请教连老师2sls和处理效应模型

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

连老师，您好！2sls和处理效应模型有什么区别？看别人的文章总是写到用了2sls，比如研究审计师声誉，第一步用Logit预测出使用高声誉审计师的概率，第二步以这个概率值代替审计师声誉代入方程。这样做正确吗？这好像既不是用的咱们讲的2sls也不是处理效应模型。
     如果我研究的是选择高声誉还是低声誉审计师，但又不用PSM，使用哪个模型合适呢？
           谢谢连老师！

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16 回帖

关键词：2SLS 连老师 logit 看别人的 审计师 模型

   2SLS 是一类估计方法的统称，也即我们平时所言的两阶段最小二乘法，我想细节和过程不必赘述。
   Treatment Effect Model 可以视为一个特殊的内生性问题，其特征是内生变量为 0/1 变量。因此，第一阶段的回归不能再用 OLS，而是使用了 Logit 或 Probit，并以此为基础得到所谓的 hazard ratio；在第二步的回归中，在原有模型设定的基础上，加入 Hazard ratio 来调整内生性导致的偏误（详情 help treatreg，查看电子说明书中有关 Method 部分的说明）。
   所以，你提到的文献中的处理方法，从严格意义上来讲，是不对的。至于二者之间的偏差有多大，由于没有做过相关的模拟，也没有看到相关的文献，目前还不得而知。


*==============Appendix===================
        *--------
        *-4.2.1.2  处理效应 Treatment effect
        
          *-   Y = X*b1 + D*b2 + U
          *    D is 0/1 变量, 内生
          *
          *-本质：一个内生的 0/1 变量 (一个特殊的 IV 问题)
            
          * 例 1：Y=ROA, D=是否实施股权激励(Yes=1, No=0)
          * 例 2：Y=Wage,D=是否大学毕业(Yes=1, No=0)
          *
          * 内生性问题的根源：业绩好的公司更倾向于实施股权激励
          *                   能力强的人更可能顺利读完大学
      
      *-其它例子：
          *-  是否读博士？
          *-  是否建立政治关联？(游说, 贿赂, 当选人大代表等)
          *-  是否实施多元化经营, 交叉上市, 兼并收购？  

  *-------------------
  *-4.2.3 处理效应模型  Treatment Effect Model

    *--------
    *-4.2.3.1  二元模型设定

      help treatreg   // Also see | Manual: [R] treatreg
      shellout "$R\Stata_Treatreg.pdf"  
   
   *-Primary regression equation:
   *
   *      y_j = X_j*b1 + T_j*b2 + e_j     (1)  e_j~N(0,sigma^2)
   *
   *-Treatment equation
   *
   *      T_j* = W_j*gamma + u_j          (2)  Latent variable
   *                                           u_j~N(0,1)
   *-Decision rule:
   *
   *            { 1  if (T_j*>0)
   *      T_j = {                     Note: T_j 是可以观察到的
   *            { 0  otherwise
   *
   *   Corr(e_j, u_j) = rho   // 内生性的根源
   *
   *- rho<0，表明 OLS 低估了 T_j 对 y_j 的边际影响;
   *- rho>0，表明 OLS 高估了 T_j 对 y_j 的边际影响;

    *--------
    *-4.2.3.2  估计方法
  
      *-最大似然估计 (Maxlikelihood Estimation, MLE)
         
            *-基于二元联合正态分布函数
         
      *-两步法 (Two-step Estimation)
           
            *-Step1: Probit (Treat Equation) --> Prob(Z=1)
            *        probit T w
            *           { H = normden(wb)/normal(wb)        if T=1
            *   Hazard: {
            *           { H = -normalden(wb)/(1-normal(wb)) if T=0
               
            *-Step2: reg y X z H  // regression Equation 中加入 hazard