xtivreg2 工具变量回归问题

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

各位计量大神 一下是我的指令和结果，总是Warning - collinearities detected Vars dropped:       dyear10 工具变量这种问题该怎么解决呢，如果去掉时间虚拟变量 第二部的回归结果又不显著 这种情况怎么处理呢 跪求大神帮助

. xtivreg2 产出导向规模报酬可变内部支出 (数字经济综合指数= 工具变量 ) 产业结构
> 城镇化水平 经济发展水平 工业化水平 社会消费水平 信息化水平 税负水平 产业集聚程
> 度 劳动力水平 dyear*,fe r first
Warning - endogenous variable(s) collinear with instruments
Vars now exogenous: 数字经济综合指数
Warning - collinearities detected
Vars dropped:       dyear10 工具变量

FIXED EFFECTS ESTIMATION
------------------------
Number of groups =        11                    Obs per group: min =        10
                                                               avg =      10.0
                                                               max =        10
Warning - collinearities detected
Vars dropped:  dyear10 工具变量

Unable to display first-stage estimates; macro e(first) is missing

Unable to display summary of first-stage estimates; macro e(first) is missing

OLS estimation
--------------

Estimates efficient for homoskedasticity only
Statistics robust to heteroskedasticity

                                                      Number of obs =      110
                                                      F( 19,    80) =     2.64
                                                      Prob > F      =   0.0014
Total (centered) SS     =  7.086963569                Centered R2   =   0.4040
Total (uncentered) SS   =  7.086963569                Uncentered R2 =   0.4040
Residual SS             =  4.223607224                Root MSE      =    .2065

-------------------------------------------------------------------------------
              |               Robust
产出导向规~出 |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
--------------+----------------------------------------------------------------
数字经济综~数 |   .2111339   .1229122     1.72   0.086    -.0297696    .4520374
     产业结构 |   -.793473   .2181105    -3.64   0.000    -1.220962   -.3659842
   城镇化水平 |  -2.620333   2.237097    -1.17   0.241    -7.004964    1.764297
经济发展水平 |  -.7640911   .5127724    -1.49   0.136    -1.769107    .2409244
   工业化水平 |  -3.214504   2.393023    -1.34   0.179    -7.904743    1.475735
社会消费水平 |  -.7672553   .9314296    -0.82   0.410    -2.592824    1.058313
   信息化水平 |   1.826087    1.67552     1.09   0.276    -1.457873    5.110046
     税负水平 |  -1.549244   3.571611    -0.43   0.664    -8.549472    5.450985
产业集聚程度 |  -.9985367   8.000473    -0.12   0.901    -16.67918     14.6821
   劳动力水平 |   .3575724   .6677259     0.54   0.592    -.9511464    1.666291
       dyear1 |   -.580783   .2847743    -2.04   0.041     -1.13893   -.0226357
       dyear2 |  -.3572266   .2559053    -1.40   0.163    -.8587918    .1443387
       dyear3 |  -.3591753   .2427604    -1.48   0.139     -.834977    .1166264
       dyear4 |  -.0074321   .2572308    -0.03   0.977    -.5115952     .496731
       dyear5 |  -.1155756   .2276081    -0.51   0.612    -.5616792    .3305281
       dyear6 |   .0181804   .1837021     0.10   0.921    -.3418692      .37823
       dyear7 |   .0453854   .1724124     0.26   0.792    -.2925367    .3833074
       dyear8 |  -.0796499   .1365564    -0.58   0.560    -.3472956    .1879957
       dyear9 |   .1022529   .1001425     1.02   0.307    -.0940228    .2985286
      dyear10 |          0  (omitted)
-------------------------------------------------------------------------------
Included instruments: 数字经济综合指数 产业结构 城镇化水平
                      经济发展水平 工业化水平 社会消费水平
                      信息化水平 税负水平 产业集聚程度
                      劳动力水平 dyear1 dyear2 dyear3 dyear4 dyear5 dyear6
                      dyear7 dyear8 dyear9
Dropped collinear:    dyear10 工具变量
Reclassified as exog: 数字经济综合指数
------------------------------------------------------------------------------



