GMM
的
stata
操作步骤
广义矩估计
(
Generalized Method of Moments
，
即
GMM
)
一、
解释变量内生性检验
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= ldep lexr) estimates store iv hausman iv
ols
(
在面板数据中使用工具变量，
Stata
提供了如下命令来执行
2SLS:xtivreg depvar [varlist1]
(varlist_2=varlist_iv)
(
选择项可以为
fe
，
re
等，
表示固定效应、
随机效应等。
详见
help xtivreg
)
如果存在内生解释变量，
则应该选用工具变量，
工具变量个数不少于方程中内生解释变量的
个数。
“
恰好识别
”
时用
2SLS
。
2SLS
的实质是把内生解释变量分成两部分，即由工具变量所
造成的外生的变动部分，
以及与扰动项相关的其他部分；
然后，
把被解释变量
对
中的这个
外生部分进行回归，从而满足
OLS
前定变量的要求而得到一致估计量。
t p t q t p
二、异
方差与自相关检验
在球型扰动项的假定下，
2SLS
是最有效的。但如果扰动项存在异方差
或自相关，
面板异方差检验：
xtgls
enc
invs
exp
imp
esc
mrl,igls
panel(het)
estimates
store
hetero xtgls enc invs exp imp esc mrl,igls estimates store homo local df = e(N_g) - 1 lrtest hetero
homo, df(`df')
面板自相关：
xtserial enc invs exp imp esc mrl
则存在一种更有效的方法，即
GMM
。从某种意义上，
GMM
之于
2SLS
正如
GLS
之于
OLS
。好识别的情况下，
GMM
还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用
GMM
，过度识别检验(
Overidentification Test
或
J Test
)
：
estat overid
三、工具变量效果验
证
工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。
由于这两个要求常常是矛盾的，
故在实践上寻找合适的工具变量常常很困难，
需要相当的想
象力与创作性。常用滞后变量。
需要做的检验：
检验工具变量的有效性：
(
1
)
检验工
具变量与解释变量的相关性
如果工具变量
z
与内生解释变量完全不相关，
则无法使用工具
变量法；如果与仅仅微弱地相关，
。这种工具变量被称为
“
弱工具变量
”
(
weak
instruments
)
后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，
F
统计量大于
10
，则可不必担心弱工具变量问题。
Stata
命令：
estat first
(显示第一个阶段回
归中的统计量)
(
2
)
检验工具变量的外生性(接受原假设好)
在恰好识别的情况下，无
法检验工具变量是否与扰动项相关。
在过度识别
(工具变量个数
>
内生变量个数)
的情况下，
则可进行过度识别检验(
Overidentification
Test
)
，检验原假设
所有工具变量都是外生的。
如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。
0 H Sargan
统计
量，
Stata
命令：
estat overid
四、
GMM
过程
在
Stata
输入以下命令，就可以进行对面板数
据的
GMM
估计。
. ssc install ivreg2
(安装程序
ivreg2
)
. ssc install ranktest
(安装另外
一个在运行
ivreg2
时需要用到的辅助程序
ranktest
)
. use ""
(
打开面板数据)
. xtset
panelvar timevar
(设置面板变量及时间变量)
. ivreg2 y x1 (x2=z1 z2),gmm2s
(进行面板
GMM
估计，其中
2s
指的是
2-step GMM
)