斯托克计量经济学课件 (9)

ln( Pi butter ) 分离出了供给(至少是部分供给)引起的价格 对数的变化
Stage 2: 建立 ln(Qibutter ) 关于 ln( Pi butter ) 的回归 利用供给曲线的移动追踪需求曲线的对应回归.
16
基于TSLS的推断
大样本下, TSLS 估计量服从正态分布 推断 (假设检验, 置信区间)同常规方法（大样本下正确） 标准误差的重要注记: 来自第二阶段的 OLS 标准误差是不正确的 – 它们没有 ˆ 是估计的). 包括第一阶段的估计 ( X i 相反, 要采用计算 TSLS 估计量和正确 SE 的特定命令. 同前, 利用异方差稳健标准误差(SE)
-----------------------------------------------------------------------------| Robust lpackpc | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------lravphat | -1.083586 .3336949 -3.25 0.002 -1.755279 -.4118932 _cons | 9.719875 1.597119 6.09 0.000 6.505042 12.93471 ------------------------------------------------------------------------------
14
在供给需求实例中的TSLS:
ln(Qibutter ) = 0 + 1ln( Pi butter ) + ui 令 Z = 牧场地区的降雨量. Z 是一个有效的工具变量吗? (1) 外生性? corr(raini,ui) = 0? 合理的: 牧场地区是否下雨不影响需求 (2) 相关性? corr(raini,ln( Pi butter )) 0?
18
香烟需求 （续）
现在, 只用 1995 年的数据. 第一阶段 OLS 回归:
ln( Pi cigarettes ) = 4.63 + .031SalesTaxi, n = 48
第二阶段 OLS 回归:
ln(Qicigarettes ) = 9.72 – 1.08 ln( Pi cigarettes ) , n = 48
11
ln(Qibutter ) 关于 ln( Pi butter ) OLS 回归中的双向因果关系偏差源于 价格和需求量是由需求和供给共同决定的
12
供给和需求的交互作用得到了
利用这些数据得到的回归是需求曲线吗？
13
但如果只有供给移动了你将得到什么?
TSLS 通过分离出价格和量中源于供给移动的变动来估计 需求曲线. Z 是导致供给移动而需求不动的变量.
这些系数是 TSLS 估计值 标准误差是错误的，因为它们忽略了第一阶段是估计的 事实
21
结合到一个命令中
Y X Z . ivreg lpackpc (lravgprs = rtaxso) if year==1995, r; IV (2SLS) regression with robust standard errors Number of obs = F( 1, 46) = Prob > F = R-squared = Root MSE = 48 11.54 0.0014 0.4011 .19035
cov(Yi , Zi ) 1 = cov( X i , Zi )
9
IV 估计量, 一个 X和一个Z （续）
cov(Yi , Zi ) 1 = cov( X i , Zi )
IV 估计量为将这些总体协方差替换为样本协方差:
sYZ TSLS ˆ , 1 = s XZ
sYZ 和 sXZ 伪样本协方差. 这就是 TSLS 估计量 ，只是采用了 不同的推导!
#2: 简单的代数 Yi = 0 + 1Xi + ui 于是, cov(Yi,Zi) = cov(0 + 1Xi + ui,Zi) = cov(0,Zi) + cov(1Xi,Zi) + cov(ui,Zi) = 0 + cov(1Xi,Zi) + 0 = 1cov(Xi,Zi) 其中 cov(ui,Zi) = 0 (工具外生性); 因此
2
12.1 单个回归变量和单个工具变量的IV 回归
Yi = 0 + 1Xi + ui IV 回归将 X 分解成两部分: 第一部分与 u 相关, 第二部分 与 u 不相关. 通过分离出与 u 不相关的部分, 可以用来估计
1.
利用工具变量 Zi 可以做到这一点，其中工具变量与 ui 不相 关. 工具变量能够检测出 Xi 中与 ui 不相关的变动 ，并利用这 部分估计 1.
17
实例: 香烟需求
ln(Qicigarettes ) = 0 + 1ln( Pi cigarettes ) + ui 面板数据: 年香烟消费和平均支付价格（包含税收） 48 个美国大陆州, 1985-1995 提议的工具变量: Zi =每包的一般销售税 = SalesTaxi 是有效的工具变量吗? (1) 相关性? corr(SalesTaxi, ln( Pi cigarettes )) 0? (2) 外生性? corr(SalesTaxi,ui) = 0?
7
TSLS小结
假设你有有效的工具 Zi.
