溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇文章給大家分享的是有關如何使用2SLS進行ivreg2估計及其檢驗，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。
作為OLS回歸不符合假定的問題，還包括解釋變量與隨機擾動項不相關。如果出現了違反該假設的問題，就需要找一個和解釋變量高度相關的、同時和隨機擾動項不相關的變量，作為工具變量進行回歸。工具變量通常采用二階段最小二乘法（2SLS）進行回歸，當隨機擾動項存在異方差或自相關的問題，2SLS就不是有效率的，就需要用GMM等方法進行估計，除此之外還需要對工具變量的弱工具性和內生性進行檢驗。
1.數據與要求
以stata自帶的auto.dta數據為例，在stata輸入如下命令，即可得到：
sysuse auto
數據展示如下：
數據為美國 1978 年汽車數據，包括產地、車名、行使里程、重量等變量
構造如下工具變量結構方程：
該方程中內生變量為turn，工具變量為weight、length、headroom；
首先使用ivreg2進行2SLS的估計：
ivreg2 mpg gear_ratio (turn=weight length headroom)
得到：
結果可以看到，turn變量的估計系數為-1.246426，z檢驗值為-6.33，p值為0.000，小于0.05，說明turn系數顯著，且與mpg呈現負相關。
Underidentification test，方程的不可識別檢驗，得到LM統計值為26.822，p值=0.000，小于0.05，強烈拒絕“不可識別”的原假設。
Hansen J statistic的過度識別檢驗，得到卡方統計值為0.548，p值為0.7601，大于0.05，說明接受“過度擬合”的原假設；
Weak identification test弱工具變量檢驗，得到得到Wald-F統計值為30.303，KP Wald-F統計值為42.063，大于所有臨界值，說明拒絕“弱工具變量”的原假設，即方程不存在弱工具變量。
對方程進行過度內生性檢驗：
ivreg2 mpg gear_ratio (turn=weight length headroom)estimates store ivregress mpg gear_ratio turn weight length headroomestimates store olshausman iv ols, constant sigmamore
Hausman檢驗得到統計值為-0.97，無法拒絕“所有解釋變量均為外生”的原假設，說明方程存在內生性。
以上就是如何使用2SLS進行ivreg2估計及其檢驗，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
