Stata:广义Heckman两步法-gtsheckman

发布时间:2022-10-14 阅读 1087

Stata连享会   主页 || 视频 || 推文 || 知乎 || Bilibili 站

温馨提示: 定期 清理浏览器缓存,可以获得最佳浏览体验。

New! lianxh 命令发布了:
随时搜索推文、Stata 资源。安装:
. ssc install lianxh
详情参见帮助文件 (有惊喜):
. help lianxh
连享会新命令:cnssc, ihelp, rdbalance, gitee, installpkg

课程详情 https://gitee.com/lianxh/Course

课程主页 https://gitee.com/lianxh/Course

⛳ Stata 系列推文:

PDF下载 - 推文合集

作者:章青慈 (中央财经大学)
邮箱Quincy_zqc@163.com

编者按:本文主要参考自下文,特此致谢!
Source:Carlson A, Joshi R. Sample Selection in Linear Panel Data Models with Heterogeneous Coefficients[R]. 2022. -Link- -PDF-


目录


1. 背景简介

传统的 Heckman 两步法可以解决样本选择造成的内生性问题,但仍忽视了由样本个体异质性造成的内生性问题。为了克服这一缺陷,Carlson 和 Joshi (2022) 提出了广义 Heckman 两步法 (又称作 gtsheckman)。它类似于两步一致 Heckman 估计,但允许第一步选择方程中存在异方差,以及更一般化的控制函数形式。此外,它提供了异方差稳健性检验和聚类稳健性检验。

为了推广该方法,Carlson 和 Joshi (2022) 编写了广义 Heckman 两步法的 Stata 命令 gtsheckman。本文的主要目的是介绍 gtsheckman 命令的使用。

2. 估计步骤

2.1 异质性截距和异质性系数

给定面板数据,选择方程可以灵活地设计异质性截距和异质性系数:

其中 uit2 是潜在的特有误差,Dtζ 是时间虚拟变量。选择方程中未观测到的效应可表示为观测到的效应的线性函数:

所以选择方程可以进一步写为:

2.2 具体估计步骤

对于被观测到的样本方程:

样本被观测到的概率:

按照传统的 Heckman 两步法进行控制函数推导:

将逆米尔斯比率 (IMR) 定义为:

将控制函数与 IMR 代入,估计方程变为以下形式:

根据这个估计方程式,作者提出了一个灵活的参数两步估计过程:

  • 首先,为模型 (3) 中的二元样本选择模型选择参数规范。使用所有 n×T 观测值,通过最大化以下函数,获得异方差 Probit 模型中参数的估计值:
  • 其次,选择 CLP 函数的形式,并将其与 IMR 一起加入模型 (8)。使用选定的样本观测值,通过以下估计方程的组合非线性 (或线性) 最小二乘法,获得第二阶段的参数估计值。

3. 命令介绍

命令安装:

ssc install gtsheckman, replace

命令语法:

gtsheckman depvar [indepvars] [if] [in] , select (depvar_s = varlist_s) [options]

其中,

  • select():表示写入选择方程,括号内是选择方程的具体变量;
  • depvar:指定回归的被解释变量;
  • indepvars:指定回归的控制变量和外生变量;
  • depvar_s:表示 “回归的被解释变量是否被观测到” 的二元虚拟变量 (0 表示未被观测的样本,1 表示观测到的样本) ;
  • varlist_s:选择方程中的控制变量和外生变量集。

主要选项如下:

  • het(varlist):指定第一阶段异方差概率估计的方差函数中的自变量;
  • clp(varlist):指定第二阶段控制函数中与 IMR 相互作用的自变量;
  • vce(vcetype):指定结果报告标准误的类型;
  • lambda:根据选择模型第一阶段估计 IMR 值,生成名为 lambda 的新变量。

4. 具体应用

4.1 操作实例

进行 Heckman 的两步一致估计:

. use http://fmwww.bc.edu/ec-p/data/wooldridge/mroz, clear
. gtsheckman lwage educ exper expersq, ///
>     select(inlf = educ exper expersq age nwifeinc kidslt6 kidsge6)

Generalized Two Step Heckman Estimator             Number of obs =        753
                                                        Selected =        428
                                                     Nonselected =        325
First-stage probit estimates
------------------------------------------------------------------------------
        inlf | Coefficient  Std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
inlf         |
        educ |      0.131      0.025     5.18   0.000        0.081       0.180
       exper |      0.123      0.019     6.59   0.000        0.087       0.160
     expersq |     -0.002      0.001    -3.15   0.002       -0.003      -0.001
         age |     -0.053      0.008    -6.23   0.000       -0.069      -0.036
    nwifeinc |     -0.012      0.005    -2.48   0.013       -0.022      -0.003
     kidslt6 |     -0.868      0.119    -7.33   0.000       -1.101      -0.636
     kidsge6 |      0.036      0.043     0.83   0.408       -0.049       0.121
       _cons |      0.270      0.509     0.53   0.595       -0.727       1.267
------------------------------------------------------------------------------
Second-stage augmented regression estimates
------------------------------------------------------------------------------
             | Coefficient  Std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
lwage        |
        educ |      0.109      0.016     7.03   0.000        0.079       0.139
       exper |      0.044      0.016     2.70   0.007        0.012       0.076
     expersq |     -0.001      0.000    -1.96   0.050       -0.002       0.000
      lambda |      0.032      0.134     0.24   0.809       -0.230       0.294
       _cons |     -0.578      0.305    -1.90   0.058       -1.176       0.020
------------------------------------------------------------------------------

