济宁 创意大厦 网站建设,潍坊关键词优化平台,网页qq空间登录界面,建设一个网站的流程.两阶段最小二乘法 文章目录 两阶段最小二乘法[toc]1、ivreg包介绍2 、R语言实现 1、ivreg包介绍
R语言计量包ivreg用以解决线性回归模型的内生性问题。
描述#xff1a;工具变量估计的线性模型通过两阶段最小二乘(2SLS) 回归或通过稳健回归M估计(2SM)或MM估计(2SMM)。主要的…两阶段最小二乘法 文章目录 两阶段最小二乘法[toc]1、ivreg包介绍2 、R语言实现
1、ivreg包介绍
R语言计量包ivreg用以解决线性回归模型的内生性问题。
描述工具变量估计的线性模型通过两阶段最小二乘(2SLS) 回归或通过稳健回归M估计(2SM)或MM估计(2SMM)。主要的ivreg()模型拟合函数旨在提供一个工作流程尽可能类似于标准的lm()回归。大量的方法是被用来拟合ivreg模型对象除了其他标准模型工具还包括广泛的功能计算和图形回归诊断。
作者Author John Fox, Christian Kleiber, Achim Zeileis 2 、R语言实现
在利用工具变量法估计线性回归模型时往往选择Stata操作现在介绍R的操作方法首先我们先安装工具变量回归安装包ivreg并加载相关其他计量包
setwd(D:/Allcode/Rstudy/model/IV_estimate) # 先设置路径
install.packages(ivreg) # 安装ivreg
install.packages(haven) # 用于stata数据导入默认存在可以不安装
install.packages(lmtest) # 用于线性回归检验
install.packages(sandwich) # 提供相关异方差稳健标准误
#加载以上所有包
library(haven)
library(ivreg)
library(lmtest)
library(sandwich)接下来准备数据集我选用的是陈强老师主页陈强教授的计量经济学及Stata主页 (econometrics-stata.com)上的数据集grilic它是stata的dta格式因此需要转换导入
grilic - read_dta(grilic.dta)
names(grilic) # 查看数据框的变量名# [1] rns rns80 mrt mrt80 smsa smsa80
# [7] med iq kww year age age80
# [13] s s80 expr expr80 tenure tenure80
# [19] lw lw80 该数据集中包括以下变量:lw(工资对数),s (受教育年限) , age(年龄) , expr(工龄) , tenure(在现单位的工作年数),q(智商), med(母亲的受教育年限),kww(在knowledge of the World ofWork测试中的成绩),mt(婚姻虚拟变量,已婚1),rns (美国南方虚拟变量,住在南方1),smsa(大城市虚拟变量,住在大城市1),year (有数据的最早年份, 1966-1973年中的某一年)。我们选择lw为被解释变量其余变量为解释变量。先利用OLS回归作为基准模型
fit_ols1 - lm(lw ~ sexprtenurernssmsa,data grilic) # 没有加入智商iq变量# Call:
# lm(formula lw ~ s expr tenure rns smsa, data grilic)
#
# Residuals:
# Min 1Q Median 3Q Max
# -1.11684 -0.22626 -0.01511 0.23103 1.23738
#
# Coefficients:
# Estimate Std. Error t value Pr(|t|)
# (Intercept) 4.103675 0.085097 48.223 2e-16 ***
# s 0.102643 0.005849 17.549 2e-16 ***
# expr 0.038119 0.006327 6.025 2.65e-09 ***
# tenure 0.035615 0.007742 4.600 4.96e-06 ***
# rns -0.084080 0.028797 -2.920 0.00361 **
# smsa 0.139667 0.028082 4.974 8.15e-07 ***
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
# Residual standard error: 0.3464 on 752 degrees of freedom
# Multiple R-squared: 0.3521, Adjusted R-squared: 0.3478
# F-statistic: 81.75 on 5 and 752 DF, p-value: 2.2e-16
#由于没有加入iq存在遗漏变量问题因此加入iqfit_ols2 - lm(lw ~ iqsexprtenurernssmsa,data grilic)# Call:
# lm(formula lw ~ iq s expr tenure rns smsa, data grilic)
#
# Residuals:
# Min 1Q Median 3Q Max
# -1.16056 -0.21786 -0.00622 0.22771 1.20580
#
# Coefficients:
# Estimate Std. Error t value Pr(|t|)
# (Intercept) 3.895172 0.109110 35.699 2e-16 ***
# iq 0.003279 0.001083 3.028 0.00255 **
# s 0.092787 0.006666 13.920 2e-16 ***
# expr 0.039344 0.006306 6.239 7.33e-10 ***
# tenure 0.034209 0.007715 4.434 1.06e-05 ***
# rns -0.074532 0.028815 -2.587 0.00988 **
# smsa 0.136737 0.027948 4.893 1.22e-06 ***
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
# Residual standard error: 0.3445 on 751 degrees of freedom
# Multiple R-squared: 0.36, Adjusted R-squared: 0.3548
# F-statistic: 70.39 on 6 and 751 DF, p-value: 2.2e-16
# 以上回归都是基于同方差假设条件下的结果我们将系数转换为异方差稳健标准误这里以fit_ols2为例coeftest(fit_ols2, vcov vcovHC, type HC1) # 异方差稳健标准误# t test of coefficients:
#
# Estimate Std. Error t value Pr(|t|)
# (Intercept) 3.8951718 0.1159286 33.5997 2.2e-16 ***
# iq 0.0032792 0.0011321 2.8965 0.003883 **
# s 0.0927874 0.0069763 13.3004 2.2e-16 ***
# expr 0.0393443 0.0066603 5.9072 5.272e-09 ***
# tenure 0.0342090 0.0078957 4.3326 1.674e-05 ***
# rns -0.0745325 0.0299772 -2.4863 0.013124 *
# smsa 0.1367369 0.0277712 4.9237 1.045e-06 ***
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1使用工具变量法回归内生解释变量为iq工具变量选择med、kww、mrt、age;其余控制变量自身视为自身的工具变量代码如下
