【原】互助问答第60期：利用tobit和ivtobit进行实证分析中遇到的问题

今日问题

老师，您好！  

    我在使用tobit和ivtobit进行实证分析，被解释变量是夏普比率，主要解释变量是是否有住房，有住房为1，没有为0。想请教您几个问题：

  （1）使用tobit回归时，正向显著的控制变量，在使用ivtobit回归时，结果是负向显著，主要解释变量没有这个问题。我的ivtobit命令是

ivtobit shape income age wealth marriedhealth (household＝ivprice),twostepfirst ll（0）

  请问老师，我的这种回归结果是否可用呢？出现这种问题的原因是什么呢？
（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

问题（1）：

       模型可能不够稳健。是否有共线性问题？共线性会导致符号相反。或者工具变量是否合适？比如stata中的ivtobit命令跑模型的时候，一般要求内生变量为连续变量了，工具变量搞了个虚拟变量？ 

      Tobit用MLE估计。Tobit模型的一个缺陷是对分布的依赖性很强，不够稳健。如果发现扰动项不服从正态分布或存在异方差，则MLE或QMLE估计就不一致。为检验正态性，可将Tobit模型的MLE一阶条件视为矩条件，并进行条件矩检验。条件矩统计量的真实分布与渐近分布有相当差距，存在较严重的显著性水平扭曲，故使用参数自助法获得校正的临界值(Drukker,2002)。条件矩检验可使用非官方命令tobcm实现，但该命令仅适用于左归并，且归并为点为0的情形。

net install tobcm.pkg     //下载安装命令tobcm

如能安装则，findit tobcm

package tobcm from http://www./users/ddrukker

INSTALLATION FILES                                  (click here to install)

      tobcm/tobcm.ado

      tobcm/tobcm.hlp

     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