(完整word版)内生性问题原因和处理方法
内生性问题
导致内生性的主要原因
1：遗漏变量，且遗漏变量与引入模型的其他 变量相关。 2：解释变量和被解释变量相互作用，相互影 响，互为因果。
有内生性仍有OLS估计的后果
• 系数估计有偏且不一致。 • 举例说明： • 数学证明：略
内生性问题的解决： 工具变量估计
• 工具变量：假定我们有一个可观测到的变 量Ｚ，它满足两个假定 (1): Z与U不相关，即Cov(Z,U)=0; (2): Z与X相关，即Cov(Z,X) ≠ 0. 我们则称Z是X的工具变量 （instrumental variable 简称IV） 举例：
IV与OLS的取舍
（2）所以，当内生性程度不严重或者好的工 具变量找不到时，还不如用OLS。反之， 当内生性程度严重时，就一定要想办法解 决，否则，OLS估计就是不可接受的，当 然，差的IV同样是不可接受的。
好的工具变量的识别
(1): Z与U不相关，即Cov(Z,U)=0; 由于U无法观察，因而难以用正式的工具 进行测量，通常由经济理论来使人们相信 (2): Z与X相关，即Cov(Z,X) ≠ 0. 将X对Z回归即可，看看X的系数是否显著 易于零？
十四讲 内生性问题
本讲内容
• 什么是内生性 • 导致内生性的主要原因 • 有内生性仍有OLS估计的后果 • 内生性的解决办法——工具变量估计 • 内生性的诊断 • 内生性的其它解决办法
什么是内生性
• 内生性：就是模型中的一个或多个解释变 量与随机扰动项相关。或者写成: COV（ui，Xi） ≠ 0 。
两个注意事项
• IV法适合于大样本， • 工具变量除了满足 (1): Z与U不相关，即Cov(Z,U)=0; (2): Z与X相关，即Cov(Z,X) ≠ 0. 这两个条件外，工具变量Z应该与Y不直接相 关。为什么？
内生性问题
工具变量和两阶段最小二乘一、背景虽然在OLS 的大样本性质中，我们放宽了强外生性的假定，用弱外生条件来进行替代，即()0E x ε'=。
但是，在实际的问题中，弱外生性的条件往往也是不容易满足的。
也就是说，变量的内生性问题总是不可避免的。
内生性引起的问题主要是引起参数估计的不一致。
可以说，内生性问题是在实际应用中最经常遇到的问题。
这个部分讨论的就是如何解决由内生性问题引起的参数估计的不一致。
二、知识要点1、引起内生性的原因及其对参数估计的影响2、代理变量法解决内生性问题3、工具变量法和2SLS 的性质 三、要点细纲1、引起内生性的原因及其对参数估计的影响 （1）模型设定偏误（遗漏变量）这主要是因为实际的问题中，一个变量往往受到许多变量的影响，在实际建模过程中无法将解释变量全部列出。
在这样的情况下，遗漏的变量的影响就被纳入了误差项中，在该遗漏变量与其他解释变量相关的情况下，就引起了内生性问题。
即()0E x ε'≠。
（2）测量误差关于测量误差引起内生性的问题要基于测量误差的假设。
测量误差可能是对被解释变量y 的测量误差，也可能是由于对解释变量x 的测量误差。
这两种情况引发的结果是不一样的。
A. 被解释变量y 的测量误差。
不妨假设y 的真实值是*y ，测量值为y ，则可以将测量误差表示成：*0e y y =-。
假设理论的回归方程为：*011k k y x x βββε=+++将测量误差方程带入得到：0110k k y x x e βββε=++++011k k x x v βββ=+++其中0v e ε=+是实际回归方程的残差。
显然，由于y 的测量误差0e 是与i x 相互独立的，所以实际回归方程的残差v 也与各解释变量相互独立（无关）。
外生性条件满足。
B. 解释变量x 的测量误差假设在回归式011k k y x x βββε=+++ 中，测量误差产生于k x ，即实际回归式为：*011k k y x x βββε=+++并有*kk k e x x =-如果假设cov(,)0k k x e =，则将测量误差带入方程得到：011k k k k y x x e βββεβ=++++ 011k k x x v βββ=+++显然，外生性条件满足。
内生性处理
【问题及方法】内生性，每个实证人的痛。
内生性的三个来源：测量误差、遗漏变量和双向因果。
1、变量的内生性。
这个是没有办法单独检验的。
当有合适工具变量时候，是可以检验的，就是hausman检验2、工具变量的外生性。
这个也是没办法检验的。
当有很多工具变量时候，可以检验是否有不是外生的，就是“过度识别”问题3、工具变量的相关性。
这个可以说成是“弱工具变量”问题，检验可以通过一阶段的F值。
