工具变量检验(工具变量检验命令)
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著的系统性差异，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p0.1，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
工具变量内生性检验不通过
请问您问的是工具变量内生性检验不通过的原因吧。工具变量内生性检验不通过的原因是遗漏变量偏差。
因为被遗漏的变量与没有被遗漏的变量相关，这就会造成解释变量与扰动项相关，也就是工具变量内生性检验不通过的原因，所以工具变量内生性检验不通过的原因是遗漏变量偏差。
如何用工具变量法检验解释变量内生性？
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
工具变量法可以检验调节效应吗
应该可以。
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。
复杂的调节效应会有:大于等于2个的调节变量存在,此时就会有存在多个交互项,而且还会存在三阶交互,但是原理与简单调节效应一样,都是看交互项系数的显著性。还会有高阶调节,就是说调节项是高层次变量,比如组织氛围会调节员工自制力与工作绩效的关系,这时候简单的层次回归分析就已经不行了,需要用HLM进行分析。
如何检验工具变量的外生性
工具变量的本质特征是外生性，即工具变量与扰动项不相关，如果工具变量外生，且为强工具变量，则工具变量法的逻辑必然成立，可得到回归方程的一致估计。
由于工具变量的相关性易检验（比如，考察第一阶段回归的 F 统计量），而工具变量的外生
性不易检验，故对于使用 IV 的实证论文，工具变量的外生性常常成为审稿人、主编与作者的分歧焦点。
通过排他性约束来定性探讨工具变量的外生性，在实践中需要将 影响 的所有可能渠道列出，然后将除以外的渠道全部排除（比如，通过讨论认为这些其他渠道不存在或可以忽略）。
扩展资料
在回归模型中，当解释变量与误差项存在相关性（内生性问题），使用工具变量法能够得到一致的估计量。内生性问题一般产生于被忽略变量问题或者测量误差问题。
当内生性问题出现时，常见的线性回归模型会出现不一致的估计量，此时如果存在工具变量，那么人们仍然可以得到一致的估计量。
根据定义，工具变量应该是一个不属于原解释方程并且与内生解释变量相关的变量。在线性模型中，一个有效的工具变量应该满足变量和内生解释变量存在相关性。
弱工具变量检验结果怎么看
弱工具变量检验结果需具体问题具体分析。
1、工具变量与内生变量有着相关(如果相关性很低则称为弱工具变量)，但是工具变量与被解释变量基本没有相关关系。工具变量法结果解读（IV）里弱IV检验，弱IV是指IV与内生解释变量的相关性不强，微弱相关，弱IV会导致用IV估计的结果与用OLS，FE估计的结果相差很大，甚至符号完全相反。如果有较多工具变量，可舍弃弱工具变量，因为多余的弱工具变量反而会降低第一阶段回归的F统计量。弱IV的判断有以下四个标准：偏R2，也就是Shea’spartialR2，不过xtivreg2不汇报这个统计量，得用命令estatfirststage，allforcenonrobust，汇报第一阶段的结果。
2、最小特征统计量，minimumeigenvaluestatistic，这是StockandYogo（2005）提出来的，stata会在ivreg2中给出临界值。StaigerandStock（1997）建议只要该值大于10就认为不存在弱IV。这个值用于iid的情况。
3、Cragg-DonaldWaldF统计量，由CraggandDonald（1993）提出，StockandYogo（2005）给出其临界值，Stata在回归时会给出临界值。CDW检验一般过15%，10%的临界值就可以，过了5%的临界值更好。名义显著性水平为5%的检验，其真实显著性水平不超过15%。也就是Stock-YogoweakIDtestcriticalvalues的15%相当于5%，也就是说要求CDW统计量大于15%的临界值就行。如果IV数量小于3则不会给出Stock-YogoweakIDtestcriticalvalues：5%/10%/15%/20%maximalIVrelativebias。如果假设扰动项为iid，则看CDW检验统计量。如果不对扰动项作iid的假设，则看KPWrkF统计量。所以加r选项时才有KPWrkF统计量，不加则没有。不管加不加r选项，CDW统计量总有。通常建议加上r选项。
4、Kleibergen-PaapWaldrkF统计量，StockandYogo（2005）给出其临界值，