Stata：IV估计新方法-ivreg2m

发布时间：2022-07-23 阅读 3540
分享到微信 分享到微博 收藏文章

 

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：董洁妙 (暨南大学)
邮箱：graceveio@163.com

 

 

目录

 

 

1. 背景简介

当某些观测值处理组划分的结果不是随机缺失，或者这些结果普遍存在错误测量时，对局部平均处理效果 (LATE) 的估计结果是有偏的。

具体地，Calvi 等 (2021) 在探讨印度妇女对家庭资源的控制权与家庭健康之间的因果关系时，使用妇女对家庭资源的控制程度作为 Treatment，并利用 1976 年至 2005 年间印度几个州颁布的《印度教继承法》修正案 (这一法案的颁布意味着赋予妇女继承其出生家庭财产的权利，改善了她们的外部选择) 构建工具变量并进行 IV 估计。

但是事实上，妇女对家庭资源的控制程度是不能被直接观测得到的，为了识别这一因果关系，作者提出使用结构模型进行估计。因此，Treatment 能否被准确识别将变得非常重要，错误识别将会导致 LATE 的估计结果出现较大的偏误。为了解决这些问题，Calvi 等 (2021) 提出了一种新的估计方法 (Mismeasurement Robust LATE，MR-LATE) 来修正 LATE 估计结果。

  • 首先，将 Treatment 拆分为 Ta (Ta=1 表示获得处理的状态，Ta=0 表示未获得处理的状态) 和 Tb (Tb=1 表示处理数据缺失或处理数据存在偏误的状态，Tb=0 表示未获得处理的状态) 两组二元处理变量，对应构建双方程的结构模型；
  • 接着，通过非线性似不相关回归 (SUR) 估计 Ta 的系数，捕捉修正后的 LATE，估计 Tb 的系数，用于隔绝遗漏变量或误差所造成的影响。

在新方法下，当处理组的识别指标包含缺失值时，MR-LATE 可以识别并一致地估计 LATE。当处理组的划分出现错误时，MR-LATE 可以减少传统 LATE 的估计偏差。为了推广这一估计方法的使用，Calvi 等 (2021) 编写了 MR-LATE 的估计命令 ivreg2m。本文的目的是介绍 ivreg2m 命令的使用方法。

在正式介绍之前，本文先对 ivreg2m 命令的使用补充以下几个重要事项：

  • 第一，ivreg2m 不仅可以分别估计处理组的识别指标缺失和识别错误条件下的 LATE，还可以估计同时存在上述问题条件下的 LATE。
  • 第二，ivreg2m 是在现有的 xtivreg2 和 ivreg2 的框架上建立的，所以一切关于 xtivreg2 和 ivreg2 的拓展指令几乎都可以在 ivreg2m 中使用。
  • 第三，ivreg2m 和 ivreg2 之间存在三个主要区别。首先，在运行该命令之前，用户必须生成一个离散的处理变量，并至少包含以下三个赋值：是否位于处理组，是否位于控制组，是否为缺失、误测或者其他未知的状态。其次，在估计过程中，可以同时设定一个或多个工具变量，但工具变量也必须满足二元或离散 (整数) 值的变量设定。最后，该命令只支持 VCE 的单向聚类。
  • 第四，ivreg2 和 ranktest 软件包必须从 SSC 中安装。同时，不应使用 ivreg2 的早期版本。

 

2. 命令介绍

命令安装：

ssc install ivreg2m, replace

命令语法：

ivreg2m depvar [varlist] (treatment=varlist_iv) [weight] [if exp] [in range] [, ta(string) tb(string) options]
  • depvar：指定回归的被解释变量；
  • treatment：指定回归中存在错误的原始处理变量的名称；
  • ta(string)：定义处理组中处理变量 Ta 的数字值，默认为 ta(1)；
  • tb(string)：定义控制组中处理变量 Ta 的数字值，默认为 tb(-1)。

 

