今日问题 (2)使用上述ivtobit命令进行回归后,得到的F值是15.68,小于16.38,我参考的文献中,有的说F值>10,可以消除弱工具变量问题,有的说F>16.38才可以消除弱工具变量问题,请问老师用上述命令得出的F值应该根据10还是16.38来判断是否有弱工具变量问题呢?感谢! 今日解答 tobcm/_tobsimdta.ado (click here to install) tobcm [ , pbs bsfile(filename) reps(#)] tobcm, pbs reps(500) tobcm,pbs //对正态性假设进行条件矩检验,其中pbs表示用参数自助法获得临界值。 如果发现扰动项不服从正态分布或存在异方差,解决办法之一是用“归并最小绝对离差法”(CLAD),其他解决办法包括“样本选择模型”和“归并数据的两部分模型”。 CLAD: net install sg153.pkg //下载clad findit clad package name: sg153.pkg from: http://www./stb/stb58/ (click here toinstall) clad varlist [if exp][in range] [, reps(#) psu(varname) ll[(#)] ul[(#)] dots saving(filename) replace level(#) quantile(#) iterate(#) wlsiter(#)] Examples -------- clad lwage expschool, reps(500) psu(cluster) 归并数据的两部分模型: 第一部分为二值选择模型,第二部分对参与者组成子样本进行OLS。 Examples -------- Usewomenwk.dta,clear G lwd=(lwf>0) probit lwd agemarried children education,nolog reg lwf agemarried children education if lwd==1,r …(陈强,高级计量经济学与stata应用,245页) 而提问者使用了两步法进行OLS实施ivtobit 模型,如果使用tobit时的MLE,则可能不易收敛。 总之,ivtobit和tobit的回归方法有差异,而且Tobit模型的一个缺陷是对分布的依赖性很强,不够稳健。当然可以尝试tobcm、clad等这些命令,以及非两步法,即MLE估计ivtobit。 Maximum likelihood estimator ivtobit depvar [varlist1] (varlist2 =varlist_iv) [if] [in] [weight] , ll[(#)] ul[(#)] [mle_options] Examples: webuse laborsup Obtain full ML estimates . ivtobit fem_inc fem_educ kids (other_inc= male_educ), ll . ivtobit fem_inc fem_educ kids(other_inc = male_educ), ll(12) 而两步法的写法: Obtain two-step estimates . ivtobit fem_inc fem_educ kids(other_inc = male_educ), ll twostep . ivtobit fem_inc fem_educ kids (other_inc= male_educ), ll(12) twostep 问题(2):这个是两阶段最小二乘法,即2SLS判断弱工具变量的办法,也是基于经验,可靠的是看第一阶段报告的F统计量的伴随概率p值是否很小地接近于0。ivprobit和ivtobit的两步法又叫控制函数法,如果ivtopit的F统计量F(3,496)=35,其伴随概率为0,即p=0.000,那么可以认为不存在弱工具变量。总之还是看第一步回归的F统计量的伴随概率。 学术指导:张晓峒老师 本期解答人:谢杰老师 编辑:李光勤 统筹:易仰楠 李丹丹 技术:知我者 赵雅轩 郭凯 |
|
来自: 新用户68639482 > 《待分类》