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)