广义矩估计GMM.pdf

广义矩估计GMM.pdf

《广义矩估计GMM.pdf》由会员分享，可在线阅读，更多相关《广义矩估计GMM.pdf（3页珍藏版）》请在冰豆网上搜索。

广义矩估计（广义矩估计（GeneralizedMethodofMoments，即，即GMM）一、解释变量内生性检验首先检验解释变量内生性（解释变量内生性的Hausman检验：

使用工具变量法的前提是存在内生解释变量。

Hausman检验的原假设为：

所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。

regldilofdiestimatesstoreolsxtivregldi（lofdi=l.lofdildeplexr）estimatesstoreivhausmanivols（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:

xtivregdepvarvarlist1（varlist_2=varlist_iv）（选择项可以为fe，re等，表示固定效应、随机效应等。

详见helpxtivreg）如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于不少于方程中内生解释变量的个数。

“恰好识别”时用2SLS。

2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。

tptqtp二、异方差与自相关检验在球型扰动项的假定下，2SLS是最有效的。

但如果扰动项存在异方差或自相关，面板异方差检验：

xtglsencinvsexpimpescmrl,iglspanel（het）estimatesstoreheteroxtglsencinvsexpimpescmrl,iglsestimatesstorehomolocaldf=e（N_g）-1lrtestheterohomo,df（df）面板自相关：

xtserialencinvsexpimpescmrl则存在一种更有效的方法，即GMM。

从某种意义上，GMM之于2SLS正如GLS之于OLS。

好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（OveridentificationTest或JTest）：

estatoverid三、工具变量效果验证工具变量：

工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。

由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。

常用滞后变量。

需要做的检验：

需要做的检验：

检验工具变量的有效性：

（1）检验工具变量与解释变量的相关性如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。

这种工具变量被称为“弱工具变量弱工具变量”（weakinstruments）后果就象样本容量过小。

检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。

Stata命令：

estatfirst（显示第一个阶段回归中的统计量）

（2）检验工具变量的外生性（接受原假设好接受原假设好）在恰好识别的情况下，无法检验工具变量是否与扰动项相关。

在过度识别（工具变量个数内生变量个数）的情况下，则可进行过度识别检验（过度识别检验（OveridentificationTest），检验原假设所有工具变量都是外生的。

），检验原假设所有工具变量都是外生的。

如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。

0HSargan统计量，Stata命令：

estatoverid四、GMM过程在Stata输入以下命令，就可以进行对面板数据面板数据的GMM估计。

.sscinstallivreg2（安装程序ivreg2）.sscinstallranktest（安装另外一个在运行ivreg2时需要用到的辅助程序ranktest）.usetraffic.dta（打开面板数据）.xtsetpanelvartimevar（设置面板变量及时间变量）.ivreg2yx1（x2=z1z2）,gmm2s（进行面板GMM估计，其中2s指的是2-stepGMM）