还可以利用Partial R2。
4、估计方法stata里面有这么几个2sls，2sls smal、liml、gmm，各自适用情况：small适合小样本；liml适合弱工具变量；gmm适合异方差。
【例子】webuse hsng2*Fit a regression via 2SLS, requesting small-sample statisticsivregress 2sls rent pcturban (hsngval = faminc iregion), small*Fit a regression using the LIML estimatorivregress liml rent pcturban (hsngval = faminc iregion)*Fit a regression via GMM using the default heteroskedasticity-robust weight matrixivregress gmm rent pcturban (hsngval = faminc iregion)*Fit a regression via GMM using a heteroskedasticity-robust weight matrix, requesting nonrobust standard errors ivregress gmm rent pcturban (hsngval = faminc iregion), vce(unadjusted)*检验regress 2sls rent pcturban hsngvalest store m1ivregress 2sls rent pcturban (hsngval = faminc iregion) est store m2。
内生性问题的研究与解决
内生性问题的研究与解决近年来，内生性问题成为各领域面临的一大挑战。
然而，什么是内生性问题呢？简单来说，内生性问题是指一个系统内部因素所导致的一系列负面影响。
例如，在经济领域中，内生性问题指的是因为一个系统内部的因素，如政策、市场失灵等，导致经济衰退、通货膨胀等问题。
这类问题在各个领域中都有着普遍性，如医学、教育、社会等领域。
内生性问题的研究已经成为了很多学者的研究方向。
许多学者已经开始研究内生性问题的原因以及如何解决它们，以期帮助政策制定者和其他相关方应对这一问题。
在研究内生性问题时，我们需要了解其产生的原因。
例如，在经济领域中，内生性问题通常是由市场失灵引起。
市场失灵是由于各种原因，如外界的干扰、不完全信息以及市场力量的不平衡等。
这些因素都会导致市场效率下降，从而引发内生性问题。
解决内生性问题需要寻找办法来消除其根源。
例如，在医学领域中，内生性问题可能是由于缺乏预防措施而引起的。
解决问题的方法可能是通过提供更好的预防措施，以便确保治疗措施的有效性。
同样在经济领域中，解决内生性问题需要通过增加市场透明度、改善监管等手段来减少市场失灵现象。
然而，解决内生性问题需要一个系统的方法来处理。
这个方法可能包括政策制定、数据分析、模型建立等。
例如，在教育领域中，政策制定者需要考虑如何建立一个能够激励学生继续学习的环境。
这需要分析教育系统中的所有因素，并确保适当的政策被制定出来。
总之，内生性问题是一个在各个领域中都存在的问题。
研究内生性问题和解决这些问题需要跨学科的方法。
我们需要用系统的方法来分析和解决这一问题，以实现更可持续的发展和更好地解决社会问题。
经济学原则知识：内生因素原则——内生因素的影响和解决方式
经济学原则知识：内生因素原则——内生因素的影响和解决方式内生因素原则是经济学中重要的原则之一。
它指出经济体内部的因素会对经济发展产生影响，这些内部因素被称为内生因素。
内生因素的影响是存在的，但它们同时也提供了一些解决方案，帮助经济体合理调整和应对内部因素的影响。
内生因素包括市场机制、技术进步和人力资本等。
市场机制是指市场价格、信息和资源配置的机制。
市场机制是内生因素的重要体现，因为它对经济体的效率和公平都有重要的影响。
例如，市场价格反映了供需关系和产品价值，进而指导资源的分配和配置。
在市场机制的影响下，经济体可以通过适当引导市场力量来调整资源配置，使得资源得到合理的配置和利用。
其次，技术进步也是内生因素的一种，它对经济发展的影响非常重要。
技术进步可以促进生产力的提升，推动社会生产力的发展，这对整个经济体都起到重要的拉动作用。
例如，互联网技术的诞生和发展极大地改变了人们的生产和生活方式，推动了新兴产业的兴起和发展。
