locmtest：非线性模型的内生性检验

发布时间：2021-01-07 阅读 5663

Stata连享会主页 || 视频 || 推文 || 知乎

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

✌ 课程详情： https://gitee.com/arlionn/Course | lianxh.cn

✨ 课程主页： https://gitee.com/arlionn/Course

作者： 黄钊琳 (中山大学)
邮箱： 907641684@qq.com

本文编译自如下论文，特此致谢：
Michael P. Babington, Javier Cano-Urbina. A Test for Exogeneity in the Presence of Nonlinearities. Stata Journal, 2016, 16(3):761-777. -PDF-

1. 引言

在许多的经济应用中，经常会产生非线性关系。即使潜在的内生变量其实是非线性地进入关系，我们通常假设其线性进入关系，然后运用 Hausman 检验。然而在存在这些非线性的情况下，Hausman 检验对潜在的内生变量是否外生是不知情的。

因此，当结果变量和离散的潜在内生变量之间是非线性关系时，为了评估非线性模型的内生性，locmtest 命令应运而生。本文主要介绍 locmtest 命令的应用背景、基本思想和实例应用。

2. 非线性模型的内生性检验

本命令是在 Lochner and Moretti (2015, Review of Economics and Statistics 97: 387–397) 提出的非线性模型的内生性检验基础上开发的。

2.1 适用场景

值得注意的是，在 Lochner and Moretti (2015) 基础上开发的测试并不适用于所有非线性模型，而只适用于以下情况：

假设我们估计变量 $s_{i}$ 对结果 $y_{i}$ 的影响，其中 $s_{i} \in {0, 1, 2, 3, \dots, S}$ ， $x_{i}$ 是外生变量，因此可以写出以下的等式：

y_{i} = \sum_{j = 1}^{S} D_{i j} β_{j} + x_{i}^{'} γ + ε_{i} (1)

当 $s_{i} \geq j$ 时， $D_{i j} = 1$ ，反之则为0，且 $E (ε_{i}) = 0$ ， $E (ε_{i} ∣ x_{i}) = 0$

如果 $s_{i}$ 是潜在的内生变量，在研究中通常估计 $s_{i}$ 与 $y_{i}$ 存在线性关系如下式：

y_{i} = s_{i} β^{L} + x_{i}^{'} γ^{L} + ν_{i} (2)

但不同的是它隐含的假设是 $s_{i}$ 对结果的影响在所有 $s_{i}$ 水平上都是一致的，而 (1) 式则允许不同 $s_{i}$ 水平对结果变量有不同的影响。

因此，本命令只在 (1) 式和 (2) 式描述的特定模型中适用。同时不难看出，还需要满足三个至关重要的条件：

必须存在单个有限值离散潜在内生变量 $s_{i}$ ；
外生变量 $x_{i}$ 是可加可分的，线性进入方程；
总体中所有系数均为均匀系数。

2.2 理论前提

在之前的研究中， (2) 式中内生性问题通常是使用 Hausman 检验即基于 OLS 和 IV 或 2SLS 估计的比较，但是 Lochner and Moretti 发现，当真实关系用 (1) 描述时，用 (2) 估计可以导致不同的普通最小二乘 OLS 、 IV 和两阶段最小二乘 2SLS ，如果用 Hausman 检验有可能会导致错误的内生性结论。因此， Lochner and Moretti 针对这种情况提出了一个新的稳健性检验。

下面给出当非线性模型 (1) 是正确时，会导致线性模型 (2) 中的 ${\hat{β}}^{L}$ 在OLS 和 IV 或 2SLS 中出现不同的加权平均值的数学证明。

首先从 IV 估计看起，标准的 IV 估计会使得 (2) 式中的 $β_{j}$ 收敛到 (1) 式中特定水平权重 $β_{j}$ 的值。我们只考虑一个工具变量 $z_{i}$ ，定义 $M_{x} = I - x {(x^{'} x)}^{- 1} x^{'}$ ，同时假设存在变量 $w$ ，让 $\tilde{w} = M_{x} w$ ， IV 估计中 $β_{j}$ 的估计量如下：

\begin{aligned} {\hat{β}}_{I V}^{L} & = {(z^{'} M_{x} s)}^{- 1} z^{'} M_{x} y \\ = {(z^{'} M_{x} s)}^{- 1} z^{'} M_{x} (\sum_{j = 1}^{S} D_{j} β_{j} + x γ + ε) \\ = \sum_{j = 1}^{S} {\hat{ω}}_{j}^{I V} β_{j} + {({\tilde{z}}^{'} \tilde{s})}^{- 1} \tilde{z} ε \end{aligned}

