置。

6.12含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸

2025/4/14151例6.13具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。.*下載數(shù)據(jù).clearall

.use/data/r17/nlswork

(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968).xtset

Panelvariable:idcode(unbalanced)Timevariable:year,68to88,butwithgapsDelta:1unit6.12含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸

2025/4/14152.*隨機(jī)效應(yīng)回歸

.xteregressln_wageagec.age#c.agei.not_smsa2.race,endogenous(tenure=agec.age#c.agei.union2.racei.south)vce(robust)6.12含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸

2025/4/14153例6.13具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。輸出的前兩部分提供了lnwage和tenure(任期)方程中的估計(jì)系數(shù)。因?yàn)檫@是一個(gè)線性回歸，我們可以用通常的方式解釋系數(shù)。例如，我們預(yù)計(jì)在工作年限延長(zhǎng)一年后，原木工資將增加0.23。接下來，我們將看到觀測(cè)水平誤差方差的估計(jì)及其與因變量的相關(guān)性。隨后是對(duì)隨機(jī)效應(yīng)方差的估計(jì)以及它們與因變量的相關(guān)性的估計(jì)。如果這些相關(guān)性中至少有一個(gè)與零顯著不同，那么我們可以得出結(jié)論，任期是內(nèi)生的。在我們的例子中，觀測(cè)水平誤差之間的相關(guān)性為-0.91，隨機(jī)效應(yīng)之間的相關(guān)性為-0.83。由于兩者均為負(fù)值，且與零顯著不同，我們得出結(jié)論，任期是內(nèi)生的，未觀察到的個(gè)人層面的因素會(huì)增加工作任期降低對(duì)數(shù)工資。此外，增加工作任期的未觀察到的觀察水平(時(shí)變)因素往往也會(huì)降低對(duì)數(shù)工資。6.12含內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸

2025/4/14154例6.13具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。我們可能還想問一些關(guān)于人口中特定群體的問題。下面，我們考慮不同年齡組