可以说，技术进步是推动经济发展的重要力量，也是内生因素的重要表现。
另外，人力资本也被视为内生因素。
人力资本指的是人类产生的知识和技能等人力资源。
人力资源的积累和加强可以提高经济体的劳动力素质，推动人们的职业发展，同时也能推动企业的发展，推动社会的进步。
投资于人力资本的积累和加强可以提高经济体的竞争力，提高经济体的创新能力和生产效率。
内生因素对于经济发展的影响不可忽视，但是在应对内生因素的影响时，也应该注意解决问题的方式。
通常可以采取以下措施：首先，发展市场机制是重要且必要的。
优化市场机制，建立更加完善的市场体系，在保证公平和竞争的前提下，引导市场资源向更有利于经济发展的方向配置和流动，有利于促进经济的发展和繁荣。
其次，加强技术创新和人才培养，推动经济转型。
要发挥科技对于经济发展的重要作用，积极推动技术进步和创新，促进科技和产业融合发展。
同时，要加强人才培养，培养高素质的人才，满足经济发展对人才的需求。
内生性问题
内生性问题引言：内生性问题是指与一个系统、组织或现象内在联系紧密、相互影响、互为因果的问题。
这些问题既不是纯粹由外部因素所引起，也不是完全由内部因素所导致，而是两者相互作用的结果。
内生性问题在社会科学领域尤为常见，包括经济学、政治学、社会学等。
一、内生性问题的定义内生性问题在研究中意味着变量之间存在相互影响关系，不仅自变量影响因变量，同时也可能因变量对自变量产生影响。
这种相互影响可以是正向的也可以是负向的，有时甚至是复杂的回馈关系。
内生性问题的存在使得我们需要更加谨慎地解读数据和分析结果，以避免产生误导性的结论。
二、内生性问题的原因内生性问题的主要原因在于变量之间的复杂关系。
一方面，变量之间可能存在遗漏变量问题。
在研究中，我们不能将所有可能影响因变量的因素都纳入考虑，有些变量可能被忽略而导致结果出现偏差。
另一方面，变量之间也可能存在反向因果关系。
因变量可能同时作为自变量影响其他因变量，这种复杂的关系造成了内生性问题的存在。
三、内生性问题的解决方法为了解决内生性问题，研究者可以采用以下方法：1. 仔细控制变量：通过控制可能产生内生性问题的其他变量，使得自变量与因变量之间的关系更加可靠。
这可以通过实验设计、随机分配处理组和对照组等方法来实现。
2. 使用工具变量：工具变量是一种在经济学领域中常用的解决内生性问题的方法。
它通过引入一个与自变量相关但不直接影响因变量的变量来进行分析。
通过工具变量的引入，可以排除内生性问题对研究结果的影响。
3. 进行因果推断：通过仔细验证变量之间的因果关系，可以帮助我们更清楚地了解内生性问题的存在。
借助因果推断的方法，可以准确地解释变量之间的相互作用，并确定影响因变量的主要因素。
四、内生性问题的影响内生性问题的存在会对研究结果产生明显的影响。
如果不加以解决，内生性问题可能导致对因果关系的错误解读，使得研究结论产生偏差，缺乏可靠性和有效性。
此外，内生性问题还可能使得研究结果的泛化能力受到限制，难以推广到其他情境或群体。
内生性问题及其处理
专题四 内生性问题及其处理
本专题共四讲 第一讲 内生性问题概述 第二讲 工具变量 第三讲 双重差分 第四讲 断点回归
《计量经济学》
第一讲 内生性问题概述
主讲：王岳龙
内生性的定义和后果 内生性的表现形式 内生性的解决方法
内生性问题概述
1.内生性的定义和后果
yi 0 1xi i
OLS 1
p
cov( yi, xi ) var(xi )
1
cov( xi , i
var(xi )
)
if cov(xi,i ) 0 则x被称为内生变量
so
OLS 1
1
则β1估计有偏且不一致
2.内生性的表现形式
ln yi 0 1edui 2malei 3birthi i
+ 研究思路
如果合理，那么很容易算出地铁开通对房价上涨的影响 就是15%-12%=3%。特别地，如果2009年前A、B两地 的房价增长率不同，分别是11%和10%，那么A地区如果没 有修地铁，之后的房价增长率到底是12%+1%=13%还是 12%*1.1=13.2%，则对应房价上涨的贡献率分别是2%和 1.8%，到底以上哪个结果是靠谱的？
前后差分
处理组 参考组 组间差分
β0+β1 β0 β1
β0+β1+β2+β3 β0+β2 β1+β3
β2+β3 β2 β3
特别地，如果只有前后两期，又可写成： Δyi=β0+β1treati
3 [ E ( y treat , after ) E ( y treat , before )] [ E ( y control , after ) E ( y control , before )]
