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
⛳ Stata 系列推文:
作者: 黄晨晨 (厦门大学)
邮箱: chens_huang@163.com
编者按:本文主要摘译自下文,特此致谢!
Source:Casey, G., & Klemp, M. (2021). Historical instruments and contemporary endogenous regressors. Journal of Development Economics, 149, 102586. -Link- -PDF- -Replication1- -Replication2-
目录
在经济学研究中,内生性问题一直是一个重要的挑战。越来越多的研究使用历史工具变量来解决内生性问题。在连享会推文 IV在哪里?奇思妙想的工具变量 中也列举了通过历史因素寻找工具变量的例子。
但是,当工具变量的影响和内生变量的测量之间存在时间差距时,传统的 IV 回归并不能得到参数的一致估计。为此,Gregory Casey 和 Marc Klemp 提出了一个简单框架来估计内生变量的长期影响,并且以 Acemoglu et al. (2001,PDF) 的研究为例检验这种偏差校正方法的效果。
下面,本文将详细介绍 Casey and Klemp (2021) 提出的方法,以及对应的 Stata 实操。
下图中展示了作者的基本思路。其中,
作者认为,这张图的第一行 (忽略
如果有充足的理由认为在当前时期
为了说明问题,作者以 Acemoglu et al. (2001) 为例进行实验。在 Acemoglu et al. (2001) 的研究中,
在标准微观经济学设置中使用工具变量来估计
考虑前文提出的框架,则
虽然这显然是一个计量经济学问题,但尚不清楚
其中,
在讨论工具
在假设下,以
在本节中,我们将展示当未观察到
同时,作者提出第二个假设:
这种方法要求在两个不同的时间点观测
其中,
现在考虑 IV 回归方程:
这是在
其中,
与我们在第 2.1 节中的结果类似,我们可以得到:
为了计算
esteta
命令安装:
ssc install esteta, replace
esteta
命令语法:
esteta y x2 x1 [if exp]
instruments(varlist)
t_y(real) t_x2(real) t_x1(real)
t_eta(real) [, controls(varlist)]
其中,
instruments(varlist)
:排除在外的历史工具变量列表;t_y(varlist)
:因变量 y 的时间段 (例如,年);t_x2(varlist)
:当代内生变量的后期度量 (x2) 的时间段 (例如,年);t_x1(varlist)
:当代内生变量的前期度量 (x1) 的时间段 (例如,年);t_eta(varlist)
:历史工具变量影响的时间段 (例如,年);controls(varlist)
:控制变量。在此以 Acemoglu et al. (2001) 为例,展示 esteta
命令的使用,本部分所用的代码和数据由 Marc Klemp 提供。Acemoglu et al. (2001) 研究的是制度对经济发展的影响。其中,
首先,使用 ivreg2
进行传统 2SLS 估计:
. lxhget replication_ck_2021.zip, replace
. unzipfile replication_ck_2021.zip, replace
. use ./replication_ck_2021/sample, clear
. ivreg2 loggdp1990s (avgexconst1960s=logem4_capped) wb_* labslat, r
Warning - collinearities detected
Vars dropped: wb_eca wb_ssa
IV (2SLS) estimation
--------------------
Estimates efficient for homoskedasticity only
Statistics robust to heteroskedasticity
Number of obs = 56
F( 7, 48) = 46.80
Prob > F = 0.0000
Total (centered) SS = 57.36099115 Centered R2 = 0.4027
Total (uncentered) SS = 4161.478487 Uncentered R2 = 0.9918
Residual SS = 34.25940976 Root MSE = .7822
--------------------------------------------------------------
| Robust
loggdp1990s | Coeff S.E. z P>|z| [95% CI]
----------------+---------------------------------------------
avgexconst1960s | 0.433 0.135 3.20 0.001 0.167 0.698
wb_eap | 1.269 0.354 3.59 0.000 0.576 1.962
wb_eca | 0.000 (omitted)
wb_lac | 1.069 0.207 5.17 0.000 0.664 1.474
wb_mena | 1.751 0.405 4.32 0.000 0.957 2.546
wb_nam | 1.354 0.441 3.07 0.002 0.490 2.218
wb_sas | -0.492 0.554 -0.89 0.375 -1.578 0.594
wb_ssa | 0.000 (omitted)
labslat | -0.109 0.172 -0.64 0.525 -0.446 0.228
_cons | 6.579 0.582 11.30 0.000 5.438 7.721
--------------------------------------------------------------
接下来考虑内生变量持久性:
. ivreg2 avgexconst1960s (cons00=logem4_capped) wb_* labslat, r
Warning - collinearities detected
Vars dropped: wb_eca wb_ssa
IV (2SLS) estimation
--------------------
Estimates efficient for homoskedasticity only
Statistics robust to heteroskedasticity
Number of obs = 56
F( 7, 48) = 51.99
Prob > F = 0.0000
Total (centered) SS = 207.4161495 Centered R2 = 0.1909
Total (uncentered) SS = 937.6831268 Uncentered R2 = 0.8210
Residual SS = 167.8298014 Root MSE = 1.731
-------------------------------------------------------------
| Robust
avgexc~1960s | Coeff S.E. z P>|z| [95% CI]
-------------+-----------------------------------------------
cons00a | 0.693 0.452 1.53 0.125 -0.193 1.579
wb_eap | 0.265 1.074 0.25 0.805 -1.840 2.370
wb_eca | 0.000 (omitted)
wb_lac | -0.147 0.936 -0.16 0.875 -1.981 1.688
wb_mena | -1.777 0.913 -1.95 0.052 -3.566 0.013
wb_nam | 0.503 2.570 0.20 0.845 -4.534 5.541
wb_sas | 2.620 1.155 2.27 0.023 0.356 4.884
wb_ssa | 0.000 (omitted)
labslat | -0.251 0.277 -0.90 0.366 -0.794 0.292
_cons | 2.618 0.492 5.33 0.000 1.654 3.581
-------------------------------------------------------------
接着,利用 test
对持久度进行 Wald Test:
. test cons00 == 1
(1) cons00a = 1
chi2( 1) = 0.46
Prob > chi2 = 0.4964
最后,通过 esteta
计算长期效应:
. esteta loggdp1990s avgexconst1960s cons00, ///
t_y(1995) t_x2(1965) t_x1(1900) t_eta(1800) ///
instruments(logem4_capped) ///
controls(wb_* labslat)
-----------------------------------------------
| Coeff S.E. z P>|z| [95% CI]
----+------------------------------------------
eta | 0.144 0.279 0.51 0.607 -0.403 0.691
-----------------------------------------------
结果展示在表 1 的第三列。我们可以发现估计的长期系数 (0.144) 仅为传统 IV 估计 (0.433) 的三分之一,结果表明传统的 IV 回归高估了长期效应。之所以会出现这种情况,是因为制度不够持久 (
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
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] |
⛳ 课程主页
⛳ 课程主页
关于我们
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