2sls是什么意思计量经济学

① 内生性处理：工具变量法

内生性问题是解释变量与扰动项相关导致的，具体的表现形式有遗漏变量、双向因果和测量误差。

OLS能够成立的最重要前提条件是解释变量与扰动项不相关。否则，OLS估计量将是有偏且不一致的。
无偏是指估计量的期望等于真实值。一致性是指，随着样本的增大，估计量无限接近于真实值。

固定效应模型在 一定程度上 可以缓解内生性。因为使用固定效应模型的原因是存在个体效应、时间效应与解释变量相关。此时如果不用固定效应模型，这些个体、时间影响就会溜到扰动项中，就产生了内生性问题。

解决内生性问题常见的做法是使用工具变量。

工具变量：与模型中内生变量（解释变量）高度相关，但却不与误差项相关，估计过程中被作为工具使用，以替代模型中与误差项相关的解释变量的变量。

“找好的工具变量好比寻找一个好的伴侣，ta应该强烈地爱着你（强相关），但不能爱着别人（外生性）。”

IV法可以视为2SLS的特例。 当内生变量个数=工具变量个数时，称为IV法；当内生变量个数<工具变量个数时，称为2SLS

2SLS思路如下：
y=α+βx1+γx2+u，其中x1是严格外生的，x2是内生的，则至少需要1个工具变量，z1为工具变量。
第一阶段回归：内生变量和工具变量
x2=a+bz1+cx1+e
第二阶段回归：内生变量的预测值和被解释变量
y=α+βx1+γx2'+v

2SLS背后逻辑：
将内生解释变量分为两部分，有工具变量造成的外生部分和与扰动项相关的内生部分。
第一阶段：通过外生变量的预测回归，得到这些变量的外生部分。
第二阶段：把被解释变量对解释变量中的外生部分进行回归，消除偏误得到一致估计。

注意：为了保证2SLS的一致性，必须把原方程中所有的外生解释变量都放入第一阶段回归。

2SLS的难点在于恰当的工具变量选择。若存在N个内生解释变量，则至少需要N个工具变量。

假设回归模型

stata命令如下：

以上命令ivregress 2sls 和 ivreg2是等价的，只是 ivreg2显示的内容更为丰富。xtivreg2 相较于ivreg2，就是OLS和FE/FD模型的差别，ivreg2 ... i.Year i.id等价于xtivreg2 ... i.Year, fe。

针对工具变量有三大检验：

以上三大检验，优先做相关性检验。这是由于弱工具变量会对估计结果以及外生性检验结果产生影响。

（1）相关性检验

a.不可识别检验
不可识别检验的原假设是秩条件不成立，即工具变量与解释变量不相关。不可识别检验在一定程度上可以验证是否存在弱工具变量，但不能取代对弱工具变量的检验。关于弱工具变量的检验，可以分为单个内生变量和多个内生变量。

b.弱工具变量检验
如果方程中有一个内生变量，一个经验规则是在第一阶段回归中，如果F统计量>10，则可拒绝“存在弱工具变量”的原假设，不必担心弱工具变量的问题。

如果方程中有多个内生变量，Stock & Yogo给出了检验规则：如果弱识别检验的最小特征值统计量>15% maximal IV size对应的临界值，就可以认为工具变量不存在弱相关问题。

如果发现是弱工具变量，解决的方法有：

（2）内生性检验
首先假定内生性进行2SLS回归，然后假定不存在内生性进行OLS回归，最后使用豪斯曼检验。
当p值<0.1时，表明两个回归的系数存在显着的系统性差异，及关注的核心变量有内生性。

（3）外生性检验
在恰好识别的情况下，即工具变量数=内生变量数，此时公认无法检验工具变量的外生性，即工具变量与扰动项不相关。在这种情况下，只能进行定性讨论或依赖于专家的意见。在过度识别的情况下，可以进行“过度识别检验”。当p>0.1，接受原假设，说明工具变量具有外生性。

注意，如果误差项存在异方差或自相关，那么2SLS的估计虽然是一致估计量，但不是有效估计量。更有效的方法是“广义矩估计”GMM。 某种意义上，GMM之于2SLS，正如GLS之于OLS，前者可以获得有效估计量，后者只能获得一致估计量。

