|
工具变量这个东东貌似在斯蒂芬列维特（Steven Levitt，魔鬼经济学的作者）得了克拉克奖以后就很有名。不过这个东西其实应用起来并不需要很高的难度，所谓工具变量，说白了，就是在要解释的变量和用来解释它的变量之间存在相互因果关系的时候，给用来解释的一方加上的“壳子”，让反向的，我们不需要的因果关系被“屏蔽”，留下我们想要的正向因果关系。
具体的例子比如，衡量某市的犯罪率与警力配备的关系，直接做OLS，得到系数为正，于是得到警察越多，犯罪越多的奇怪结论。这可能是因为城市本来也会在犯罪率比较高的街区多配备警力造成的，或者是由于这个街区人口比较多，所以政府部门相对比较大，雇用各种员工都比较多，自然也会有比较多警察。要解决这个问题，可以用消防队员人数作为工具变量：消防队员人数和警察人数一般有一定正比关系，但和犯罪率无关。我们分成两步做这个模型，第一步把警察人数作为被解释变量，消防队员作为解释变量作一次OLS，第二步把第一部里OLS对警察的“预测值”作为解释变量，代替原来的警察人数对犯罪率做回归，因为这个新的解释变量是用消防队员人数“包裹”起来的，所以就消除了犯罪率导致警力上升的因果关系，就可以得到一个基本消除“内生性”（互为因果）的模型，也是著名的“两步最小方差”（2 stages least square, 2SLS）.
这个方法在Eviews里的实现比上述还要简单，只要在estimate equation的回归方法下拉栏步选LS/NLS，选择2SLS就可以了，然后在Instrumental Variable里填入IV对应的序列名字，结果就会直接出来 |
|
|
