2sls是什麼意思計量經濟學

① 內生性處理：工具變數法

內生性問題是解釋變數與擾動項相關導致的，具體的表現形式有遺漏變數、雙向因果和測量誤差。

OLS能夠成立的最重要前提條件是解釋變數與擾動項不相關。否則，OLS估計量將是有偏且不一致的。
無偏是指估計量的期望等於真實值。一致性是指，隨著樣本的增大，估計量無限接近於真實值。

固定效應模型在 一定程度上 可以緩解內生性。因為使用固定效應模型的原因是存在個體效應、時間效應與解釋變數相關。此時如果不用固定效應模型，這些個體、時間影響就會溜到擾動項中，就產生了內生性問題。

解決內生性問題常見的做法是使用工具變數。

工具變數：與模型中內生變數（解釋變數）高度相關，但卻不與誤差項相關，估計過程中被作為工具使用，以替代模型中與誤差項相關的解釋變數的變數。

「找好的工具變數好比尋找一個好的伴侶，ta應該強烈地愛著你（強相關），但不能愛著別人（外生性）。」

IV法可以視為2SLS的特例。 當內生變數個數=工具變數個數時，稱為IV法；當內生變數個數<工具變數個數時，稱為2SLS

2SLS思路如下：
y=α+βx1+γx2+u，其中x1是嚴格外生的，x2是內生的，則至少需要1個工具變數，z1為工具變數。
第一階段回歸：內生變數和工具變數
x2=a+bz1+cx1+e
第二階段回歸：內生變數的預測值和被解釋變數
y=α+βx1+γx2'+v

2SLS背後邏輯：
將內生解釋變數分為兩部分，有工具變數造成的外生部分和與擾動項相關的內生部分。
第一階段：通過外生變數的預測回歸，得到這些變數的外生部分。
第二階段：把被解釋變數對解釋變數中的外生部分進行回歸，消除偏誤得到一致估計。

注意：為了保證2SLS的一致性，必須把原方程中所有的外生解釋變數都放入第一階段回歸。

2SLS的難點在於恰當的工具變數選擇。若存在N個內生解釋變數，則至少需要N個工具變數。

假設回歸模型

stata命令如下：

以上命令ivregress 2sls 和 ivreg2是等價的，只是 ivreg2顯示的內容更為豐富。xtivreg2 相較於ivreg2，就是OLS和FE/FD模型的差別，ivreg2 ... i.Year i.id等價於xtivreg2 ... i.Year, fe。

針對工具變數有三大檢驗：

以上三大檢驗，優先做相關性檢驗。這是由於弱工具變數會對估計結果以及外生性檢驗結果產生影響。

（1）相關性檢驗

a.不可識別檢驗
不可識別檢驗的原假設是秩條件不成立，即工具變數與解釋變數不相關。不可識別檢驗在一定程度上可以驗證是否存在弱工具變數，但不能取代對弱工具變數的檢驗。關於弱工具變數的檢驗，可以分為單個內生變數和多個內生變數。

b.弱工具變數檢驗
如果方程中有一個內生變數，一個經驗規則是在第一階段回歸中，如果F統計量>10，則可拒絕「存在弱工具變數」的原假設，不必擔心弱工具變數的問題。

如果方程中有多個內生變數，Stock & Yogo給出了檢驗規則：如果弱識別檢驗的最小特徵值統計量>15% maximal IV size對應的臨界值，就可以認為工具變數不存在弱相關問題。

如果發現是弱工具變數，解決的方法有：

（2）內生性檢驗
首先假定內生性進行2SLS回歸，然後假定不存在內生性進行OLS回歸，最後使用豪斯曼檢驗。
當p值<0.1時，表明兩個回歸的系數存在顯著的系統性差異，及關注的核心變數有內生性。

（3）外生性檢驗
在恰好識別的情況下，即工具變數數=內生變數數，此時公認無法檢驗工具變數的外生性，即工具變數與擾動項不相關。在這種情況下，只能進行定性討論或依賴於專家的意見。在過度識別的情況下，可以進行「過度識別檢驗」。當p>0.1，接受原假設，說明工具變數具有外生性。