其中， $\begin{aligned} {\hat{ω}}_{j}^{I V} = {({\tilde{z}}^{'} \tilde{s})}^{- 1} {\tilde{z}}^{'} D_{j} \end{aligned}$ 紧接着为了求出 $β_{j}$ 的概率极限和收敛到该极限的必要假设，考虑两个线性关系:

$s_{i} = x_{i}^{'} δ_{s} + η_{i}$
其中 $δ_{s} = {E (x_{i} x_{i}^{'})}^{- 1} E (x_{i} s_{i})$
且 $E (x_{i} η_{i}) = 0$
$z_{i} = x_{i}^{'} δ_{z} + ζ_{i}$
其中 $δ_{z} = {E (x_{i} x_{i}^{'})}^{- 1} E (x_{i} z_{i})$
且 $E (x_{i} ζ_{i}) = 0$

满足假设1：已知 $E (z_{i} ε_{i}) = 0$ ，在控制了 $x_{i}$ 之后 $z_{i}$ 与 $s_{i}$ 相关，假设 $E (z_{i} η_{i}) \neq 0$
的前提下，那么可以得到 $β_{j}$ 的概率极限为：

{\hat{β}}_{I V}^{L} \overset{p}{⟶} \sum_{j = 1}^{S} ω_{j}^{I V} β_{j} (3)

对所有的 $j = 1, 2. . . S$ ，权重 $w_{j}$ 的和为1，式子如下：

ω_{j}^{I V} = \frac{\Pr (s_{i} \geq j ∣ x_{i}) E (ζ_{i} ∣ s_{i} \geq j)}{\sum_{q = 1}^{S} \Pr (s_{i} \geq q ∣ x_{i}) E (ζ_{i} ∣ s_{i} \geq q)} \geq 0

而 $w_{j}$ 的样本估计量 ${\hat{ω}}_{j}^{I V} = {({\tilde{z}}^{'} \tilde{s})}^{- 1} {\tilde{z}}^{'} D_{j}$ ，又

D_{i j} = ω_{j} s_{i} + x_{i}^{'} α_{j} + ψ_{i j}, j = 1, 2, \dots, S (4)

因此不难得出 ${\hat{ω}}_{j}^{I V} \overset{p}{⟶} ω_{j}^{I V}$

同理对于 2SLS ，如果有多个工具变量 $z_{i} = (z_{i 1}, \dots, z_{i I})$ 让 $z_{i l} = x_{i}^{'} δ_{z l} + ζ_{i l}$ ，其中 $δ_{z l} = {E (x_{i} x_{i}^{'})}^{- 1} E (x_{i} z_{i l})$ 且 $E (x_{i} ζ_{i l}) = 0$

满足假设1和假设2： $z_{i}$ 的相关性矩阵 $E (ζ_{i} ζ_{i}^{'})$ 是满秩矩阵的情况下，同样 $β^{L}$ 估计量依概率收敛到 $β_{j}$ 的加权平均:

{\hat{β}}_{2 S L S}^{L} \overset{p}{⟶} \sum_{j = 1}^{S} ω_{j}^{2 S L S} β_{j} (5)

同理，2SLS的 $w_{j}$ 也是一致的，其样本估计量即是 (4) 式中 $s_{i}$ 系数的估计量。

最后，为了考虑为什么 Hausman 检验可能得出错误结论，OLS 估计如下：

\begin{aligned} {\hat{β}}_{O L S}^{L} & = {(s^{'} M_{x} s)}^{- 1} s^{'} M_{x} y \\ = \sum_{j = 1}^{S} {\hat{ω}}_{j}^{O L S} β_{j} + {({\tilde{s}}^{'} \tilde{s})}^{- 1} \tilde{s} ε \end{aligned}

而 ${\hat{ω}}_{j}^{O L S} = {({\tilde{s}}^{'} \tilde{s})}^{- 1} {\tilde{s}}^{'} D_{j}$ ，如果内生性不成立，那么：

