主要观点总结
文章主要解答了关于基准回归中核心解释变量为二次项时,如何进行工具变量回归的问题。同时介绍了工具变量的选择困难,常见做法是通过两阶段最小二乘法处理内生性问题。此外,文章还涉及有序probit模型中核心变量的交互项作为控制变量的问题,核心变量回归结果与预期相反的处理方法,以及其他相关导航推荐和联系信息。
关键观点总结
关键观点1: 核心解释变量为二次项时的工具变量回归
当基准回归的核心解释变量是二次项时,工具变量应能反映这种非线性变化。实际操作中,找到合适的工具变量可能很困难,通常的做法是找到与x线性相关的工具变量,通过两阶段最小二乘法处理内生性问题。
关键观点2: 有序probit模型中核心变量的交互项
在有序probit模型中,可以考虑添加关于核心变量的交互项作为控制变量。
关键观点3: 核心变量回归结果与预期相反的处理方法
当核心变量的回归结果与预期相反时,需要考虑重新检查模型设定、数据质量、变量测量误差等问题。
文章预览
01 本期问题 请问老师,如果基准回归的核心解释变量是二次项,那么做工具变量回归时怎么做? 02 本期解答 核心变量不包括一次项,如果是这样,那你就说明IV是二次项的工具变量; 如果iv是一次项的工具变量,那么你用iv的平方向作为二次项的工具变量。 两个核心变量,两个工具变量。 03 本期关键词 核心变量 04 本期知识科普 由于基准回归中包含x 的二次项,理论上讲,工具变量也应能反映x 的这种非线性变化,但实际操作中,找到一个既与x 及其二次项相关又与误差项不相关的工具变量可能非常困难。因此,更常见的做法是找到一个与x 线性相关的工具变量,并通过两阶段最小二乘法(2SLS)等方法来处理内生性问题。 互助问答第702期:有序probit模型中,是否可以添加关于核心变量的交互项作为控制变量? 互助
………………………………