第1个回答 2021-01-15
原发布者:th6572
工具变量
法的Stata命令及实例本实例使用
数据集
“grilic.dta”。先看一下数据集的统计特征：考察智商与受教育年限的
相关关系
：上表显示.智商（在一定程度上可以视为能力的代理变量）与受教育年限具有强烈的
正相关关系
（
相关系数
为0.51）。作为一个
参考系
.先进行OLS回归.并使用稳健
标准差
：其中expr,tenure,rns,smsa均为
控制变量
.而我们主要感兴趣的是变量受教育年限（s）。回归的结果显示.教育投资的年回报率为10.26%.这个似乎太高了。可能的原因是.由于遗漏变量“能力”与受教育正相关.故“能力”对工资的贡献也被纳入教育的贡献.因此高估了教育的回报率。引入智商iq作为能力的代理变量.再进行OLS回归：虽然教育的
投资回报率
有所下降.但是依然很高。由于用iq作为能力的代理变量有
测量误差
.故iq是
内生变量
.考虑使用变量（med（母亲的受教育年限）、kww（在“knowledgeoftheWorldofWork”中的成绩）、mrt（婚姻
虚拟变量
.已婚=1）age（年龄））作为iq的工具变量.进行2SLS回归.并使用稳健的标准差：在此2SLS回归中.
教育回报率
反而上升到13.73%.而iq对工资的贡献居然为
负值
。使用工具变量的前提是工具变量的有效性。为此.进行
过度识别
检验.考察是否所有的工具变量均外生.即与扰动项不相关：结果强烈拒绝所有工具变量均外生的原假设。考虑仅使用变量（med,kww）作为iq的工具变量.再次进行2SLS回归.同时显示第一阶段的回归结果：上表显示.教育的回