xtivreg2 产出导向规模报酬可变内部支出 (数字经济综合指数= 工具变量 ) 产业结构
> 城镇化水平 经济发展水平 工业化水平 社会消费水平 信息化水平 税负水平 产业集聚程
> 度 劳动力水平 ,fe r first
FIXED EFFECTS ESTIMATION
------------------------
Number of groups =        11                    Obs per group: min =        10
                                                               avg =      10.0
                                                               max =        10
First-stage regressions
-----------------------
FIXED EFFECTS ESTIMATION
------------------------
Number of groups =        11                    Obs per group: min =        10
                                                               avg =      10.0
                                                               max =        10
First-stage regression of 数字经济综合指数:
Statistics robust to heteroskedasticity
Number of obs =                    110
------------------------------------------------------------------------------
             |               Robust
数字经济~数 |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    工具变量 |  -4.878279   .5300985    -9.20   0.000    -5.931573   -3.824984
    产业结构 |   .1775134   .1419909     1.25   0.215    -.1046194    .4596463
  城镇化水平 |   2.852474   1.027594     2.78   0.007     .8106669     4.89428
经济发展水平 |   .5764194   .4051681     1.42   0.158     -.228641     1.38148
  工业化水平 |   .6121369   1.356446     0.45   0.653    -2.083093    3.307367
社会消费水平 |   .3167067   .5556454     0.57   0.570    -.7873489    1.420762
  信息化水平 |  -1.957551   .8754223    -2.24   0.028    -3.696996   -.2181052
    税负水平 |   5.503524   2.271559     2.42   0.017     .9899845    10.01706
产业集聚程度 |  -2.479649   6.182661    -0.40   0.689    -14.76447    9.805168
  劳动力水平 |   .4151037   .5152914     0.81   0.423    -.6087693    1.438977
------------------------------------------------------------------------------
F test of excluded instruments:
  F(  1,    89) =    84.69
  Prob > F      =   0.0000
Sanderson-Windmeijer multivariate F test of excluded instruments:
  F(  1,    89) =    84.69
  Prob > F      =   0.0000
Summary results for first-stage regressions
-------------------------------------------

                                           (Underid)            (Weak id)
Variable     | F(  1,    89)  P-val | SW Chi-sq(  1) P-val | SW F(  1,    89)
数字经济综合 |      84.69    0.0000 |       94.20   0.0000 |       84.69

NB: first-stage test statistics heteroskedasticity-robust

Stock-Yogo weak ID F test critical values for single endogenous regressor:
                                   10% maximal IV size             16.38
                                   15% maximal IV size              8.96
                                   20% maximal IV size              6.66
                                   25% maximal IV size              5.53
Source: Stock-Yogo (2005).  Reproduced by permission.
NB: Critical values are for i.i.d. errors only.

Underidentification test
Ho: matrix of reduced form coefficients has rank=K1-1 (underidentified)
Ha: matrix has rank=K1 (identified)
Kleibergen-Paap rk LM statistic          Chi-sq(1)=16.83    P-val=0.0000

Weak identification test
Ho: equation is weakly identified
Cragg-Donald Wald F statistic                                      69.62
Kleibergen-Paap Wald rk F statistic                                84.69

Stock-Yogo weak ID test critical values for K1=1 and L1=1:
                                   10% maximal IV size             16.38
                                   15% maximal IV size              8.96
                                   20% maximal IV size              6.66
                                   25% maximal IV size              5.53
Source: Stock-Yogo (2005).  Reproduced by permission.
NB: Critical values are for Cragg-Donald F statistic and i.i.d. errors.

Weak-instrument-robust inference
Tests of joint significance of endogenous regressors B1 in main equation
Ho: B1=0 and orthogonality conditions are valid
Anderson-Rubin Wald test           F(1,89)=        0.25     P-val=0.6170
Anderson-Rubin Wald test           Chi-sq(1)=      0.28     P-val=0.5965
Stock-Wright LM S statistic        Chi-sq(1)=      0.46     P-val=0.4976

NB: Underidentification, weak identification and weak-identification-robust
    test statistics heteroskedasticity-robust

Number of observations               N  =        110
Number of regressors                 K  =         10
Number of endogenous regressors      K1 =          1
Number of instruments                L  =         10
Number of excluded instruments       L1 =          1

IV (2SLS) estimation
--------------------

Estimates efficient for homoskedasticity only
Statistics robust to heteroskedasticity

                                                      Number of obs =      110
                                                      F( 10,    89) =     2.90
                                                      Prob > F      =   0.0035
Total (centered) SS     =  7.086963569                Centered R2   =   0.1959
Total (uncentered) SS   =  7.086963569                Uncentered R2 =   0.1959
Residual SS             =  5.698881558                Root MSE      =    .2399