注意，如果誤差項存在異方差或自相關，那麼2SLS的估計雖然是一致估計量，但不是有效估計量。更有效的方法是「廣義矩估計」GMM。 某種意義上，GMM之於2SLS，正如GLS之於OLS，前者可以獲得有效估計量，後者只能獲得一致估計量。

該方法的前提條件是：工具變數數>內生變數數，且2SLS存在異方差或自相關

綜上，在使用stata進行2SLS時，推薦使用ivreg2或xtivreg2。

對於面板數據，建議先對模型進行變換，然後對變換後的模型使用2SLS：

參考資料：
《高級計量經濟學及stata應用》
面板數據分析與Stata應用
測量誤差及其對統計分析的影響
有人能講講工具變數和2SLS之間的關系嗎？
工具變數法（五）: 為何第一階段回歸應包括所有外生解釋變數
xtivreg2和它的山寨者

② 計量經濟學：2SLS估計聯立方程參數

問題沒有描述清楚，說清楚點。

你的樣本矩陣是指橫向還是縱向，樣本矩陣怎麼是對稱陣？

③ 有人可以解釋一下2SLS嗎

TSLS，即兩階段最小二乘回歸。是用於解決內生性問題的一種方法，除TSLS外還可使用GMM估計。

內生變數是指與誤差項相關的解釋變數。對應還有一個術語叫『外生變數』，是指與誤差項不相關的解釋變數。

產生內生性問題的原因通常在三類，分別說明如下：

第一階段回歸結果為中間過程值，SPSSAU默認沒有輸出；第二階段回歸結果為最終結果值。

特別提示：

內生性問題涉及以下幾點：分別是內生變數判斷（Durbin-Wu-Hausman檢驗和理論判斷）、內生性問題的解決（兩階段最小二乘回歸TSLS或GMM）、工具變數引入後過度識別檢驗（Sargan檢驗和Basmann檢驗）等。

如果在理論上認為可能某解釋變數可能為內生變數，那麼直接進行TSLS回歸即可。

④ 用spss做2sls回歸 和robust檢驗一樣么

不一樣的，不同的方法啊

⑤ 計量經濟學里IV ils 2sls 分別是說什麼估計方法

IV: Instrument variable
ILS: Inverse Multiple Least Square
2SLS: 2 Step Least Square

⑥ 計量經濟學里IV ils 2sls 分別是說什麼估計方法

IV: 工具變數法
Instrumental Variables
ILS: 間接最小二乘法
Indirect Least Squares
2SLS: 二階段最小二乘法
2 Stage Least Squares

