内生，参数与非参数的讨论

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

这是我回答我导师时的一封信件内容。
我个人觉得相当值得探索，也欢迎各位加以补充。


亲爱的老师与学弟妹们好：

【以下暂不考虑panel data的型态，仅谈论cross section data的处理】

我不太懂处理内生，这是要处理什么变数与什么变数间存在的内生问题。
简言之，一般探讨上，对劳动市场常见的变数，譬如连续的wage或者是binary outcome的employment，就值得分类并加以探讨。
再者，若关心的健康问题变数，如bmi与obesity，那么是指bmi对wage或者是obesity对wage，处理上也应当分类并加以处理之。

上述，假设都在母数（参数）方法下探讨，
当扩展到半母数乃至于无母数的方法，【当然这比较新】
【扩充时，有时暂不考虑内生，若考虑内生，这方法就更新，此外有的扩充方法，还引入了分量回归】

为了简化思路，
我列出在分析问题时【受限于我的知识，有的也许忘了，尽量回想】
，在stata里可能应想到的指令或文献。【许多的指令，是老师曾提过的，老师的学问太深太广，我只能尽量择要列入】

母数法，考虑内生                 建议或想到的指令或文献
wage v.s. bmi                                 ivregress

wage v.s. obesity                            treatreg

emp. v.s. bmi                                 ivprobit

emp. v.s. obesity                            biprobit

半母数法，考虑内生             建议或想到的指令或文献
wage v.s. bmi                              Wooldridge(2010)的书，关于CFA(Control Function Approach)，
                                                    文献Economics and Human Biology 7 (2009) 334–350
                                                    或者老师过去授课时对半母数法与无母数法的讲义与书本

wage v.s. obesity                         ivqte    The Stata Journal (2010) 10, Number 3, pp. 423–457

emp. v.s. bmi                              sml【下载snp】，左边的指令并未讲到内生，正确的方法参照Review of Economic Studies (2004) 71, 655–679
                                                    【研究方法上极相当值得参考的经典文献】

emp. v.s. obesity                         似乎目前没有立即的文献可以参考，不过也许可以在上一个文献中，进行扩充。
                                                    【虽然没有半母数+bivariate probit的，但却有"半无母数"结合biprobit的指令snp2，似乎snp2也没有考虑内生 】

祝 研安 ＆ 顺心

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享2 收藏23 回帖

关键词：非参数 wooldridge panel data employment IVREGRESS 讨论 参数 内生

h3327156老师，您好

我对stata中分位回归的这两个命令没有弄清楚，qreg个ivqte
首先看下ivqte命令的描述：

ivqte computes the quantile treatment effects (QTEs) of a binary variable using a weighting
    strategy.  This command can estimate both conditional and unconditional QTEs under either
    exogeneity or endogeneity.  The estimator proposed by Fr鰈ich and Melly (2008) is used if
    unconditional QTEs under endogeneity are estimated.  The estimator proposed by Abadie, Angrist,
    and Imbens (2002) is used if conditional QTEs under endogeneity are estimated.  The estimator
    proposed by Firpo (2007) is used if unconditional QTEs under exogeneity are estimated.  The
    estimator proposed by Koenker and Bassett Jr. (1978) is used if conditional QTEs under exogeneity
    are estimated.  We use the term exogeneity to mean exogenous conditional on the control variables
    X.  This is also often called a selection on observables assumption or a matching assumption.

    The estimator used by ivqte is determined as follows:  1) If an instrument is provided and aai is
    not activated, the estimator proposed by Fr鰈ich and Melly (2008) is used.  2) If an instrument is
    provided and aai is activated, the estimator proposed by Abadie, Angrist, and Imbens (2002) is
    used.  3) If there is no instrument and varlist is empty, the estimator proposed by Firpo (2007)
    is used.  4) If there is no instrument and varlist contains variables, the estimator proposed by
    Koenker and Bassett Jr. (1978) is used.

从上面这一句来说，这应该也能实现qreg命令功能，即koenker et al（1978）
但是ivqte命令语法： ivqte depvar [varlist] (treatment [= instrument]) [if] [in] [, options]
在使用ivqte时，treatment选项一定要有才能运行，而qreg不用，例如：
webuse twogrp
qreg y x
就可以直接运行了，而ivqte y x却不行

我的问题是：
1、在ivqte命令中，如何实现与qreg y x等价的，我不分对照组与实验组，而只是单纯影响因素分析
2、ivqte这个命令是不是一定要分对照组和实验组时才能用呢？
比如我只是一般影响因素分析，因变量y，自变量x，分析x对y影响，那么ivqte是不是就不能用了？
3、经常看到treatment effect，但是自己都没有用过，在这里，自变量是不是一定分两组：对照与实验，呵呵，其实还是第二个问题。

谢谢您的帮助

ywh19860616 发表于 2011-7-28 11:42
   4) If there is no instrument and varlist contains variables, the estimator proposed by
    Koenker and Bassett Jr. (1978) is used.