{\hat{β}}_{O L S}^{L} \overset{p}{⟶} \sum_{j = 1}^{S} ω_{j}^{O L S} β_{j} (6)

同理 $w_{j}$ 也是一致的。

因此，标准的 Hausman 测试是基于 OLS 和 IV 或 2SLS 估计之间的差异。然而，上述分析表明，即使在没有内生性的情况下，OLS 和 IV 或 2SLS 估计量也会收敛到不同的加权平均值；见 (3)、 (5) 和 (6)。如果 OLS 和 IV 或 2SLS 的权重有很大的不同，这会产生不同的OLS和IV或2SLS估计，反过来又会导致使用标准 Hausman 检验出现错误。

2.3 Wald 检验

Lochner and Moretti 发现，如果 $s_{i}$ 是外生的，那么 $E (ε_{i} ∣ s_{i}) = 0$ ，那么OLS的估计量 $B = (β_{1}, \dots, β_{S})$ 在非线性模型 (1) 中是一致的。如果这个结果和 (5) 式中 2SLS 估计的 $β_{j}$ 概率极限值结合。可以得到结论如下：

{\hat{β}}_{2 S L S}^{L} - {\hat{ω}}_{2 S L S}^{'} \hat{B} \overset{p}{⟶} 0 (7)

反之，如果 $s_{i}$ 是内生的，则此结论不成立。

因此，Lochner and Moretti 提出的 Wald Test 主要分为两步，一是将所有参数的帧估计 (frame estimation) 作为一种叠加广义矩 (GMM) 问题来导出他们的渐进分布；二是利用δ方法导出 (7) 所呈现的变换的渐近分布。

省略 GMM 的编写过程，以下定理总结了 Lochner and Moretti (2015) 的主要结果。

定理：在假设 1 和 2 的前提下，如果 $E (ε_{i} ∣ s_{i}) = 0$ ，那么

W_{n} = n {\frac{{({\hat{β}}_{2 S L S}^{L} - {\hat{ω}}_{2 S L S}^{'} \hat{B})}^{2}}{\hat{G} \hat{V} {\hat{G}}^{'}}} \overset{d}{⟶} χ^{2} (1)

Lochner and Moretti 采取了蒙特卡罗模拟 1000 个观察值，发现当 $s_{i}$ 为外生，真实模型是 (2) 式时，Wald 检验与 Durbin-Wu-Hausman(DWH) 检验相同，两者均在 0.05 的显着性水平上无法拒绝外生性。如果 $y_{i}$ 和 $s_{i}$ 之间的真实关系是非线性，则 Wald 测试继续拒绝 5% 显著性，而DWH则随着非线性程度的增加而以增加的速度拒绝。因此如果样本大小大于 1,000 个观测值，渐近结果表现应该更明显。下文有实例可以更好说明。

3. Stata 实操：`locmtest` 命令

我们可以用 locmtest 命令来实现 Lochner–Moretti (LM) 检验。在输入命令后，会显示 (1) 式 OLS、2SLS 和 IV 估计的 $β_{j}$ 值，以及 Wald Test、Naive Test 和 DWH test 的数值和 P 值。如果在 5% 显著性水平下拒绝假设，则表明存在内生性。如果不拒绝外生性，我们可以使用 locmtest 的结果来部分解释 OLS 和 2SLS 之间的差异。

locmtest 是外部命令，安装方法如下：

. ssc install locmtest, replace

基本语法格式如下：

locmtest depvar (varlist1 = varlist_iv) [indepvars]  ///
         [if] [, graph coefficients] `

其中：

depvar 是要使用的因变量
varlist1 是离散内生变量
varlist_iv 是工具变量集
indepvars 是外生变量列表
graph 选项可以显示 (1) 式中 OLS 特定水平的估计量图表，包括 $B = (β_{1}, \dots, β_{S})$ ，估计权重 ${\hat{ω}}_{O L S}^{'} = ({\hat{ω}}_{1}^{O L S}, \dots, {\hat{ω}}_{S}^{O L S})$ ,以及2SLS 的估计权重 ${\hat{ω}}_{2 S L S}^{'} = ({\hat{ω}}_{1}^{2 S L S}, \dots, {\hat{ω}}_{S}^{2 S L S})$
coefficients 选项会显示 (1) 式中OLS特定水平估计量矩阵，同样包括 $B$ 、 ${\hat{ω}}_{O L S}^{'}$ 、 ${\hat{ω}}_{2 SLS}^{'}$