ˆ 第 1 步: 建立 Xi 关于 Zi 的回归，得到预测值 X i ˆ 的回归， X ˆ 的系数就是 TSLS 估计 第 2 步: 建立 Yi 关于 X i i ˆ TSLS . 量,
1
ˆ TSLS 是 1 的一致估计量. 1
8
IV 估计量, 一个 X和一个Z （续）
第 12 章
工具变量回归
第12章 工具变量回归
影响回归结果正确性的三大威胁有: 遗漏变量偏差，由于没有遗漏变量的观测数据所以不能 把它加到回归中; 双向因果关系 (X 导致了 Y, Y 导致了 X); 变量有测量误差 (X 中带有测量误差) 当 E(u|X) ≠ 0 时，工具变量回归可消除偏差——利用工具变 量（ instrumental variable） Z
(2)
ˆ 与 ui 不相关(当 n 较大时), 所以第一个最小二乘假 因为 X i 设成立 (当 n 较大时) 因此可基于回归(2)利用 OLS 估计 1 这个论断依赖于大样本 (于是利用回归(1)可较好地估计 0 和1 ) ˆ TSLS . 得到的估计量被称为两阶段最小二乘 (TSLS) 估计量, 1
合理: 雨量不足会使牧草减少而使黄油减少
15
在供给需求实例中的TSLS （续）
ln(Qibutter ) = 0 + 1ln( Pi butter ) + ui Zi = raini = 牧场地区的降雨量. Stage 1: 建立 ln( Pi butter ) 关于 rain 的回归, 得到 ln( Pi butter ) .
现在我们有了来自 1st 阶段的预测值
20
第二阶段
Y X-hat . reg lpackpc lravphat if year==1995, r; Regression with robust standard errors Number of obs = F( 1, 46) = Prob > F = R-squared = Root MSE = 48 10.54 0.0022 0.1525 .22645
因为 Zi 与 ui 不相关，因此 0 + 1Zi 与 ui 不相关. 我们不 知道0 或者 1 但我们可以估计它们 ˆ , 其中 X ˆ = ˆ0 + ˆ1 Zi, i = 1,…,n. 计算 Xi 的预测值 X i i
6
TSLS (续)
ˆ : (2) 将感兴趣回归中的 Xi 替换为 X i ˆ 的回归: 利用 OLS 建立 Y 关于 X i ˆ + ui Yi = 0 + 1 X i
3
术语: 内生性(endogeneity)和外生性(exogeneity)
内生 变量是指与 u 相关的变量 外生 变量是指与 u 不相关的变量 注记: “内生的” 字面意思指 “在系统内决定,” 即, 和 Y 共
同确定的变量, 也是遭受 双向因果关系的变量. 然而，这 种定义较为狭义，IV 回归可用于处理遗漏变量偏差和测 量误差偏差, 而不仅仅是双向因果关系偏差.
具有正确异方差稳健标准误差的两个回归结合的结果为:
ln(Qicigarettes ) = 9.72 – 1.08 ln( Pi cigaHale Waihona Puke Baiduettes ) , n = 48 (1.53) (0.32)
19
STATA 实例: 香烟需求，第一阶段
工具 = Z = rtaxso = 一般销售税 (实际 $/pack)
X Z . reg lravgprs rtaxso if year==1995, r; Regression with robust standard errors Number of obs = F( 1, 46) = Prob > F = R-squared = Root MSE = 48 40.39 0.0000 0.4710 .09394
4
有效工具变量的两个条件
Yi = 0 + 1Xi + ui 要使工具变量 (“工具”) Z 有效, 必须满足下面两个条件: 1. 2.
工具相关性: corr(Zi,Xi) 0 工具外生性: corr(Zi,ui) = 0
现假设你找到了这样的 Zi （怎么找这样的 Z？） 问题：如何利用 Zi 估计 1?
10
实例#1: 黄油的供给和需求
IV 回归最开始是用于估计农产品（例如黄油）的需求弹性: ln(Qibutter ) = 0 + 1ln( Pi butter ) + ui 1 = 黄油的价格弹性 = 价格变化 1%引起的需求量的百分 比变化 (回顾双对数模型) 数据: 不同年份中黄油价格和需求量的观测值 ln(Qibutter ) 关于 ln( Pi butter ) 的 OLS 回归中遭遇了双向因果关 系偏差(为什么?)
-----------------------------------------------------------------------------| Robust lpackpc | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------lravgprs | -1.083587 .3189183 -3.40 0.001 -1.725536 -.4416373 _cons | 9.719876 1.528322 6.36 0.000 6.643525 12.79623 -----------------------------------------------------------------------------Instrumented: lravgprs This is the endogenous regressor Instruments: rtaxso This is the instrumental varible ------------------------------------------------------------------------------
5
IV 估计量, 一个X 和一个 Z
#1: 两阶段最小二乘(Two Stage Least Squares ,TSLS) 正如其名字指出的, TSLS 分为两个阶段，即两个回归: (1) 首先利用 X 关于 Z 的 OLS 回归分离出与 u 不相关的那部 分X： Xi = 0 + 1Zi + vi (1)
-----------------------------------------------------------------------------| Robust lravgprs | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------rtaxso | .0307289 .0048354 6.35 0.000 .0209956 .0404621 _cons | 4.616546 .0289177 159.64 0.000 4.558338 4.674755 -----------------------------------------------------------------------------X-hat . predict lravphat;