*不是不行，请红色字眼再好好看
*细细体会，您就能知道在指令输入时，正确应当如何输入，我一开始看，也经常不知道作者到底要我如何设定

webuse twogrp
qreg y x
qreg y x,q(0.1)
qreg y x,q(0.2)
qreg y x,q(0.3)
qreg y x,q(0.4)
qreg y x,q(0.5)
qreg y x,q(0.6)
qreg y x,q(0.7)
qreg y x,q(0.8)
qreg y x,q(0.9)
sqreg y x,q(0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9)

ivqte y (x=)

*您应当可以看到，在中分位回归里【指q(0.5)】的估出结果，qreg与ivqte是一样的，其它分位也大致上相同
*因为这个例子的样本数太少，估计结果有一点点不一样，应当还可以接受，如果样本数更多，结果会比较像，譬如以下ivqte作者的例子

*The Stata Journal (2010) 10, Number 3, pp. 423–457中的438页有您想要的例子 【但这个例子，并非像您提供的只有x这个自变量，您的x相当于例子里的college】
*ivqte里用的card.dta与Wooldridge中用的card.dta资料不太一样，建议findit card.dta取代后灌好，不然难以演练
*您应当在使用card.dta时，要注意college这变数应当要有，否则，您可能是用到Wooldridge的card.dta
findit card.dta
use card
qreg lwage college exper black motheduc reg662 reg663 reg664 reg665 reg666 reg667 reg668 reg669, quantile(0.1)
ivqte lwage exper black motheduc reg662 reg663 reg664 reg665 reg666 reg667 reg668 reg669 (college), quantiles(0.1) variance

*如同ivqte作者文章438页所言
*"We first consider the quantile regression estimator with exogenous regressors for the first decile. As mentioned, this estimator is already implemented in Stata with the qreg command:"
*ivqte与qreg最大的不同，就是自变量有被怀疑为内生，当然如果ivqte与qreg要等价，那么该自变量必须是外生的
*而值得一提地是，当ivqte要估出与qreg一样的值时，有几点要注意
*1.此时因为等同于自变量通通为外生，所以括号里的变数没有工具变数了，所以才会有像(x)与(college)这样的设定
*2.两者在标准误上有差异，您应当可以看出，如果不加上variance，ivqte是不提供标准误，此外，该标准误的提供，作者认为是比较好的，主要的原因是ivqte本来就有点儿内生的味道，所以在异质性或者内生有可能发生，这个标准误就突显出它的robust

*当您使用ivqte时，有几点要注意：
*a1. 这个被怀疑内生的自变量，必须是binary outcome，是的，如果您例子中的x不是o与1，那么就不能用了，因为treatment本来就相当于分0及1
*a2. 然而当这个被怀疑内生的自变量并不是binary outcome，即如果您例子中的x是连续变量，那么处理上反而相当简便【文献方法如下】
*a3. 文献 Lee, S., 2007. Endogeneity in quantile regression models: a control function approach. Journal of Econometrics 141, 1131–1158.
*b1.  在ivqte使用时，工具变数必须也是binary outcome，当然也许会问，如果不是怎么办，作者在2008年的文献有提到一些转换法，也就是转成二元变数再来做
*b2. 文献Unconditional quantile treatment effects under endogeneity. Discussion Paper No. 3288, Institute for the Study of Labor (IZA). http://ideas.repec.org/p/iza/izadps/dp3288.html

*不要叫我老师啦！ 我只是博士班的学生，虽然有兼课当老师，但还是很新手
*祝 顺心 与 研安
*您的问题常常让我有深入的思考，挺不错的，不过，我回答地也罗唆了些，不知道是否有回答到您的问题，希望对您有所帮助

