如何使用2SLS进行ivreg2估计及其检验
如何使用2SLS进行ivreg2估计及其检验
本篇文章给大家分享的是有关如何使用2SLS进行ivreg2估计及其检验，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
作为OLS回归不符合假定的问题，还包括解释变量与随机扰动项不相关。如果出现了违反该假设的问题，就需要找一个和解释变量高度相关的、同时和随机扰动项不相关的变量，作为工具变量进行回归。工具变量通常采用二阶段最小二乘法（2SLS）进行回归，当随机扰动项存在异方差或自相关的问题，2SLS就不是有效率的，就需要用GMM等方法进行估计，除此之外还需要对工具变量的弱工具性和内生性进行检验。
1.数据与要求
以stata自带的auto.dta数据为例，在stata输入如下命令，即可得到：
sysuseauto
数据展示如下：
数据为美国 1978 年汽车数据，包括产地、车名、行使里程、重量等变量
构造如下工具变量结构方程：
该方程中内生变量为turn，工具变量为weight、length、headroom；
首先使用ivreg2进行2SLS的估计：
ivreg2mpggear_ratio(turn=weightlengthheadroom)
得到：
结果可以看到，turn变量的估计系数为-1.246426，z检验值为-6.33，p值为0.000，小于0.05，说明turn系数显著，且与mpg呈现负相关。
Underidentification test，方程的不可识别检验，得到LM统计值为26.822，p值=0.000，小于0.05，强烈拒绝“不可识别”的原假设。
Hansen J statistic的过度识别检验，得到卡方统计值为0.548，p值为0.7601，大于0.05，说明接受“过度拟合”的原假设；
Weak identification test弱工具变量检验，得到得到Wald-F统计值为30.303，KP Wald-F统计值为42.063，大于所有临界值，说明拒绝“弱工具变量”的原假设，即方程不存在弱工具变量。
对方程进行过度内生性检验：
ivreg2mpggear_ratio(turn=weightlengthheadroom)estimatesstoreivregressmpggear_ratioturnweightlengthheadroomestimatesstoreolshausmanivols,constantsigmamore
Hausman检验得到统计值为-0.97，无法拒绝“所有解释变量均为外生”的原假设，说明方程存在内生性。
以上就是如何使用2SLS进行ivreg2估计及其检验，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注恰卡编程网行业资讯频道。