该方法的前提条件是：工具变量数>内生变量数，且2SLS存在异方差或自相关

综上，在使用stata进行2SLS时，推荐使用ivreg2或xtivreg2。

对于面板数据，建议先对模型进行变换，然后对变换后的模型使用2SLS：

参考资料：
《高级计量经济学及stata应用》
面板数据分析与Stata应用
测量误差及其对统计分析的影响
有人能讲讲工具变量和2SLS之间的关系吗？
工具变量法（五）: 为何第一阶段回归应包括所有外生解释变量
xtivreg2和它的山寨者

② 计量经济学：2SLS估计联立方程参数

问题没有描述清楚，说清楚点。

你的样本矩阵是指横向还是纵向，样本矩阵怎么是对称阵？

③ 有人可以解释一下2SLS吗

TSLS，即两阶段最小二乘回归。是用于解决内生性问题的一种方法，除TSLS外还可使用GMM估计。

内生变量是指与误差项相关的解释变量。对应还有一个术语叫‘外生变量’，是指与误差项不相关的解释变量。

产生内生性问题的原因通常在三类，分别说明如下：

第一阶段回归结果为中间过程值，SPSSAU默认没有输出；第二阶段回归结果为最终结果值。

特别提示：

内生性问题涉及以下几点：分别是内生变量判断（Durbin-Wu-Hausman检验和理论判断）、内生性问题的解决（两阶段最小二乘回归TSLS或GMM）、工具变量引入后过度识别检验（Sargan检验和Basmann检验）等。

如果在理论上认为可能某解释变量可能为内生变量，那么直接进行TSLS回归即可。

④ 用spss做2sls回归 和robust检验一样么

不一样的，不同的方法啊

⑤ 计量经济学里IV ils 2sls 分别是说什么估计方法

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

⑥ 计量经济学里IV ils 2sls 分别是说什么估计方法

IV: 工具变量法
Instrumental Variables
ILS: 间接最小二乘法
Indirect Least Squares
2SLS: 二阶段最小二乘法
2 Stage Least Squares

⑦ 有人可以解释一下2SLS吗

解释变量内生性检验首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。 reg ldi lofdi estimates store ols xtivreg ldi (lofdi=l.lofdi ldep lexr) estimates store iv hausman iv ols （在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp 二、异方差与自相关检验在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，面板异方差检验： 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') 面板自相关：xtserial enc invs exp imp esc mrl 则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid 三、工具变量效果验证工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。需要做的检验：检验工具变量的有效性：（1） 检验工具变量与解释变量的相关性如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）（2） 检验工具变量的外生性（接受原假设好）在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0H Sargan统计量，Stata命令：estat overid 四、GMM过程在Stata输入以下命令，就可以进行对面板数据的GMM估计。 . ssc install ivreg2 （安装程序ivreg2 ） . ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest） . use "traffic.dta"（打开面板数据） . xtset panelvar timevar （设置面板变量及时间变量） . ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

⑧ 2sls估计 问题求助

。
然后再多看点panel吧。 本质上2SLS也是GMM。现在文章但凡有内生性并且用工具变量几乎都要check IV是否为weak instruments。。你猜你弄的是DYNAMIC 面板吧。
Hasuman test是需要基于一些maintained assumption的。
建议把内生性弄弄清楚是什么东西 我记得Angrist 有个JEP文章review过。意思就是你不可能啥都不知道然后检查是否所有的变量里有内生的。， 然后IV 就出现了 如果IV (包括外生regressor)的数量大于parameters的数量然后就有了GMM，又不unbiased 又不consistent 然后就需要别的orthogonality condition来identify parameter。
有精力的话瞄下Weak instrument问题。 然后GMM去看看是什么intuition。 内生性是说X和error 相关 然后OLS就当了。把一些重要的文献读读怎么倒腾的 Hsiao 有俩篇重要的， 教育和能力相关 能力不可观测 能力影响工资 然后教育就是内生的。。。
内生性问题往往要通过theory或者intuition来识别的 比如跑教育和工资关系时先搞清楚Endogeneity GMM 和 Hausman test 都干嘛用的