-------------------------------------------------------------------------------
              |               Robust
产出导向规~出 |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
--------------+----------------------------------------------------------------
数字经济综~数 |  -.0855462   .1650486    -0.52   0.604    -.4090354    .2379431
     产业结构 |  -.5174388   .2010157    -2.57   0.010    -.9114223   -.1234553
   城镇化水平 |   1.066667   2.052192     0.52   0.603    -2.955555    5.088889
经济发展水平 |  -1.058762   .5046916    -2.10   0.036     -2.04794   -.0695848
   工业化水平 |  -5.453276   2.582114    -2.11   0.035    -10.51412    -.392426
社会消费水平 |    .175828   .9528183     0.18   0.854    -1.691662    2.043318
   信息化水平 |    .071273   1.141723     0.06   0.950    -2.166463    2.309009
     税负水平 |   2.047937    3.16205     0.65   0.517    -4.149567    8.245442
产业集聚程度 |  -3.941175   9.592704    -0.41   0.681    -22.74253    14.86018
   劳动力水平 |   .8587491   .7670939     1.12   0.263    -.6447274    2.362226
-------------------------------------------------------------------------------
Underidentification test (Kleibergen-Paap rk LM statistic):             16.831
                                                   Chi-sq(1) P-val =    0.0000
------------------------------------------------------------------------------
Weak identification test (Cragg-Donald Wald F statistic):               69.620
                         (Kleibergen-Paap rk Wald F statistic):         84.688
Stock-Yogo weak ID test critical values: 10% maximal IV size             16.38
                                         15% maximal IV size              8.96
                                         20% maximal IV size              6.66
                                         25% maximal IV size              5.53
Source: Stock-Yogo (2005).  Reproduced by permission.
NB: Critical values are for Cragg-Donald F statistic and i.i.d. errors.
------------------------------------------------------------------------------
Hansen J statistic (overidentification test of all instruments):         0.000
                                                 (equation exactly identified)
------------------------------------------------------------------------------
Instrumented:         数字经济综合指数
Included instruments: 产业结构 城镇化水平 经济发展水平
                      工业化水平 社会消费水平 信息化水平
                      税负水平 产业集聚程度 劳动力水平
Excluded instruments: 工具变量
------------------------------------------------------------------------------

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0 收藏1 回帖

关键词：XTIVREG IVREG 工具变量 IVR REG Stata xtivreg2 计量 工具变量

工具变量选取不合适，存在共线性问题，或者不随着个体发生变动，被共线掉了，尝试换工具变量

使用ivreg2命令就跑的出结果了

遇到`xtivreg2`命令中的“collinearities detected”警告和变量被自动排除的情况，通常意味着你的模型中存在多重共线性问题。这在时间虚拟变量（如`dyear*`）使用时尤其常见，因为这些变量可能与常数项或其他时间趋势高度相关。

解决策略包括：

1. **检查数据**：首先确认所有时间虚拟变量是否正确设置，没有错误地生成重复或完全相关的变量。

2. **调整模型设定**：
   - 重新考虑是否真的需要每一年的时间虚拟变量。如果只是用来控制年度特定的效应（如宏观经济条件变化），可以尝试使用更粗略的时间趋势，比如5年期或10年期的趋势项。
   - 考虑移除某个时间点的虚拟变量作为基线比较组（基准年份）。这样既能保留模型中时间趋势的信息，又能减少共线性问题。

3. **工具变量选择**：确保你的工具变量与内生变量相关但与误差项无关。如果`数字经济综合指数`被认为是内生的，并且你正在使用某个或某些变量作为其工具变量，这些工具变量必须满足外生性和相关性的条件。如果你发现模型中存在严重的共线性问题，可能需要重新考虑你的工具变量选择。

4. **特征方差分解**：尝试通过`variance decomposition table`来查看哪些变量贡献了最多的共线性，并根据结果调整模型设定。

5. **使用其他估计方法**：如果`xtivreg2`因为多重共线性问题而无法提供有效估计，可以考虑使用如偏最小二乘回归（PLS）或岭回归等方法，这些方法在处理多重共线性时更为稳健。

对于你提到的去掉时间虚拟变量后第二步回归结果不显著的问题，这可能是因为模型中缺少了控制年度特定效应的重要部分。解决这个问题的方法之一是寻找其他能够控制时间趋势和年度特异性的策略，例如：

- 使用面板数据中的动态模型（如差分GMM或系统GMM），这些方法可以在一定程度上处理内生性和时间变化的影响。
- 引入其他控制变量或使用更精细的数据来捕捉可能随时间变化的效应。

最后，请确保你的分析符合经济学逻辑和统计学原则，特别是在选择工具变量时。如果对数据或模型设定有疑问，建议寻求领域专家的意见。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用