内生解释变量问题

实证教学 | 内生性问题

说白了，经验训练中的内生性问题是，由于解释变量与随机扰动项之间的相关性，模型估计结果可能不准确。
其实很简单。
这就像解决一道数学题，但结果是错误的，因为你没有考虑到某些条件。

首先让我告诉你最重要的事情。
内生性问题的产生有几个关键原因。
例如，在去年进行的一个项目中，由于遗漏了与解释变量相关的关键变量，出现了相关错误。
还有一点，测量误差也是一个大问题。
大约 3 ,000 条数据不准确，因为它们使用了模糊实际关系的代理变量。
还有另一个重要的细节。
双向因果关系也会造成解释变量与解释变量之间相互影响等问题。

一开始我以为内生性问题是个小问题，后来发现我错了。
这可能会对研究结果的可靠性产生严重影响。
等等，还有一件事。
样本选择偏差也会造成内生性，非随机样本会使样本代表性较差。

解决内生性的方法有多种。
模型的合理设计是根本，应尽可能考虑相关变量，减少遗漏变量的可能性。
工具变量法是解决双向因果内生性问题的关键，它利用与内生变量高度相关但与扰动项无关的工具变量来区分效应。
还有复杂但有效的建模方法，例如双重差分和不连续性回归。

值得尝试的是，研究者必须学会解决内生性的各种方法，并能够灵活运用到实际研究中。
很多人没有注意到这一点，但我觉得这很令人困惑。
如果处理不当，可能会导致错误的研究结果。

如何检验解释变量的内生性问题

嘿，我在研究那个城市时遇到了一个问题。
我必须测试解释变量的内生性，对吧？你必须做豪斯曼测试。
这件事是相当复杂的。
它基于一个前提，那就是如果存在内生解释变量，我们就必须使用工具变量法。

当时我很困惑，Hausman检验的基本假设是什么？哦，顺便说一下，所有的解释变量都是外生的。
如果拒绝原假设，我们就必须接受内生解释变量的存在，并使用工具变量法。
如果接受零假设，我们相信不存在内生解释变量，我们可以安全地使用普通最小二乘法（OLS）。

对于面板数据，如果存在内生解释变量，我们就必须使用工具变量法。
工具变量的数量必须足够，且不能少于内生解释变量的数量。
如果模型识别正确，我们就必须使用两阶段最小二乘法（2 SLS）。
这个2 SLS方法很有趣。
它将内生解释变量由于工具变量而分为外生部分和其他部分，并且只对外生部分进行回归，从而使得估计是可靠的。

然后，还有异方差和自相关的问题。
2 SLS 在球形湍流项的假设下非常有效。
但是，如果扰动项存在异方差或自相关，则必须使用面板异方差检验和面板自相关检验。
也可以使用广义矩法（GMM）。
具体的当工具变量太多时，GMM 可以被认为是 2 SLS 的更有效替代方案。

工具变量的有效性验证很重要。
工具变量应与内生解释变量相关，但与被解释变量的扰动项无关。
在实践中，可能需要一些创造力和想象力来找到合适的工具变量，并且通常使用滞后变量。
有必要检验工具变量的相关性和外生性。
一旦确定，就无法进行此项测试。
然而，当过度识别发生时，可以通过过度识别测试来评估工具变量的特异性。

哦，对了，要使用Stata进行GMM估计，必须先安装ivreg2 和ranktest程序，然后打开面板数据，设置面板变量和时间变量，最后使用ivreg2 命令来估计面板GMM。
我当时就是这么做的。

管理学内生性问题及解决方法

哈，你提到的内生性问题在管理研究中其实是比较难的。
我在分析市场时也遇到过类似的问题。

例如，上周一位客户问我为什么他的产品销量和客户满意度之间存在相关性，但他的调查数据显示两者之间没有直接联系。
这是一个典型的内生性问题。

首先我们要明白，内生性问题有几类，比如遗漏变量、双向因果关系、测量误差等，这些问题的存在会导致我们模型的估计结果不准确。

解决方案有很多，比如添加控制变量、使用固定效应模型、工具变量技术等。
我曾经使用工具变量技术来解决产品销售和广告投入的内生性问题。
作为工具变量，我选择了一个与广告投入相关但不直接影响销售的变量，然后使用两阶段最小二乘法进行估计。

有时样本选择也会导致内生性问题。
我记得有一次，为了研究市场对新产品的接受程度，我只选择那些愿意尝试新产品的人作为样本。
这会导致抽样偏差。
后来我用Heckman的两阶段模型来解决这个问题。
在第一阶段，我使用概率回归来计算逆米尔斯比率，在第二阶段，我使用该比率来调整我的模型。

总之，内生性问题在管理研究中非常普遍，解决方案也有很多。
关键是要根据具体情况选择合适的方法，以增加研究结果的可靠性。
无论如何，这取决于你。
如果你也遇到类似的问题，也可以尝试一下这些方法。
我还在思考这个问题，也许还有其他更多的问题先进的方法。

内生性问题：起因，类型和解决办法

上星期。
我查看了内部数据。

有几个原因。
变量偏差被省略。
例如，对 2 02 3 年的消费函数进行建模。
我忘了加上收入变化。

测量误差。
调查问卷填写不正确。
例如，2 02 3 年的调查。
薪资数据与实际情况有很大出入。

颠倒因果关系。
关于《巴巴尼亚》的内容，请参阅《巴巴尼亚》。
同时。
请注意以下内容。






















































例如，2 02 3 年的公司数据。
今年盈利。
可能会受到去年盈利的影响。

样本选择偏差。
比如2 02 3 年的创业研究。
是的。
是的。
动机不同。

类型。
?
解决方案。
有用的变量方法。
找人。
它影响X。
2 02 3 年 2 02 3 年 是的。


我的世界 这也是这个想法。
先算一步。
又迈出了一步。

广义矩估计。
处理对比。
这个市场模型是2 02 3 年的。
效果还是不错的。

GMM系统。
动态面板。
处理晚期情况。
非常常用。

我的世界。
处理样本选择。
2 02 3 年。










2 02 3 年。
配对相似的。
2 02 3 年政策审查。
用这个。

你选择哪一个？ 这取决于。
?
算了。