需要注意的是，虽然此命令允许 indepvars 中出现因子变量，但它不允许 varlist_iv 中出现因子变量。有关因子变量的使用，请参见 help fvvarlist，以及连享会推文 Stata：因子变量全攻略。

3.1 实例 A：Card (1995a) 估计教育的回报率

这里，我们以 Card (1995a) 的数据来估计教育对收入的影响。

\ln w_{i} = s_{i} β^{L} + x_{i}^{'} γ^{L} + ν_{i} (8)

其中 $\ln w_{i}$ 是一小时收入的对数， $s_{i} \in {1, 2, \dots, 18}$ 是教育年限。我们担忧在这种情况下， $s_{i}$ 是内生的，因为有一些未观察到的个体特征决定了收入和教育年限，例如，一个人的观察能力。

现在假设群体中，由于羊皮效应， $\ln w_{i}$ 和 $s_{i}$ 之间的真实关系是非线性的：

\ln w_{i} = \sum_{j = 2}^{18} D_{i j} β_{j} + x_{i}^{'} γ + ε_{i} (9)

此时，即使 $s_{i}$ 是外生的，使得 $E (ε_{i} ∣ s_{i}) = 0$ ，我们也可以使用 (8) 式从 OLS 和 IV 获得不同的估计，因此如果我们只使用标准的 Hausman 检验，那么很可能导致不正确的结论。下面运用 locmtest 命令进行 LM 检验。

use http://www.stata.com/data/jwooldridge/eacsap/card, clear
locmtest lwage (educ = nearc4) exper expersq,graph coefficient

=================================================== 
Output for the Lochner & Moretti (2015) Wald Test  
=================================================== 
 
Output Variable y: lwage
Endogenous Variable s: educ
Instruments z: nearc4
 
Number of observations = 3010
Number of Categories of Endogenous variable is: 18
Number of Dummies is: 17
 
The number of Excluded Instruments is: 1
 
Estimated Coefficients 
 
             |      Coef.    Std. Err.
-------------+------------------------
         OLS |  .09317071   .00357785
          IV |  .25871555   .03373941
       RWOLS |  .09072257   .00573885
-------------+------------------------
 
Estimated Test Statistics 
             |      Test     p-value
-------------+------------------------
     LM-Wald |   24.19655   8.699e-07
  Naive Wald |   30.12477   4.051e-08
    DWH Test |  41.823868   1.162e-10
-------------+------------------------
 
NOTES: 
 
RWOLS = Reweighted OLS using TSLS Weights 
 
LM-Wald = Lochner-Moretti Wald Test
 
Naive Wald = [ (IV-OLS) / SD(IV-OLS) ]^2 
 
DWH Test: Durbin-Wu-Hausman Test (Augmented Regression).

注意到结果，IV 估计系数值大于 OLS 估计系数值，这与学校教育的内生性可能会高估 OLS 的教育效果的假设相反。虽然对这一结果有几种解释，如测量误差和学校教育影响的个体异质性，但收入与学校教育中的非线性关系也是原因。考虑到可能的羊皮效应，这种可能性无疑大大提高了。Naive Wald 和 DWH 检验都拒绝外部性。LM 检验也拒绝外部性，这降低了人们对前几次检验的结论是由于错误判断关系导致的担忧。

3.2 实例 B：Lochner and Moretti (2015) - 教育与犯罪率

我们的第二个例子使用 Lochner and Moretti (2015)，研究教育对犯罪的影响。他们估计的线性模型设定如下：

p_{i} = s_{i} β^{L} + x_{i}^{'} γ^{L} + ν_{i} (10)

其中， $p_{i}$ 是虚拟变量，如果调查对象在监狱，其值为1，否则为0。 $s_{i} \in {1, 2, \dots, 18}$ 是教育年限。但是多年的教育 $s_{i}$ 可能是内生的，因为有一些未观察到的因素 (例如耐心) 决定了一个人的教育程度，也可能决定了个人的犯罪倾向。