内生性问题通俗理解
内生性问题通俗理解
内生性问题是经济学中一个重要的概念，它指的是一个经济体受其自身决策所影响，而不是外部因素所影响。
通俗来讲，内生性问题就是经济体自身的行为可能会导致经济发展受到阻碍，而不是外部因素。
例如，一个国家的政府可能会采取一些政策来推动经济增长，但是这些政策可能会导致国家的财政状况变得更糟，从而导致经济增长受到阻碍。
这就是内生性问题。
另一个例子是，一个国家的政府可能会采取一些政策来促进经济发展，但是这些政策可能会导致消费者对投资的预期变得更低，从而导致经济发展受到阻碍。
这也是内生性问题。
内生性问题是指经济体自身的行为可能会导致经济发展受到阻碍，而不是外部因素。
它是经济学中一个重要的概念，为经济学者提供了一种思考问题的方式，从而更好地理解经济的发展。
内生性问题解决方案汇总与案例——计量作业
•多元线性回归模型•古典模型的假定–假定1 线性–假定2 严格外生性–假定3 球形扰动–假定4 无完全共线性1、2、3、内生性的具体表现形式•遗漏解释变量•互为因果•自选择问题•测量误差内生性的解决方案1.工具变量法（IV）这种方法相信大家都已经学过，就是找到一个变量和内生化变量相关，但是和残差项不相关。
在OLS的框架下同时有多个IV，这些工具变量被称为two stage least squares (2SLS) estimator。
具体的说，这种方法是找到影响内生变量的外生变量，连同其他已有的外生变量一起回归，得到内生变量的估计值，以此作为IV，放到原来的回归方程中进行回归。
2. 自然实验法就是找到一个事件，该事件只影响一部分样本，或者只影响解释变量而不影响被解释变量。
3.Difference-in-Difference （DID）法思想是按照一定的标准，找到与样本match的控制组。
在假设外在冲击同时影响两个组别的情况下，做差来剔除掉外界冲击的影响。
4. 动态panel思想是将解释变量和被解释变量的滞后项作为IV进入正文：基本故事是：股票的流动性对经理人的激励合约的设计会产生影响。
具体的说，当流动性提高的时候，经理人会更加倾向于选择现金比重更小（股票比重更高）的激励合同，因为这时股票的变现成本较低；同时，高流动性意味着股票中的信息含量更高，因此薪酬与股价市场回报的敏感性（pay-for-performance sensitivity）会更高。
这里的两个被解释变量分别是cash-based compensation占total compensation的比重，以及pay-for-performance sensitivity （PPS）会更高。
关键解释变量是流动性。
第一部分，基础计量技术，固定效应回归模型。
值得一提的是，虽然这是本文最基础的计量技术，但作者还是进行了细致改进，比如加入管理层的固定效应，以及对标准误进行了管理层层面的CLUSTER调整。
内生性问题讲解
-5.108528 4.499708 -0.582071 -3.692675 823.4440
0.0000 0.0000 0.5608 0.0003 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
数。 用如下矩阵符号表示上式
Y=X+v
显然结构模型参数与简化型模型参数之间存在函数关系。
ct
- 1yt =
ut1
It - 1yt = 2yt-1 + ut2
- ct - It + yt =
Gt
用矩阵形式表达
1 0 1 ct 0
0 1 1 It = 2
y 无法直接观测，其代理变量为y，两者间误差为: w=y-y
– 可估计的模型 y 0 1x1 2 x2 k xk u
u=w+
测量误差
• 自变量的测量误差
– 真实的经济关系
y 0 1x1 2 x2
k xk
xk*无法直接观测，其代理变量为xk，两者间误差为: w=xk -xk*
1
1
1
yt
0
0
0 1
yt 1 Gt
+
ut1
ut2
0
用如下矩阵符号表示上式
Y = X + u 则
Y = -1 X + -1u
= -1
什么是内生性如何进行内生性的检验与处理
什么是内生性如何进行内生性的检验与处理什么是内生性？如何进行内生性的检验与处理内生性（Endogeneity）是指在经济学和统计学中，研究对象之间存在着相互依赖的关系，导致所观察到的自变量与因变量之间的关联关系存在问题。
内生性问题出现时，可能导致统计推断结果的无效性和不准确性。