⑨ iv 2sls结果和ols的不同

1 OLS 我们需要根据样本提供的信息来分析假设的模型，系数代表因变量和自变量之间的关系，某个系数的方差是说该系数的波动性有多大

2 内生性 首先你要弄清楚什么是内生性，通常用Durbin-Wu-Hausman test检测内生性

3 2SLS 首先你要明白什么是IV（instrumental variable），为什么找到IV就能解决内生性，2sls只是应用IV的一种方法

计量初学最好的方式是好好看书，然后做课后题，弄清楚各个概念最重要

⑩ GMM或2SLS操作问题求助

比如，在微观层面，如果面板的观测值是时序相关的，用GMM估计的动态面板就是一种最自然的解决办法；在宏观研究中，我们经常将理论模型推衍出的一阶条件作为GMM估计的矩条件（moment conditions），理论因而能够得到数据的检验。不过，GMM估计涉及到的矩条件和工具变量的选择，经常让人头疼得要命。这篇短文就是讨论GMM估计中矩条件选择的问题。我不是研究计量经济学的，很多最基本的东西都不懂，下面这些观点大都来自Victor Chernozhukov和Whitney Newey两位老师，引述的不对的地方，请大伙儿指出来。所谓矩条件，就是一个同时含有随机变量和待估计参数的式子，经济理论告诉我们，它的期望等于0。矩条件最常见的形式是：E{工具变量*残差}=0。GMM估计就是在一个限定的范围内寻找参数，使这个我们在理论上认为正确的等式填入数据后尽可能接近于0。按照我的理解，GMM不仅是一种估计方法，还是一个计量经济学有经典框架，我们能想到的大多数经典估计方法，OLS、GLS、2SLS、MD、QR、MLE、QMLE等等，都可以写成GMM的形式。另一个与之匹敌的经典框架是极值估计（extreme estimation）。粗略地说，两者的差别在于：前者是寻找参数，使矩条件尽可能被满足；后者是寻找参数，最大化或最小化一个目标函数（求极值）。简而易见的是，两种方法在算术上基本是等价的，因为任何一个极值函数的一阶条件都是矩条件，而GMM中的目标函数——矩条件经验期望的二次型——本身又是一个极值函数。但是，两者在算法上并不等价。老朱在评论林文夫（Fumio Hayashi）教授那本有名的教科书时说，“GMM的概念很优美，也可以应用到很多问题上。一般化的概念虽然适用性广，还是有代价的。”这里的代价，我猜测，就是指GMM经常算不出来——由于矩条件本身的特点，GMM的目标函数经常是接近锯齿状的（piecewise constant），在这种情况下，GMM会陷在局部最优里，达不到全局最优。分位数回归（quantile regression）就是一个这样的例子。不过，GMM在很多时候还是有用的，而且算起来特别快，所以还是有讨论的必要。首先我们要问，在GMM估计中，矩条件是不是最多越好？在大样本下，基本上是这样——矩条件越多，GMM估计的渐近效率就越高。说“基本上”是因为：第一，这些矩条件必须都是成立的；第二，矩条件的数目相对于样本数要趋向于0。如果矩条件数与样本数是等阶的，会造成“过度拟合”的问题。形象地说，我们本来要用工具变量来应付内生性问题，但是工具变量太多了，以至于几乎把内生变量完全拟合了出来，那么即使工具变量是外生的，也会导致估计量不一致。而在小样本下，过多的矩条件会造成可怕的高阶偏误，并且矩条件非线性的程度越高，偏误就越大。要注意的是，这个问题与“弱工具变量问题”并不等价。即使这些工具变量整体上不弱，甚至每个都不弱，过多的矩条件还是会造成严重的小样本偏误。这里其实涉及到GMM估计的高阶偏误问题，其核心是由GMM目标函数的“非线性”特征造成的。当矩条件的数目很多，矩条件本身又是非线性的时候，这个问题就愈加严重；但即使没有“矩条件过多”的问题，GMM仍然存在不可忽视的小样本偏误。在实践中，我们可以用几种方法来减轻这一问题。第一，检验矩条件（或工具变量）是否成立。 “过度识别检定”（overidentification test，OIT）可以被用检验某一组矩条件是否成立，前提是去除待检验的矩条件后，剩余的矩条件数目仍大于等于待估计参数的维度。第二，选择“最有效率”的工具变量。给定一个理论上有效的工具变量Zi，我们可以通过简便的方法找出Zi的某种最优的函数形式f*(Zi)，把f*(Zi)放入矩条件会使得估计量的渐近方差比放入其他f(Zi)要小。这么做可以尽可能地利用Zi中的信息，而不必将不同函数形式的Zi写成并列的几个矩条件。第三，在所有成立的矩条件中选择一组最优的矩条件。用任意组合的矩条件进行估计，看其中哪一组矩条件得到的估计量的“经验均方误”最小。最后，我们还可以用Fuller、HFUL等K-class估计量或LIML、CUE等经验似然估计量来进行估计，然后用Bekker估计量校正其标准误。这些估计量可以在很大程度上减小偏误，即使无法完全消除它。