再次假设真实模型如下：

p_{i} = \sum_{j = 1}^{18} D_{i j} β_{j} + x_{i}^{'} γ + ε_{i} (11)

我们只关注在黑人男性中这一效应的影响，应用命令得到结果：

. use "http://eml.berkeley.edu//~moretti/inmates", clear  

*省略数据处理后* 
. locmtest prison (educ = ca9 ca10 ca11)    ///
           i.rage i.year i.state i.birthpl i.birthpl#i.BBeduc   

=================================================== 
Output for the Lochner & Moretti (2015) Wald Test  
=================================================== 
 
Output Variable y: prison
Endogenous Variable s: educ
Instruments z: ca9 ca10 ca11
 
Number of observations = 401529
Number of Categories of Endogenous variable is: 19
Number of Dummies is: 18
 
The number of Excluded Instruments is: 3
 
Estimated Coefficients 
 
             |      Coef.    Std. Err.
-------------+--------------------------
         OLS |  -.00369034   .00008333
          IV |   -.0047513   .00115743
       RWOLS |  -.00073792   .00017873
-------------+--------------------------
 
Estimated Test Statistics 
             |      Test     p-value
-------------+------------------------
     LM-Wald |   11.944147  .00054819
  Naive Wald |   .97566386  .32327168
    DWH Test |   .51540357  .47280942
-------------+------------------------
 
NOTES: 
 
RWOLS = Reweighted OLS using TSLS Weights 
 
LM-Wald = Lochner-Moretti Wald Test
 
Naive Wald = [ (IV-OLS) / SD(IV-OLS) ]^2 
 
DWH Test: Durbin-Wu-Hausman Test (Augmented Regression).

值得注意的是，无论是 Naive Wald 还是 DWH 检验都不能拒绝外部性，但是 LM 检验拒绝它。因此在这个例子中，水平特定效应的差异可能导致标准 Hausman 检验在应该拒绝时不能拒绝外部性。

3.2 实例 C：Lochner and Moretti (2015) - 白人男性的教育与犯罪率

依然是研究实例 B 中的教育对犯罪的影响，但是对象换成了白人男性。模型假定与实例 B 相同。

此次命令同时包括了 graph 和 coefficient 选项。

. use "http://eml.berkeley.edu//~moretti/inmates", clear  

*省略数据处理后* 
. locmtest prison (educ = ca9 ca10 ca11)     ///
           i.rage i.year i.state i.birthpl,  ///
           graph coefficients
 

=================================================== 
Output for the Lochner & Moretti (2015) Wald Test  
=================================================== 
 
Output Variable y: prison
Endogenous Variable s: educ
Instruments z: ca9 ca10 ca11
 
Number of observations = 3209138
Number of Categories of Endogenous variable is: 19
Number of Dummies is: 18
 
The number of Excluded Instruments is: 3
 
Estimated Coefficients 
 
             |      Coef.    Std. Err.
-------------+--------------------------
         OLS |  -.00099111   .00001191
          IV |  -.00114869   .00036243
       RWOLS |  -.00120313     .000034
-------------+--------------------------
 
Estimated Test Statistics 
             |      Test     p-value
-------------+------------------------
     LM-Wald |   .02247255  .88083682
  Naive Wald |   .20211212  .65302138
    DWH Test |   .16365057  .68581755
-------------+------------------------
 
NOTES: 
 
RWOLS = Reweighted OLS using TSLS Weights 
 
LM-Wald = Lochner-Moretti Wald Test
 
Naive Wald = [ (IV-OLS) / SD(IV-OLS) ]^2 
 
DWH Test: Durbin-Wu-Hausman Test (Augmented Regression).