3. Stata 实操

为了更好地理解 MR-LATE 在实际分析中的应用，Calvi 等 (2021) 使用是否加入美国退休金 401k 计划对个人净固定资产的影响进行举例。401k 计划是指美国 1978 年《国内税收法》新增的第 401 条 k 项条款的规定，具体指代一种由雇员、雇主共同缴费建立起来的完全基金式的养老保险制度。

但是，在美国养老保险制度的选择并不唯一。美国还推出了个人退休金账户计划 (以下简称 IRA计划) 作为备选。那么，在分析个是否加入 401k 计划对个人净固定资产的影响时，难免会面临着遗漏 IRA 计划所造成 LATE 的偏误。这种情况，可以通过 ivreg2m 命令估计 MR-LATE 进行解决：

第一，调用数据进行回归分析。

. ssc install bcuse, replace
. bcuse 401ksubs, clear

第二，生成一个处理变量 (离散型)，至少包含三个不同的取值。

. generate treat = (p401k & pira)
. replace treat = -1 if (p401k==0 & pira==0)

第三，使用 ivreg2m 命令进行估计，解释变量包括错误分类的 Treatment 变量，以及一个二元的工具变量。

. ivreg2m nettfa (treat = e401k), ta(1) tb(-1) 

MR-LATE point and interval estimate: 
(1)  treat_a - treat_b = 0
------------------------------------------------------------------------------
      nettfa | Coefficient  Std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
         (1) |     72.666      2.613    27.81   0.000       67.545      77.788
------------------------------------------------------------------------------

第四，在第三步基础上加入控制变量和采用 Robust 标准误的回归结果。

. ivreg2m nettfa (treat = e401k) inc, robust ta(1) tb(-1)

MR-LATE point and interval estimate: 
(1)  treat_a - treat_b = 0
------------------------------------------------------------------------------
      nettfa | Coefficient  Std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
         (1) |     58.839      3.154    18.66   0.000       52.657      65.021
------------------------------------------------------------------------------

第五，在第四步基础上加入多项工具变量以及 cluster-robust 标准误的回归结果。

. ivreg2m nettfa (treat = e401k pira) inc, cluster(age) ta(1) tb(-1)

MR-LATE point and interval estimate: 
(1)  treat_a - treat_b = 0
------------------------------------------------------------------------------
      nettfa | Coefficient  Std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
         (1) |     58.104      3.386    17.16   0.000       51.467      64.741
------------------------------------------------------------------------------

 

4. 结语

相信大家在阅读本推文后，对如何使用 ivreg2m 命令估计修正后的 LATE (即 MR-LATE) 有了更深入的理解。不过，它也存在一些不足，比如只能够考虑单一偏误冲击所造成的影响。未来，几个可能性的优化方向包括：

  • 允许估计两个以上的冲击偏误下的 MR-LATE；
  • 对于多个工具变量的处理，可以根据每个工具平均 MR-LATEs，或者对错误分类概率施加同质性。

 

5. 参考资料

  • Baum, C., M. Schaffer, and S. Stillman. 2007. ivreg2: Stata module for extended instrumental variables/2SLS and GMM and AC/HAC, LIML and k-class regression. -Link-
  • Schaffer, M. 2020. XTIVREG2: Stata module to perform extended IV/2SLS, GMM and AC/HAC, LIML and k-class regression for panel data models. -Link-
  • Calvi, R., A. Lewbel, and D. Tommasi. 2021. LATE With Missing or Mismeasured Treatment. Journal of Business & Economic Statistics, forthcoming. -PDF-
  • Imbens, G. W., and J. D. Angrist. 1994. Identification and Estimation of Local Average Treatment Effects. Econometrica 62(2): 467-475. -PDF-
  • Tommasi, D., and L. Zhang. 2022. Identifying Program Benefits When Participation Is Misreported. IZA Discussion Paper 13430. -PDF-

 

6. 相关推文

Note：产生如下推文列表的 Stata 命令为：
  lianxh 工具变量, 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 和 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 等

 

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！ lianxh 和 songbl 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