因此，为了保证研究结果的可靠性，研究者需要进行内生性的检验与处理。
一、内生性的检验方法1. 检验工具变量的有效性工具变量是用于解决内生性问题的一种方法。
通过选择与自变量相关，但与误差项不相关的变量作为工具变量，可以消除内生性。
因此，首先需要检验工具变量的有效性。
常用的方法是进行工具变量检验，例如Hausman检验和Durbin-Wu-Hausman检验。
这些检验方法可以判断工具变量是否与错误项相关，决定是否适合用作工具变量。
2. 进行方程检验内生性问题常见于多方程模型中，通过对模型中的方程进行检验，可以发现和排除内生性的可能性。
例如，为了检验是否存在内生性，可使用诸如Hansen J统计量、Durbin-Wu-Hausman检验等方法进行方程检验。
二、内生性的处理方法1. 使用工具变量法当存在内生性问题时，工具变量法是一种常用的处理方法。
工具变量法通过引入与内生自变量相关但不影响因变量的工具变量，实现消除内生性。
使用工具变量法时，需要满足两个条件：工具变量与内生变量相关，且不与误差项相关。
将工具变量代入回归方程中，可以得到无偏且一致的估计结果。
2. 进行两阶段最小二乘估计另一种处理内生性的方法是进行两阶段最小二乘估计（2SLS）。
2SLS方法通过两个步骤来消除内生性。
第一步，利用工具变量估计内生变量的预测值；第二步，将预测值代入回归模型，得到对因变量的估计结果。
3. 进行面板数据的固定效应模型或随机效应模型分析在面板数据分析中，固定效应模型和随机效应模型可以解决内生性问题。
这两种方法能够通过消除个体固定效应和引入面板数据特有的误差项，实现内生变量的处理。
内生性问题讲解
其中，ct 消费；yt 国民收入；It 投资；Gt 政府支出。 1, 1, 2 称为结构参数。 模型中内生变量有三个 ct，yt，It。外生变量有一个 Gt。内生滞后变量有一个 yt-1。 Gt , yt-1 又称为前定变量。因模型中包括三个内生变量，含有三个方程，所以是 一个完整的联立模型。
• 遗漏变量通常源于无法观察的影响因素 • 考虑影响工资的模型
log(wage) 0 1educ u
• 该模型忽略了人的能力（如果能找到代理变量， 如IQ，可以将其加入模型中）
• 人的能力将影响其受教育的程度
联立方程（simultaneity，双向因果）
结构模型（structural model）：把内生变量表述为其他内生变量、前定变量 与随机误差项的方程体系。
v1 v2 v3
=
1 11
1
1 1
1
1
1 11
1
1 ut1
1 ut2
1
0
测量误差
• 因变量的测量误差
– 真实的经济关系
y 0 1x1 2 x2
k xk
y 无法直接观测，其代理变量为y，两者间误差为: w=y-y
– 可估计的模型 y 0 1x1 2 x2 k xk u
u=w+
测量误差
• 自变量的测量误差
– 真实的经济关系
y 0 1x1 2 x2
k xk
xk*无法直接观测，其代理变量为xk，两者间误差为: w=xk -xk*
– 随机抽样 (y, x1, x1, ,xk ) – 满秩 rank(X ' X ) k+1 – 外生 Cov( X , ) 0 or E[ x1, x1, , xk ] 0
内生性产生的原因及解决方案
2020/4/5
20
Difference in difference models
Basic two-way fixed effects model
变量有测量误差也无法用我们前面学过的方法 解决。
因此我们就必须寻找一种新的方法。
2020/4/5
14
二、内生性的解决方案
事实上，仅仅为了解决内生性问题，并不需要我 们对内生性问题的缘起有很深入的理解。对于应 用型的实证研究而言，我们只需要掌握解决内生 性问题的具体方案即可。内生性问题的解决方案 一共四种，理论上来讲，这四种方案应对内生性 问题都很有效。但于我个人而言，我对四种方法 的评价是有高低的，由高到低分别介绍如下。
其基本思想是，将受冲击的样本视作实验组，再按照一定 标准在未受冲击的样本中寻求与实验组匹配的对照组，而 后做差，做差剩下来的便是这次冲击的净效应。
双重差分法实际上是固定效应的一个变种，差分的过程实 际上是排除固定效应的过程。ZERA在《计量论文写作和 发表的黑客教程》有一个非常简明风趣的举例，我转述于 此，以飨读者。
states but at a variety of times
2020/4/5
29
ui is a state effect vt is a complete set of year (time)