Estimated Coefficients: 

    |    B           seB       W2SLS     seW2sls     Wols     seWols
----+------------------------------------------------------------------
  1 | -.0004088   .0011741   .0037614   .0004353   .0072537   .0000132
  2 |  .0045219   .0012997   .0061937     .00047   .0085221   .0000143
  3 |  -.001657   .0009236     .01063   .0005368   .0109205   .0000164
  4 | -.0010993   .0007393   .0224401   .0006503   .0145451   .0000194
  5 |  .0012797   .0006386   .0393125   .0008261   .0187105   .0000225
  6 | -.0001663   .0005139   .0590797   .0010652   .0236794   .0000259
  7 |  .0000373   .0003851   .0833742   .0013781   .0316599   .0000307
  8 | -.0020164    .000276   .1191036   .0018339   .0426187   .0000363
  9 |  .0013537    .000223   .1539329   .0021541   .0668838   .0000444
 10 | -.0023834   .0002292   .1452373   .0019494   .0809498   .0000476
 11 |  -.001019   .0002225   .1335972   .0018293   .0928632   .0000511
 12 | -.0046185   .0001729    .151474   .0020407   .0986295    .000055
 13 | -.0014042   .0001508   .0016496   .0028537   .1147939   .0000602
 14 | -.0004354   .0001853   .0166923    .002551   .1120058    .000057
 15 | -.0014717   .0002178   .0173397   .0023118   .0993689   .0000538
 16 |  .0007271   .0002121   .0225779   .0020952   .0889882   .0000522
 17 | -.0003403     .00023   .0088103    .001667   .0512865   .0000451
 18 |  .0009268   .0002471   .0047934   .0014149   .0363205   .0000395

绘制出的图如下：

结果表明，Naive Wald 和 DWH 测试都不能拒绝 $s_{i}$ 的外生性。 LM 检验也不能拒绝 $s_{i}$ 的外生性，这降低了人们对前一次检验的结论是由于犯罪-教育关系中的非线性所致的担忧，但由于实例 B 得到的结果，不难发现非线性关系应该在黑人男性的情况下是很重要的。

在绘制出的图和 Stata 输出的估计系数矩阵中对估计系数进行了描述。矩阵和图也给出了 OLS 和 2SLS 权重的估计。从图可以看出，12-16 岁受教育年限的 OLS 权重较高，而 9-12 岁受教育年限的 2SLS 权重较高。这意味着9年到12年的教育过渡对 2SLS 估计有实质性的影响。

4. 局限

正如 Lochner and Moretti (2015) 所言:

"This Wald test represents only a partial solution to the problem of estimating multiple per-unit treatment effects with limited instruments."

如果检验拒绝外部性，此检验无法为拟合正确模型提供任何帮助。

5. 参考文献

Michael P. Babington, Javier Cano-Urbina. A Test for Exogeneity in the Presence of Nonlinearities. Stata Journal, 2016, 16(3):761-777. -PDF-
Lochner, L., and E. Moretti. 2004. The effect of education on crime: Evidence from prison inmates, arrests, and self-reports. American Economic Review 94: 155–189.
Lochner, L., and E. Moretti. 2015. Estimating and testing models with many treatment levels and limited instruments. Review of Economics and Statistics 97: 387–397. -Link-, -PDF-

6. 相关推文

Note：产生如下推文列表的命令为：
lianxh iv 工具变量 hausman, m
安装最新版 lianxh 命令：
ssc install lianxh, replace

专题	嘉宾	直播/回看视频
⭐ 最新专题		因果推断, 空间计量，寒暑假班等
⭕ 数据清洗系列	游万海	直播, 88 元，已上线
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]

locmtest：非线性模型的内生性检验

1. 引言

2. 非线性模型的内生性检验

2.1 适用场景

2.2 理论前提

2.3 Wald 检验

3. Stata 实操：`locmtest` 命令

3.1 实例 A：Card (1995a) 估计教育的回报率

3.2 实例 B：Lochner and Moretti (2015) - 教育与犯罪率

3.2 实例 C：Lochner and Moretti (2015) - 白人男性的教育与犯罪率

4. 局限

5. 参考文献

6. 相关推文

相关课程

课程一览

关于我们

热门资讯

locmtest：非线性模型的内生性检验

1. 引言

2. 非线性模型的内生性检验

2.1 适用场景

2.2 理论前提

2.3 Wald 检验

3. Stata 实操：locmtest 命令

3.1 实例 A：Card (1995a) 估计教育的回报率

3.2 实例 B：Lochner and Moretti (2015) - 教育与犯罪率

3.2 实例 C：Lochner and Moretti (2015) - 白人男性的教育与犯罪率

4. 局限

5. 参考文献

6. 相关推文

相关课程

课程一览

关于我们

热门资讯

3. Stata 实操：`locmtest` 命令