stata工具变量命令

Ⅰ 如何用STATA做弱工具变量的检测

检验工具变量是否为弱工具变量：
命令：estat firststage, all forcenonrobust (all表示显示每个内生变量的统计量，而非仅仅所有内生变量综合的统计量，forcenonrobust表示及时在进行工具变量法时用了稳健标准差，也仍然允许计算estat firststage)

Ⅱ stata weakiv命令 怎么用

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。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (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help xtivreg）
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：
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df = e(N_g) - 1
lrtest hetero homo, df(`df')
面板自相关：xtserial enc invs exp imp esc mrl
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（Overidentification Test或J Test）：estat overid
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：
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”（weak instruments）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：estat first（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）
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（Overidentification Test），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。0H
Sargan统计量，Stata命令：estat overid
四、GMM过程
在Stata输入以下命令，就可以进行对面板数据的GMM估计。
. ssc install ivreg2 （安装程序ivreg2 ）
. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）
. use "traffic.dta"（打开面板数据）
. xtset panelvar timevar （设置面板变量及时间变量）
. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

Ⅲ stata工具变量回归为什么不能控制行业固定效应

因为这些命令的ado文件里没有编入fe的功能。
机理上fe是可行的，可以生成个体虚拟变量再加入回归中，就可以达到fe的效果，同样地可以再生成时间虚拟变量。
也加入回归中，就成了双向固定效应模型，这样对异质性的控制最为严格。

Ⅳ 如何用stata实现两个内生变量不同工具变量的回归

普通的2sls回归中的关于工具变量的命令如下：reg y x1 x2 ( z x2),上述的回归模型假定x1是内生变量，其中 z x2分别是x1 x2 相对应的工具变量。
版主提出的带有交叉项的回归模型中，不知可否 采用 reg y x1 x2*x1 (z z*x2) 仅供参考 ，我也是初学，若有不当敬请谅解。
私下认为，x2应该为定性变量，即哑变量。

Ⅳ stata中增长率变量怎么命名

需要看你用的什么模型，标准的ols带有iv的2sls可以采用ivreg命令ivregy(x(内生变量)=iv(x的工具变量）controlvariables)controlvariables最简单就是这样如果看复杂的可以去statafindit。
Stata是一款十分出色的统计学软件，Stata中文版界面友好，功能丰富，除了传统的统计分析方法外，还收集了近20年发展起来的新方法。包含线性混合模型、均衡重复反复及多项式普罗比模式等。

Ⅵ 工具变量法的Stata命令和实例

原发布者:th6572
工具变量
法的Stata命令及实例本实例使用
数据集
“grilic.dta”。先看一下数据集的统计特征：考察智商与受教育年限的
相关关系
：上表显示.智商（在一定程度上可以视为能力的代理变量）与受教育年限具有强烈的
正相关关系
（
相关系数
为0.51）。作为一个
参考系
.先进行OLS回归.并使用稳健
标准差
：其中expr,tenure,rns,smsa均为
控制变量
.而我们主要感兴趣的是变量受教育年限（s）。回归的结果显示.教育投资的年回报率为10.26%.这个似乎太高了。可能的原因是.由于遗漏变量“能力”与受教育正相关.故“能力”对工资的贡献也被纳入教育的贡献.因此高估了教育的回报率。引入智商iq作为能力的代理变量.再进行OLS回归：虽然教育的
投资回报率
有所下降.但是依然很高。由于用iq作为能力的代理变量有
测量误差
.故iq是
内生变量
.考虑使用变量（med（母亲的受教育年限）、kww（在“knowledgeoftheWorldofWork”中的成绩）、mrt（婚姻
虚拟变量
.已婚=1）age（年龄））作为iq的工具变量.进行2SLS回归.并使用稳健的标准差：在此2SLS回归中.
教育回报率
反而上升到13.73%.而iq对工资的贡献居然为
负值
。使用工具变量的前提是工具变量的有效性。为此.进行
过度识别
检验.考察是否所有的工具变量均外生.即与扰动项不相关：结果强烈拒绝所有工具变量均外生的原假设。考虑仅使用变量（med,kww）作为iq的工具变量.再次进行2SLS回归.同时显示第一阶段的回归结果：上表显示.教育的回

Ⅶ 选取自变量的滞后项作为工具变量stata命令怎么写

我在使用xtdpdsys做动态面板的系统GMM估计时， 当使用的命令为xtdpdsys ls lntrade lnfdi tfp lnagdp lnkty ,two vce(gmm)，可以做sargan和AR检验； 然后，按照STATA-HELP中的例子，使用命令xtdpdsys ls l(0/1).lntrade l(0/1).lnfdi l(0/1).tfp.

Ⅷ 怎样用stata做两阶段回归2SLS

用命令ivregress 2sls y x1 x2, robust。y2是内生变量，z1、z2是工具变量。

不过建议使用ivregress2。先安装：ssc install ivregress2。

Stata操作：工具变量法的难点在于找到一个合适的工具变量并说明其合理性，Stata操作其实相当简单，只需一行命令就可以搞定，我们通常使用的工具变量法的Stata命令主要就是ivregress命令和ivreg2命令。

stata如何进行最小二乘法回归方法步骤？

一般做2sls，使用语句ivreg y （x1=z） x2 x3……xn。假定工具变量为z，控制变量有n-1个，就使用这个就好了。如果你非要自己编程序的话，首先reg x1 z x2……xn。

然后把X1的拟合值predict出来(假定为x11)，在做第二阶段的回归。 reg y x11 x2……xn； 这样得到的结果就是两阶段的回归结果，但是方差是有问题的。最好使用ivreg，如果还不会用的话，直接help ivreg。

ivregress命令

ivregress命令是Stata自带的命令，支持两阶段最小二乘（2SLS）、广义矩估计（GMM）和有限信息最大似然估计（LIML）三种工具变量估计方法，我们最常使用的是两阶段最小二乘法（2SLS），因为2SLS最能体现工具变量的实质，并且在球形扰动项的情况下，2SLS是最有效率的工具变量法。

顾名思义，两阶段最小二乘法（2SLS）需要做两个回归：

（1）第一阶段回归：用内生解释变量对工具变量和控制变量回归，得到拟合值。

（2）第二阶段回归：用被解释变量对第一阶段回归的拟合值和控制变量进行回归。

如果要使用2SLS方法，我们只需在ivregress后面加上2sls即可，然后将内生解释变量lnjinshipop和工具变量bprvdist放在一个小括号中，用=号连接。选项first表示报告第一阶段回归结果，选项cluster()表示使用聚类稳健的标准误。

Ⅸ 怎样用STATA求变量的增长率

gen pergdp=gdp/gdp[_n-1]-1
也可以分几步实现：
1、先生成gdp变量的滞后1期变量
gen laggdp=gdp[_n-1]
2、再用当期值除以滞后值
gen pergdp=gdp/laggdp-1
3、drop laggdp

如果是时间序列数据，也可以这样做
tsset id year
gen pergdp=gdp/l.gdp
这里直接用的时间序列的“lag”命令，gen lag1gdp=l.gdp

Ⅹ 工具变量，请问应该如何写stata命令

可以做gmm啊