博士班还是高手比较多啊

台湾 称 博士班吧

呵呵，称您为老师也不为过，从您帖子中学习到很多知识，受益匪浅
1、我试过了作者提供的例子，当为外生变量时，qreg和ivqte的确是基本相等的，此时不区分treatment  effect，可以当作一般影响因素分析时使用。如例子中college是0，1变量，当我把他换为连续变量college时，两者也是等价的，下面例子：
qreg lwage college exper black motheduc reg662 reg663 reg664 reg665 reg666 reg667 reg668 reg669, quantile(0.1)
ivqte lwage exper black college reg662 reg663 reg664 reg665 reg666 reg667 reg668 reg669 (motheduc), quantiles(0.1) variance
两者结果是相同的。
2、我以前看到quantile regression关于自变量内生时，一般都是quantile effect的，除了您提到的2007年Lee文献
Lee, S., 2007. Endogeneity in quantile regression models: a control function approach. Journal of Econometrics 141, 1131–1158
还有一篇：
Victor Chernozhukov,Christian Hansen.Instrument variable quantile regression:A robust inference approach[J].Journal of Econometrics.
可惜这篇文章没有提供原代码，需要向作者索取才能得到matlab代码，网站上也有，不过IP不在范围内。您提到Lee(2007)有相关程序吗？
3、关于panel data的也有内生效应研究文献也有，如
David Powell.Unconditional quantile regression for panel data with exogenous  or endogenous regression(Work paper),2010.
以及
David Powell.Unconditional quantile regression for  exogenous or endogenous treatment variables(Work paper),2010.
4、这几篇文献都大致看过了，从文献来看，在实际运用方面unconditional quantile regression更为合理，这也是David Powell提到的。
不过对于unconditional quantile regression 和conditional quantile regression区别还是很模糊，希望有机会能和您请教。

平时接触的文章大部分都不是treatment effect分析的，如员工培训train对工人工资wage的影响，有无培训用0，1表示。因为这样数据在国内是不好找的，所以很少做。
而大部分是直接用研究教育对工资影响，教育用年均受教育年限衡量，这样数据好找啊，呵呵。

谢谢您

感谢您的一些补充，
第二点中，您介绍的文献似乎是2008年的，所以应当是比较新的文献，
既然都是Journal of econometrics这样的好期刊，其实都相当值得参考。
关于实证的考量，若是指程序，则"Does smoking affect body weight and obesity in China?"  Economics and Human Biology 7 (2009) 334–350 相当值得参考，按里面的方法，实在不用什么高深程序，一般stata足以应付，matlab很占空间，我们还是尽量让它休息好了！ 【我提的文章都比较倾向health议题，和我个人的研究有关】

第三点，哇！ 您都读working paper?
我个人是有南昌大学硕士【朋友】给的panel data下谈论考虑内生变数下的quantile regression两篇文章。
【但我实在懒地去看= =  因为很难取得panel data，台湾的资料少地离谱了 当然，健康保险是例外】
听说，读新的working paper的好处是，因为对方还没发表，速度够快，就抢来发表，【相同方法换议题】
但working paper的精致度自然是有点儿问题的，但，当然，如果是大师级的working paper，自然是相当有水平，不过，问题是，大师级的，要抢，自然是须要十足十的勇气。

第四点，我同意，其实阿！ 研究或者文章的发表，做实证的，常常是，我们不必担心计量方法的难度与新度，而是，常常没资料可以去分析阿！ 而资料千变万化，刚好拿到的，却刚好没有可以对症下药的计量方法。所以，实证学者，真的常常必须学会和资料妥协，问题是…自己是妥协了！但审稿人常常是勇于自我挑战【反正又不是他在做】，绝不向资料低头，计量方法要多难有多难…要多新有多新…要多复杂有多复杂…整死投稿人，才证明自己的存在。唉…有时…只能说…遇人不淑？？？  【哀怨一下下】

感谢您推荐的好文章，好的，我仔细研读一下，不懂再向您请教，哈哈。

没有刻意去找最新working paper，往往是看文献的参考文献，知道了一些新的文献，然后找出来看的
哎，那些大牛写的东西，我也看不懂啊，更不敢和他们抢速度了，哈哈，木有勇气。而且现在研究也要有一个好的环境和一个好的导师带您入门，要不想自己一个闯，那实在是困难。其实就quantile regression，应该还有很大空间，希望将来能看到您和您老师的成果。

恩，的确是这样，其实很大多方法别人都提供了code，我看过很多，包括R、Gauss的很多，难的是要有好的idea，有了idea，还要有数据，这在国内也是一个大问题，特别是偏微观数据。

十分感谢您的知道，又多了解了treatment quantile知识，呵呵，您其他讨论的非参数，半参数，实在是不懂啊

非常给力，尼玛这种干货要多点才好。

给力啊，学习了！

good