hausman检验(hausman检验结果怎么导出)
什么是hausman检验啊，如何评价它
Hausman检验是由美国麻省理工学院经济学系教授Jerry Hausman提出来的。其实在他之前，华人经济学家吴德明教授和统计学家Durbin教授已提出过类似的检验。因此，早期我们把这一检验称为Durbin-Wu-Hausman检验，后来，只称Hausman检验。
用H0代表要验证的零假设，H1代表对立假设。Hausman检验的主要思想是寻找两个不同的估计值θ^和θ~。估计值θ^永远是一致的。即使零假设H0不成立的情况下，θ^仍然具有一致性。估计值#只有在零假设成立的情况下才具有一致性。在零假设不成立的情况下，θ~不一致。因此θ^－θ~在零假设成立的情况下是接近于零的，而在零假设不成立的时候，θ^－θ~不接近于零。Hausman的思想是把验证H0的正确性变成检验θ^－θ~是否为零。因此不论何种检验问题，只要我们能找到Hausman所要求的两个估计值，我们就能应用Hausmanman检验。
hausman检验公式
Hausman检验的基本思想是:由于在遗漏相关变量的情况下，往往导致解释变量与随机扰动项出现同期相关性，即CovXu≠0，外生性条件不满足，从而使得OLS估计量有偏且非一致。因此，对模型遗洞相关变量的检验可以用模型是否出现解释变量与随机扰动项同期相关性的检验来替代。
我们知道，当Cov(Xu)≠0或者解释变量与随机扰动项同期相关时，采用工具变量法(IV)可得到参数的一致估计量;当解释变量与随机扰动项同期无关时，OLS估计量为参数的一致估计量。因此，只须检验IV估计量与OLS估计量是否存在显著的差异性，以检验解释变量与随机扰动项是否同期无关，进而判别模型是否存在着遗漏相关变最的情况。
Hausman检验在原假设条件下，IV估计量与LS估计最都是一致的，而在备择假设中，只有V估计量是一致的。若外生性条件确定满足时，我们更倾向于使用LS估计量:而当外生性条件不确定满足时，就需要使用IV估计量。
令d=b-bu，则H检验统计量为一个Wald统计量:
H=d{Est.AsyVar(d)r'd
可以证明得到AsyVar(d)=AsyVar(b)-AsyVar(b)。则
H=(b -b)[EstAsyVar(b)-EstAsyVar(b)](b_-b)
如何解释hausman检验的结果
你好。hausman检验结果，翻译成中文是：豪斯曼检验结果。
豪斯曼检验是一般性的检验方法。几乎所有的假设都可以用豪斯曼的方法来检验。
杜宾吴豪斯曼检验原理
杜宾吴豪斯曼检验原理是:
对解释变量内生性的检验有两种方法，一是豪斯曼检验，一是杜宾-吴-豪斯曼检验。
hausman检验的原假设为所有解释变量均为外生变量，如果H0成立，则OLS与工具变量法一致，在大样本下，二者的估计量均收敛到真实的参数值，二者的差依概率收敛到0；如果H0不成立，则工具变量法一致OLS不一致，二者的差不会依概率收敛到0。
hausman检验的缺点是假设在原假设成立的前提下，OLS是最有效率的，未考虑到存在异方差的情况，杜宾-吴-豪斯曼检验来充分考虑到异方差，更为稳健。
杜宾-吴-豪斯曼检验的思想为，由二阶段最小二乘回归的第一阶段回归我们可得，“某一个变量为内生变量”的命题与“第一阶段回归的扰动项与原模型的扰动项不相关”等价，故检验二者的相关系数是否为0（t检验）即可。原假设为0，若拒绝原假设，则认为存在内生解释变量，否则认为所有解释变量均外生；考虑到可能存在异方差，则需要在t检验时使用稳健标准误；若存在多个内生解释变量，则可以对原假设进行F检验。
6. 弱工具变量检验大致有四种方法。一是偏R-squared，在一阶段回归中，R-squared既可能包含了内生解释变量与工具变量相关性的信息，也可能包含了内生解释变量与其他解释变量的相关性信息，为了过滤掉这个信息，我们首先将内生解释变量对其他解释变量做回归，得到残差a，代表了内生解释变量中不能由其他解释变量解释的部分，接着将工具变量对其他解释变量做回归，得到残差b，代表了工具变量中无法由其他解释变量解释的部分，将残差a对残差b做回归，得到R-squared；
二是对第一阶段回归中工具变量的回归系数进行F检验，经验规则是如果F统计量大于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问题；在多个内生解释变量的情况下，将有多个第一阶段回归，故有多个F统计量，此时可以使用“最小特征值统计量”，并依据临界值做出判断；
三是假设扰动项独立同分布，则可使用“Cragg-Donald Wald F统计量”;
四是若不假设独立同分布，则应使用“Kleibergen-Paap Wald rk F”统计量。
解决弱工具变量的方法主要有三种。我们可以寻找更强的工具变量；其次，我们可以使用对弱工具变量更不敏感的“有限信息最大似然估计法”(Limited Information Maximum Likelihood Estimation，简称LIML)，在大样本下，LIML与2SLS是渐近等价的，但在存在弱工具变量的情况下，LIML的小样本性质可能优于2SLS。
如果有较多工具变量，可舍弃弱工具变量，方法是对工具变量进行冗余检验。
7. 在扰动项存在异方差或自相关，则GMM广义矩估计更为有效。
GMM过度识别检验
检验部分工具变量的正交性（外生性）
使用异方差自相关稳健的标准误GMM命令
8. 工具变量法的stata命令及实例