⑦ 有人可以解釋一下2SLS嗎

解釋變數內生性檢驗首先檢驗解釋變數內生性（解釋變數內生性的Hausman 檢驗：使用工具變數法的前提是存在內生解釋變數。Hausman 檢驗的原假設為：所有解釋變數均為外生變數，如果拒絕，則認為存在內生解釋變數，要用IV；反之，如果接受，則認為不存在內生解釋變數，應該使用OLS。 reg ldi lofdi estimates store ols xtivreg ldi (lofdi=l.lofdi ldep lexr) estimates store iv hausman iv ols （在面板數據中使用工具變數，Stata提供了如下命令來執行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （選擇項可以為fe，re等，表示固定效應、隨機效應等。詳見help xtivreg）如果存在內生解釋變數，則應該選用工具變數，工具變數個數不少於方程中內生解釋變數的個數。「恰好識別」時用2SLS。2SLS的實質是把內生解釋變數分成兩部分，即由工具變數所造成的外生的變動部分，以及與擾動項相關的其他部分；然後，把被解釋變數對中的這個外生部分進行回歸，從而滿足OLS前定變數的要求而得到一致估計量。tptqtp 二、異方差與自相關檢驗在球型擾動項的假定下，2SLS是最有效的。但如果擾動項存在異方差或自相關，面板異方差檢驗： 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') 面板自相關：xtserial enc invs exp imp esc mrl 則存在一種更有效的方法，即GMM。從某種意義上，GMM之於2SLS正如GLS之於OLS。好識別的情況下，GMM還原為普通的工具變數法；過度識別時傳統的矩估計法行不通，只有這時才有必要使用GMM，過度識別檢驗（Overidentification Test或J Test）：estat overid 三、工具變數效果驗證工具變數：工具變數要求與內生解釋變數相關，但又不能與被解釋變數的擾動項相關。由於這兩個要求常常是矛盾的，故在實踐上尋找合適的工具變數常常很困難，需要相當的想像力與創作性。常用滯後變數。需要做的檢驗：檢驗工具變數的有效性：（1） 檢驗工具變數與解釋變數的相關性如果工具變數z與內生解釋變數完全不相關，則無法使用工具變數法；如果與僅僅微弱地相關，。這種工具變數被稱為「弱工具變數」（weak instruments）後果就象樣本容量過小。檢驗弱工具變數的一個經驗規則是，如果在第一階段回歸中，F統計量大於10，則可不必擔心弱工具變數問題。Stata命令：estat first（顯示第一個階段回歸中的統計量）（2） 檢驗工具變數的外生性（接受原假設好）在恰好識別的情況下，無法檢驗工具變數是否與擾動項相關。在過度識別（工具變數個數>內生變數個數）的情況下，則可進行過度識別檢驗（Overidentification Test），檢驗原假設所有工具變數都是外生的。如果拒絕該原假設，則認為至少某個變數不是外生的，即與擾動項相關。0H Sargan統計量，Stata命令：estat overid 四、GMM過程在Stata輸入以下命令，就可以進行對面板數據的GMM估計。 . ssc install ivreg2 （安裝程序ivreg2 ） . ssc install ranktest （安裝另外一個在運行ivreg2 時需要用到的輔助程序ranktest） . use "traffic.dta"（打開面板數據） . xtset panelvar timevar （設置面板變數及時間變數） . ivreg2 y x1 (x2=z1 z2),gmm2s （進行面板GMM估計，其中2s指的是2-step GMM）

⑧ 2sls估計 問題求助

。
然後再多看點panel吧。 本質上2SLS也是GMM。現在文章但凡有內生性並且用工具變數幾乎都要check IV是否為weak instruments。。你猜你弄的是DYNAMIC 面板吧。
Hasuman test是需要基於一些maintained assumption的。
建議把內生性弄弄清楚是什麼東西 我記得Angrist 有個JEP文章review過。意思就是你不可能啥都不知道然後檢查是否所有的變數里有內生的。， 然後IV 就出現了 如果IV (包括外生regressor)的數量大於parameters的數量然後就有了GMM，又不unbiased 又不consistent 然後就需要別的orthogonality condition來identify parameter。
有精力的話瞄下Weak instrument問題。 然後GMM去看看是什麼intuition。 內生性是說X和error 相關 然後OLS就當了。把一些重要的文獻讀讀怎麼倒騰的 Hsiao 有倆篇重要的， 教育和能力相關 能力不可觀測 能力影響工資 然後教育就是內生的。。。
內生性問題往往要通過theory或者intuition來識別的 比如跑教育和工資關系時先搞清楚Endogeneity GMM 和 Hausman test 都幹嘛用的