进行样本选择方程中具有异方差性和稳健标准误的 Heckman 两步一致估计:

. gtsheckman lwage educ exper expersq,                               ///
>     select(inlf = educ exper expersq age nwifeinc kidslt6 kidsge6) ///
>     het(educ kidslt6 kidsge6) vce(robust)

Generalized Two Step Heckman Estimator             Number of obs =        753
                                                        Selected =        428
                                                     Nonselected =        325
First-stage heteroskedastic probit estimates
------------------------------------------------------------------------------
        inlf | Coefficient  Std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
inlf         |
        educ |      0.089      0.040     2.25   0.025        0.011       0.167
       exper |      0.089      0.036     2.50   0.012        0.019       0.159
     expersq |     -0.002      0.001    -2.20   0.028       -0.003      -0.000
         age |     -0.035      0.015    -2.40   0.016       -0.064      -0.006
    nwifeinc |     -0.009      0.005    -1.83   0.068       -0.018       0.001
     kidslt6 |     -0.640      0.277    -2.31   0.021       -1.184      -0.097
     kidsge6 |      0.035      0.041     0.87   0.386       -0.045       0.115
       _cons |      0.120      0.363     0.33   0.740       -0.590       0.831
-------------+----------------------------------------------------------------
lnsigma      |
        educ |     -0.042      0.031    -1.36   0.173       -0.102       0.018
     kidslt6 |      0.088      0.193     0.45   0.650       -0.291       0.467
     kidsge6 |      0.096      0.067     1.43   0.152       -0.035       0.226
------------------------------------------------------------------------------
Second-stage augmented regression estimates
------------------------------------------------------------------------------
             |               Robust
             | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
lwage        |
        educ |      0.106      0.014     7.61   0.000        0.079       0.134
       exper |      0.039      0.016     2.50   0.012        0.008       0.070
     expersq |     -0.001      0.000    -1.81   0.071       -0.002       0.000
      lambda |     -0.024      0.091    -0.26   0.795       -0.202       0.154
       _cons |     -0.471      0.260    -1.81   0.070       -0.981       0.039
------------------------------------------------------------------------------
Warning: If introducing heteroskedasticity should specify clp(varlist)

4.2 应用案例

为了更好地理解这一方法,Carlson 和 Joshi (2022) 使用国际象棋评级数据,分析选手在约束时间内进行风险决策行为的个体差异。世界国际象棋联合会报告了三类国际象棋比赛 (Standard、Rapid、Blitz) 的选手排名,三类比赛的用时存在差异。选手对比赛类型的选择可能受到性别、技巧及某些不可观测因素的影响,故可以对这一问题建立选择模型 (以 Rapid 为例)。

其中,Standard 表示选手在 Standard 比赛中的排名,衡量选手在不受时间限制下的技术。在这两个方程中,femalestandard 具有异质性截距和系数,不喜欢在约束时间内决策的选手对应系数较小。

在第一阶段估计中,分别采用 Probit、CRE Probit 和 CRC Het Probit 进行估计,结果比较稳健。χ2 统计量范围在 1135.63 至 15901.20 之间,并且绝大多数个体的系数也是显著的。

第二阶段的估计结果如下表所示,第 (5) 列为 gtsheckman 的估计结果,可见该结果与其他方法存在较大差异。在性别方面,female 的系数为 -0.0875,大小几乎是前人研究 (Wooldridge,1995) 的 4 倍。此外,模型中的交互项在统计学意义上也是显著的,证明 gtsheckman 估计的模型形式是合理的。研究结果表明女性会更谨慎地选择具有时间约束的比赛,技术更好的选手也具有这种特点。

POLS 忽略了样本选择和个体差异造成的内生性,Heckman 忽略了个体差异造成的内生性,只有 gtsheckman 法能充分地解决由样本选择和个体差异造成的复杂内生性。

5. 相关推文

Note:产生如下推文列表的 Stata 命令为:
lianxh psm heckman, m
安装最新版 lianxh 命令:
ssc install lianxh, replace

相关课程

免费公开课

最新课程-直播课

专题 嘉宾 直播/回看视频
最新专题 文本分析、机器学习、效率专题、生存分析等
研究设计 连玉君 我的特斯拉-实证研究设计-幻灯片-
面板模型 连玉君 动态面板模型-幻灯片-
面板模型 连玉君 直击面板数据模型 [免费公开课,2小时]
  • Note: 部分课程的资料,PPT 等可以前往 连享会-直播课 主页查看,下载。

课程主页

课程主页

关于我们

  • Stata连享会 由中山大学连玉君老师团队创办,定期分享实证分析经验。
  • 连享会-主页知乎专栏,700+ 推文,实证分析不再抓狂。直播间 有很多视频课程,可以随时观看。
  • 公众号关键词搜索/回复 功能已经上线。大家可以在公众号左下角点击键盘图标,输入简要关键词,以便快速呈现历史推文,获取工具软件和数据下载。常见关键词:课程, 直播, 视频, 客服, 模型设定, 研究设计, stata, plus, 绘图, 编程, 面板, 论文重现, 可视化, RDD, DID, PSM, 合成控制法

连享会小程序:扫一扫,看推文,看视频……

扫码加入连享会微信群,提问交流更方便

✏ 连享会-常见问题解答:
https://gitee.com/lianxh/Course/wikis

New! lianxhsongbl 命令发布了:
随时搜索连享会推文、Stata 资源,安装命令如下:
. ssc install lianxh
使用详情参见帮助文件 (有惊喜):
. help lianxh