1. 解释变量内生性如何处理
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）
2. 内生性处理：工具变量法
内生性问题是解释变量与扰动项相关导致的，具体的表现形式有遗漏变量、双向因果和测量误差。
OLS能够成立的最重要前提条件是解释变量与扰动项不相关。否则，OLS估计量将是有偏且不一致的。
无偏是指估计量的期望等于真实值。一致性是指，随着样本的增大，估计量无限接近于真实值。
固定效应模型在 一定程度上 可以缓解内生性。因为使用固定效应模型的原因是存在个体效应、时间效应与解释变量相关。此时如果不用固定效应模型，这些个体、时间影响就会溜到扰动项中，就产生了内生性问题。
解决内生性问题常见的做法是使用工具变量。
工具变量：与模型中内生变量（解释变量）高度相关，但却不与误差项相关，估计过程中被作为工具使用，以替代模型中与误差项相关的解释变量的变量。
“找好的工具变量好比寻找一个好的伴侣，ta应该强烈地爱着你（强相关），但不能爱着别人（外生性）。”
IV法可以视为2SLS的特例。 当内生变量个数=工具变量个数时，称为IV法；当内生变量个数<工具变量个数时，称为2SLS
2SLS思路如下：
y=α+βx1+γx2+u，其中x1是严格外生的，x2是内生的，则至少需要1个工具变量，z1为工具变量。
第一阶段回归：内生变量和工具变量
x2=a+bz1+cx1+e
第二阶段回归：内生变量的预测值和被解释变量
y=α+βx1+γx2'+v
2SLS背后逻辑：
将内生解释变量分为两部分，有工具变量造成的外生部分和与扰动项相关的内生部分。
第一阶段：通过外生变量的预测回归，得到这些变量的外生部分。
第二阶段：把被解释变量对解释变量中的外生部分进行回归，消除偏误得到一致估计。
注意：为了保证2SLS的一致性，必须把原方程中所有的外生解释变量都放入第一阶段回归。
2SLS的难点在于恰当的工具变量选择。若存在N个内生解释变量，则至少需要N个工具变量。
假设回归模型
stata命令如下：
以上命令ivregress 2sls 和 ivreg2是等价的，只是 ivreg2显示的内容更为丰富。xtivreg2 相较于ivreg2，就是OLS和FE/FD模型的差别，ivreg2 ... i.Year i.id等价于xtivreg2 ... i.Year, fe。
针对工具变量有三大检验：
以上三大检验，优先做相关性检验。这是由于弱工具变量会对估计结果以及外生性检验结果产生影响。
（1）相关性检验
a.不可识别检验
不可识别检验的原假设是秩条件不成立，即工具变量与解释变量不相关。不可识别检验在一定程度上可以验证是否存在弱工具变量，但不能取代对弱工具变量的检验。关于弱工具变量的检验，可以分为单个内生变量和多个内生变量。
b.弱工具变量检验
如果方程中有一个内生变量，一个经验规则是在第一阶段回归中，如果F统计量>10，则可拒绝“存在弱工具变量”的原假设，不必担心弱工具变量的问题。
如果方程中有多个内生变量，Stock & Yogo给出了检验规则：如果弱识别检验的最小特征值统计量>15% maximal IV size对应的临界值，就可以认为工具变量不存在弱相关问题。
如果发现是弱工具变量，解决的方法有：
（2）内生性检验
首先假定内生性进行2SLS回归，然后假定不存在内生性进行OLS回归，最后使用豪斯曼检验。
当p值<0.1时，表明两个回归的系数存在显着的系统性差异，及关注的核心变量有内生性。
（3）外生性检验
在恰好识别的情况下，即工具变量数=内生变量数，此时公认无法检验工具变量的外生性，即工具变量与扰动项不相关。在这种情况下，只能进行定性讨论或依赖于专家的意见。在过度识别的情况下，可以进行“过度识别检验”。当p>0.1，接受原假设，说明工具变量具有外生性。
注意，如果误差项存在异方差或自相关，那么2SLS的估计虽然是一致估计量，但不是有效估计量。更有效的方法是“广义矩估计”GMM。 某种意义上，GMM之于2SLS，正如GLS之于OLS，前者可以获得有效估计量，后者只能获得一致估计量。
该方法的前提条件是：工具变量数>内生变量数，且2SLS存在异方差或自相关
综上，在使用stata进行2SLS时，推荐使用ivreg2或xtivreg2。
对于面板数据，建议先对模型进行变换，然后对变换后的模型使用2SLS：
参考资料：
《高级计量经济学及stata应用》
面板数据分析与Stata应用
测量误差及其对统计分析的影响
有人能讲讲工具变量和2SLS之间的关系吗？
工具变量法（五）: 为何第一阶段回归应包括所有外生解释变量
xtivreg2和它的山寨者