⑨ iv 2sls結果和ols的不同

1 OLS 我們需要根據樣本提供的信息來分析假設的模型，系數代表因變數和自變數之間的關系，某個系數的方差是說該系數的波動性有多大

2 內生性 首先你要弄清楚什麼是內生性，通常用Durbin-Wu-Hausman test檢測內生性

3 2SLS 首先你要明白什麼是IV（instrumental variable），為什麼找到IV就能解決內生性，2sls只是應用IV的一種方法

計量初學最好的方式是好好看書，然後做課後題，弄清楚各個概念最重要

⑩ GMM或2SLS操作問題求助

比如，在微觀層面，如果面板的觀測值是時序相關的，用GMM估計的動態面板就是一種最自然的解決辦法；在宏觀研究中，我們經常將理論模型推衍出的一階條件作為GMM估計的矩條件（moment conditions），理論因而能夠得到數據的檢驗。不過，GMM估計涉及到的矩條件和工具變數的選擇，經常讓人頭疼得要命。這篇短文就是討論GMM估計中矩條件選擇的問題。我不是研究計量經濟學的，很多最基本的東西都不懂，下面這些觀點大都來自Victor Chernozhukov和Whitney Newey兩位老師，引述的不對的地方，請大夥兒指出來。所謂矩條件，就是一個同時含有隨機變數和待估計參數的式子，經濟理論告訴我們，它的期望等於0。矩條件最常見的形式是：E{工具變數*殘差}=0。GMM估計就是在一個限定的范圍內尋找參數，使這個我們在理論上認為正確的等式填入數據後盡可能接近於0。按照我的理解，GMM不僅是一種估計方法，還是一個計量經濟學有經典框架，我們能想到的大多數經典估計方法，OLS、GLS、2SLS、MD、QR、MLE、QMLE等等，都可以寫成GMM的形式。另一個與之匹敵的經典框架是極值估計（extreme estimation）。粗略地說，兩者的差別在於：前者是尋找參數，使矩條件盡可能被滿足；後者是尋找參數，最大化或最小化一個目標函數（求極值）。簡而易見的是，兩種方法在算術上基本是等價的，因為任何一個極值函數的一階條件都是矩條件，而GMM中的目標函數——矩條件經驗期望的二次型——本身又是一個極值函數。但是，兩者在演算法上並不等價。老朱在評論林文夫（Fumio Hayashi）教授那本有名的教科書時說，「GMM的概念很優美，也可以應用到很多問題上。一般化的概念雖然適用性廣，還是有代價的。」這里的代價，我猜測，就是指GMM經常算不出來——由於矩條件本身的特點，GMM的目標函數經常是接近鋸齒狀的（piecewise constant），在這種情況下，GMM會陷在局部最優里，達不到全局最優。分位數回歸（quantile regression）就是一個這樣的例子。不過，GMM在很多時候還是有用的，而且算起來特別快，所以還是有討論的必要。首先我們要問，在GMM估計中，矩條件是不是最多越好？在大樣本下，基本上是這樣——矩條件越多，GMM估計的漸近效率就越高。說「基本上」是因為：第一，這些矩條件必須都是成立的；第二，矩條件的數目相對於樣本數要趨向於0。如果矩條件數與樣本數是等階的，會造成「過度擬合」的問題。形象地說，我們本來要用工具變數來應付內生性問題，但是工具變數太多了，以至於幾乎把內生變數完全擬合了出來，那麼即使工具變數是外生的，也會導致估計量不一致。而在小樣本下，過多的矩條件會造成可怕的高階偏誤，並且矩條件非線性的程度越高，偏誤就越大。要注意的是，這個問題與「弱工具變數問題」並不等價。即使這些工具變數整體上不弱，甚至每個都不弱，過多的矩條件還是會造成嚴重的小樣本偏誤。這里其實涉及到GMM估計的高階偏誤問題，其核心是由GMM目標函數的「非線性」特徵造成的。當矩條件的數目很多，矩條件本身又是非線性的時候，這個問題就愈加嚴重；但即使沒有「矩條件過多」的問題，GMM仍然存在不可忽視的小樣本偏誤。在實踐中，我們可以用幾種方法來減輕這一問題。第一，檢驗矩條件（或工具變數）是否成立。 「過度識別檢定」（overidentification test，OIT）可以被用檢驗某一組矩條件是否成立，前提是去除待檢驗的矩條件後，剩餘的矩條件數目仍大於等於待估計參數的維度。第二，選擇「最有效率」的工具變數。給定一個理論上有效的工具變數Zi，我們可以通過簡便的方法找出Zi的某種最優的函數形式f*(Zi)，把f*(Zi)放入矩條件會使得估計量的漸近方差比放入其他f(Zi)要小。這么做可以盡可能地利用Zi中的信息，而不必將不同函數形式的Zi寫成並列的幾個矩條件。第三，在所有成立的矩條件中選擇一組最優的矩條件。用任意組合的矩條件進行估計，看其中哪一組矩條件得到的估計量的「經驗均方誤」最小。最後，我們還可以用Fuller、HFUL等K-class估計量或LIML、CUE等經驗似然估計量來進行估計，然後用Bekker估計量校正其標准誤。這些估計量可以在很大程度上減小偏誤，即使無法完全消除它。