fit_iv - ivreg(lw ~ iqsexprtenurernssmsa | s med kwwmrtageexprtenurernssmsa ,data grilic)# 这里用|分隔内生解释变量与工具变量
# 提取稳健标准误
coeftest(fit_iv, vcov vcovHC, type HC0) # 异方差稳健标准误# t test of coefficients:
#
# Estimate Std. Error t value Pr(|t|)
# (Intercept) 4.8378747 0.3799432 12.7332 2.2e-16 ***
# iq -0.0115468 0.0056376 -2.0482 0.040887 *
# s 0.1373477 0.0174989 7.8489 1.446e-14 ***
# expr 0.0338041 0.0074844 4.5166 7.295e-06 ***
# tenure 0.0405640 0.0095848 4.2321 2.602e-05 ***
# rns -0.1176984 0.0359582 -3.2732 0.001112 **
# smsa 0.1499830 0.0322276 4.6539 3.850e-06 ***
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1# 工具变量法回归还要进行诊断
summary(fit_iv,test TRUE) # 诊断# Call:
# ivreg(formula lw ~ iq s expr tenure rns smsa | s
# med kww mrt age expr tenure rns smsa, data grilic)
#
# Residuals:
# Min 1Q Median 3Q Max
# -1.3825405 -0.2437078 0.0009735 0.2514625 1.4609417
#
# Coefficients:
# Estimate Std. Error t value Pr(|t|)
# (Intercept) 4.837875 0.346424 13.965 2e-16 ***
# iq -0.011547 0.005241 -2.203 0.027889 *
# s 0.137348 0.017042 8.059 3.02e-15 ***
# expr 0.033804 0.007302 4.630 4.32e-06 ***
# tenure 0.040564 0.008896 4.560 5.98e-06 ***
# rns -0.117698 0.035468 -3.318 0.000949 ***
# smsa 0.149983 0.031572 4.751 2.43e-06 ***
#
# Diagnostic tests:
# df1 df2 statistic p-value
# Weak instruments 4 748 10.54 2.61e-08 *** # 弱工具变量检验通过
# Wu-Hausman 1 750 10.70 0.00112 ** # 内生性检验通过
# Sargan 3 NA 61.14 3.36e-13 *** # 过度识别检验未通过
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
# Residual standard error: 0.3851 on 751 degrees of freedom
# Multiple R-Squared: 0.2002, Adjusted R-squared: 0.1938
# Wald test: 55.92 on 6 and 751 DF, p-value: 2.2e-16 由于工具变量个数大于内生解释变量个数且工具变量过度识别检验未通过因此需要调整工具变量这里怀疑age与tenure可能存在过度识别剔除后进行ivreg回归
fit_iv2 - ivreg(lw ~ iqsexprtenurernssmsa | med kww s expr tenure rns smsa ,data grilic)
summary(fit_iv2,test TRUE)
# Call:
# ivreg(formula lw ~ iq s expr tenure rns smsa | med
# kww s expr tenure rns smsa, data grilic)
#
# Residuals:
# Min 1Q Median 3Q Max
# -1.3025533 -0.2405658 0.0005969 0.2349962 1.2621665
#
# Coefficients:
# Estimate Std. Error t value Pr(|t|)
# (Intercept) 3.218043 0.384814 8.363 2.97e-16 ***
# iq 0.013928 0.005884 2.367 0.018186 *
# s 0.060780 0.018735 3.244 0.001230 **
# expr 0.043324 0.007038 6.156 1.22e-09 ***
# tenure 0.029644 0.008561 3.463 0.000565 ***
# rns -0.043527 0.034922 -1.246 0.213000
# smsa 0.127222 0.030137 4.221 2.72e-05 ***
#
# Diagnostic tests:
# df1 df2 statistic p-value
# Weak instruments 2 750 14.906 4.49e-07 *** 通过
# Wu-Hausman 1 750 3.858 0.0499 * 通过
# Sargan 1 NA 0.130 0.7185 通过
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
# Residual standard error: 0.3661 on 751 degrees of freedom
# Multiple R-Squared: 0.2775, Adjusted R-squared: 0.2718
# Wald test: 61.94 on 6 and 751 DF, p-value: 2.2e-16 -END- 参考文献 陈强.高级计量经济学[M].高等教育出版社https://cran.r-project.org/web/packages/gmm/gmm.pdfhttp://www.econometrics-stata.com/col.jsp?id101
