计量经济学避坑指南：当你的OLS结果可能“虚高”时，试试Stata工具变量法

计量经济学实战：如何用工具变量法破解OLS估计的"水分"问题

当你在研究教育对收入的影响时，发现每多受一年教育能带来10.9%的收入增长——这个结果看起来美好得有些不真实。作为一名严谨的研究者，你的直觉告诉你：这可能存在"水分"。本文将带你一步步诊断OLS估计中的潜在问题，并手把手教你用Stata实施工具变量法，还原更接近真实的影响效应。

1. 为什么OLS结果可能"虚高"？

在计量经济学研究中，我们常常用普通最小二乘法(OLS)来估计变量之间的关系。但OLS估计要得到无偏结果，必须满足一个关键假设：解释变量与误差项不相关。当这个假设被违背时，就出现了所谓的"内生性问题"。

内生性问题的常见来源包括：

• 遗漏变量偏差：模型中漏掉了与解释变量相关的关键因素。比如在研究教育回报时，个人能力可能同时影响教育年限和收入，但能力往往难以准确测量。
• 测量误差：解释变量的测量存在误差，导致其与真实值之间存在差异。
• 双向因果关系：解释变量和被解释变量相互影响。例如，收入高的人可能有更多资源投资教育。

表1：OLS与工具变量法结果对比示例

提示：当OLS和工具变量法的估计结果存在显著差异时，往往暗示着内生性问题的存在。

2. 诊断内生性问题的实用技巧

在决定是否使用工具变量法前，我们需要先判断OLS估计是否真的存在问题。以下是几个实用的诊断方法：

1. 理论分析：思考模型中可能遗漏了哪些重要变量？这些变量是否与解释变量相关？

2. 统计检验：

   • 豪斯曼检验：比较OLS和工具变量法的估计差异
   • Durbin-Wu-Hausman检验：更通用的内生性检验方法

3. 敏感性分析：观察加入不同控制变量后，核心解释变量的系数变化情况

在Stata中，豪斯曼检验可以通过以下代码实现：

qui reg lwage educ huseduc motheduc predict v, residuals reg lwage educ v test v=0

如果检验拒绝原假设(p值<0.05)，则表明存在内生性问题。

3. 工具变量法的核心：寻找合适的"工具"

工具变量法的关键在于找到满足以下两个条件的变量：

1. 相关性：工具变量与内生解释变量高度相关
2. 外生性：工具变量与误差项不相关

常见的工具变量选择策略包括：

• 地理或历史因素：如距离学校的远近、历史政策变化
• 家庭背景特征：如父母的受教育程度、兄弟姐妹数量
• 制度性因素：如义务教育法改革、入学年龄规定

表2：工具变量有效性检验

在Stata中，过度识别检验可以通过以下代码实现：

qui ivreg lwage (educ=huseduc motheduc) predict e1, residuals reg e1 huseduc motheduc test huseduc=motheduc=0

4. Stata实操：从OLS到2SLS的完整流程

让我们通过一个完整的案例，演示如何在Stata中实施工具变量法：

1. 数据准备与描述性统计

use ex1.dta, clear sum lwage educ huseduc motheduc

2. OLS回归

reg lwage educ

3. 工具变量回归(2SLS)

ivregress 2sls lwage (educ=huseduc motheduc), first

4. 结果对比与解释

estimates store ols estimates store iv estimates table ols iv, b(%7.3f) se stats(N r2)

注意：工具变量法的标准误通常比OLS大，这是因为工具变量法在解决内生性问题的同时，损失了部分估计效率。

5. 工具变量法的局限与替代方案

虽然工具变量法是解决内生性问题的有力工具，但它也存在一些局限：

• 寻找有效工具变量困难：很多情况下难以找到同时满足相关性和外生性条件的工具
• 弱工具变量问题：当工具变量与内生变量相关性较弱时，会导致估计偏差
• 局部平均处理效应(LATE)：工具变量法估计的是对"受工具变量影响的那部分群体"的效应

当工具变量法不可行时，可考虑以下替代方法：

• 面板数据模型：利用个体或时间维度的变化控制不可观测因素
• 断点回归设计(RD)：利用政策或制度设置的断点
• 双重差分法(DID)：比较处理组和对照组在政策前后的变化

在实际研究中，我经常发现初学者容易陷入两个极端：要么忽视内生性问题，要么过度依赖工具变量法。关键在于理解每种方法的适用条件和局限，根据具体研究问题和数据特点选择最合适的方法。