effects Analysis of covariance model
Yit = β0 + β3 TitAit + ui + λt + εit
非线性面板模型中内生性解决方案以及Stata命令
非线性面板模型中内生性解决方案以及Stata命令总的说来，内生性主要由以下原因造成：1. 遗漏变量：如果遗漏的变量与其他解释变量不相关，一般不会造成问题。
否则，就会造成解释变量与残差项相关，从而引起内生性问题。
2.解释变量与被解释变量相互影响。
3. 度量误差（measurement error）：由于关键变量的度量上存在误差，使其与真实值之间存在偏差，这种偏差可能会成为回归误差（regressionerror）的一部分，从而导致内生性问题。
解决内生性问题的方法主要有：1.工具变量法（IV）这种方法相信大家都已经学过，就是找到一个变量和内生化变量相关，但是和残差项不相关。
在OLS的框架下同时有多个IV，这些工具变量被称为two stage least squares (2SLS) estimator。
具体的说，这种方法是找到影响内生变量的外生变量，连同其他已有的外生变量一起回归，得到内生变量的估计值，以此作为IV，放到原来的回归方程中进行回归。
2. 自然实验法，就是找到一个事件，该事件只影响一部分样本，或者只影响解释变量而不影响被解释变量。
3.Difference-in-Difference （DID）法，思想是按照一定的标准，找到与样本match的控制组。
在假设外在冲击同时影响两个组别的情况下，做差来剔除掉外界冲击的影响。
4. 动态panel，思想是将解释变量和被解释变量的滞后项作为IV。
下面咱们看看在非线性模型中其他一些处理方式，可能有些是你第一次听说。
非线性面板模型中内生性解决方案以及Stata命令，其实不仅仅面板数据，对于截面数据中的非线性模型（limited dependent variable），这些解决方案和操作命令也是适用的。
写在后面：各位圈友，咱们的计量经济圈社群里面资料和计量咨询都很多，希望大家能够积。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
内生性问题：就是模型中的一个或多个解释变量与随机扰动项相关的问题。
变量的内生性问题总是不可避免的。
内生性引起的问题主要是引起参数估计的不一致。
引起内生性问题的原因：
（1）遗漏变量
这主要是因为实际的问题中，一个变量往往受到许多变量的影响，在实际建模过程中无法将解释变量全部列出。
在这样的情况下，遗漏的变量的影响就被纳入了误差项中，在该遗漏变量与其他解释变量相关的情况下，就引起了内生性问题。
（2）测量误差
关于测量误差引起内生性的问题要基于测量误差的假设。
测量误差可能是对被解释变量y 的测量误差，也可能是由于对解释变量x 的测量误差。
这两种情况引发的结果是不一样的。
( 3) 双向交互影响
这种情况引起的内生性问题在现实中最为常见。
其基本的原理可以阐述为，被解释变量y 和解释变量x 之间存在一个交互影响的过程。
x 的数值大小会引起y 取值的变换，但同时y 的变换又会反过来对x 构成影响。
这样，在如下的回归方程中：011k k y x x βββε=+++，如果残差项ε的冲击影响了y 的取值，而这样的影响会通过y 传导到x 上，从而造成了x 和残差项ε的相关。
也就是引起了内生性问题。
内生性问题处理方法：
1.工具变量法（IV）
就是找到一个变量和内生化变量相关，但是和残差项不相关。
在OLS 的框架下同时有多个IV，这些工具变量被称为两阶段最小二乘（2SLS）估计量。
具体的说，这种方法是找到影响内生变量的外生变量，连同其他已有的外生变量一起回归，得到内生变量的估计值，以此作为IV，放到原来的回归方程中进行回归。
2.代理变量法（Proxy）
Proxy方法是将不可观测的变量用近似的变量进行替代，也就是说，是在残差项中提取出有用的信息，但是并没有对现有的解释变量进行处理。
3. 自然实验法
就是就是发生了某些外部突发事件，使得研究对象仿佛被随机分成了实验组或控制组。
该事件只影响一部分样本，或者只影响解释变量而不影响被解释变量。
4. 双重差分法
倘若出现了一次外部冲击，这次冲击影响了一部分样本，对另一部分样本则无影响，双重差分法就是用来研究这次冲击的净效应的。
其基本思想是，将受冲击的样本视作实验组，再按照一定标准在未受冲击的样本中寻求与实验组匹配的对照组，而后做差，做差剩下来的便是这次冲击的净效应。