请教连老师，请教一个问题：

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

连老师，

您好，我用下面这个问题来进行回归，有一些疑问：

ivregress gmm y x1  x2  x3 year* (z=iv_z), wmatrix(robust)vce (bs, nodots reps(500))small

1、使用 estat overid 时，出现“no overidentifying restrictions r(498)”，是不是因为，只有一个工具变量所以不需要检验过度识别？

2、使用ivregress （包括gmm或2sls）命令时，怎么进行“Underidentification test ”，“Weak identification test ”以及“Weak-instrument-robust inference”呢？

3、使用ivreg2好像不能够进行“自抽样Bootstrap”吧？我之所以使用“自抽样Bootstrap”方法是为了做稳健性检验。

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6 回帖

关键词：连老师 Restrictions restriction Identifying Instrument

1. 你的理解没错；

2. 可以使用 ivreg2 命令，一次性报告所有结果；

3. 可以使用 bootstrap 命令，help bootstrap

arlionn 发表于 2014-3-30 17:37
1. 你的理解没错；

2. 可以使用 ivreg2 命令，一次性报告所有结果；

ivreg2  命令 可以用 bootstrap  么？
help ivreg2  好像不可以

你可以使用 bs, reps(500): ivreg2 …… 格式，参见 help bs

arlionn 发表于 2014-4-2 20:16
你可以使用 bs, reps(500): ivreg2 …… 格式，参见 help bs

连老师，
您好，我在允许下列命令时出错，
bs, reps(500): ivreg2 ....... y* (count_totstd=iv_totstd), gmm2s robust cluster (reporter)  first
(running ivreg2 on estimation sample)

Bootstrap replications (500)
----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5
repeated time values within panel
the most likely cause for this error is misspecifying the cluster(), idcluster(), or
group() option
r(451);

但我去掉 “cluster (reporter)” 后，则不会运行出错。
请教您可能是什么原因呢？

bs, reps(500): ivreg2 ....... y* (count_totstd=iv_totstd), gmm2s robust cluster(reporter)   idcluster(reporter_new) first

arlionn 发表于 2014-4-10 09:16
bs, reps(500): ivreg2 ....... y* (count_totstd=iv_totstd), gmm2s robust cluster(reporter)   idcluste ...

谢谢连老师。
我按您说的方法，加上 “idcluster(reporter_new) first”后，仍出现原来的错误。
于是，我将这部分删除，采取下面的方法，运行没有错，但是运行结果没有显示Anderson-Rubin Wald 检验值。不知是不是，因为bs的估计方法，不提供“Anderson-Rubin Wald”。



.
. bs, reps(500): ivreg2  y  x1   y* (z= z1), gmm2s robust  first
(running ivreg2 on estimation sample)

Bootstrap replications (500)
----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5
..................................................    50
..................................................   100
..................................................   150
..................................................   200
..................................................   250
..................................................   300
..................................................   350
..................................................   400
..................................................   450
..................................................   500

2-Step GMM estimation
---------------------

Estimates efficient for arbitrary heteroskedasticity
Statistics robust to heteroskedasticity

                                                      Number of obs =      608
                                                      F( 26,   581) =        .
                                                      Prob > F      =   0.0000
Total (centered) SS     =  507.5005318                Centered R2   =   0.5221
Total (uncentered) SS   =  514.0870761                Uncentered R2 =   0.5283
Residual SS             =  242.5199484                Root MSE      =    .6316

--------------------------------------------------------------------------------
               |   Observed   Bootstrap                         Normal-based
        vaxstd |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
---------------+----------------------------------------------------------------
    index_5std |   .3481919   .0474836     7.33   0.000     .2551258     .441258
   patentppstd |   .2790811   .0433641     6.44   0.000      .194089    .3640732
ulcemrogdpstd |  -.0731036   .0370796    -1.97   0.049    -.1457782    -.000429
       hdi2std |  -.7363774   .0677417   -10.87   0.000    -.8691487   -.6036061
     cprkrostd |   .1921824   .0266811     7.20   0.000     .1398883    .2444765
pholineperstd |   .3175728   .0743951     4.27   0.000     .1717611    .4633846
     kaopenstd |   .0366594    .045494     0.81   0.420    -.0525073     .125826
     fdisppstd |  -1.276395   .1286474    -9.92   0.000    -1.528539    -1.02425
institutionstd |   .1742323   .0462876     3.76   0.000     .0835102    .2649543
     ge_stdstd |  -.1809017   .0507326    -3.57   0.000    -.2803359   -.0814676
  naturalppstd |   .4147439   .0350878    11.82   0.000      .345973    .4835148
          year |  -.0858614   .0116817    -7.35   0.000    -.1087571   -.0629657
           yr2 |  -.2452203   .1559818    -1.57   0.116    -.5509389    .0604984
           yr3 |  -.1422074   .1417747    -1.00   0.316    -.4200807    .1356658
           yr4 |  -.1523671   .1553619    -0.98   0.327    -.4568709    .1521367
           yr5 |  -.0803987    .153399    -0.52   0.600    -.3810553    .2202579
           yr6 |  -.8444466   .1388781    -6.08   0.000    -1.116643   -.5722505
           yr7 |  -.3012124   .1495642    -2.01   0.044    -.5943528    -.008072
           yr8 |   -.136197   .1393368    -0.98   0.328     -.409292     .136898
           yr9 |  -.0610204   .1491291    -0.41   0.682    -.3533081    .2312673
          yr10 |  -.0451324   .1385267    -0.33   0.745    -.3166397    .2263749
          yr11 |  -.6744716   .1345687    -5.01   0.000    -.9382214   -.4107219
          yr12 |    -.08162   .1342406    -0.61   0.543    -.3447267    .1814867
          yr13 |  -.4146444   .1383386    -3.00   0.003     -.685783   -.1435058
          yr14 |  -.5459585   .1440208    -3.79   0.000    -.8282341    -.263683
          yr15 |  -.0161639   .1492949    -0.11   0.914    -.3087764    .2764486
         _cons |   172.1667   23.38363     7.36   0.000     126.3356    217.9978
--------------------------------------------------------------------------------
Underidentification test (Kleibergen-Paap rk LM statistic):            233.339
                                                   Chi-sq(1) P-val =    0.0000
------------------------------------------------------------------------------
Weak identification test (Cragg-Donald Wald F statistic):             9074.220
                         (Kleibergen-Paap rk Wald F statistic):        1.1e+04
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.
------------------------------------------------------------------------------
Sargan statistic (overidentification test of all instruments):           0.000
                                                 (equation exactly identified)
------------------------------------------------------------------------------
Instrumented:         index_5std
Included instruments: patentppstd ulcemrogdpstd hdi2std cprkrostd pholineperstd
                      kaopenstd fdisppstd institutionstd ge_stdstd naturalppstd
                      year yr2 yr3 yr4 yr5 yr6 yr7 yr8 yr9 yr10 yr11 yr12 yr13
                      yr14 yr15
Excluded instruments: iv_index_5std
Dropped collinear:    yr16 yr17
------------------------------------------------------------------------------
**********
另外，如果不采用BS方法，采用普通的2sls回归，则会出现下面的运行结果：
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(1,581)=      58.96     P-val=0.0000
Anderson-Rubin Wald test           Chi-sq(1)=     61.70     P-val=0.0000
Stock-Wright LM S statistic        Chi-sq(1)=     49.26     P-val=0.0000
）））

不知什么原因呢？
麻烦了，谢谢！

计算系数的标准误可以使用BS方法，但进行 weak IV 检验时可以不必在 BS 情境下执行。
简单来讲，你可以采用普通的 2sls 执行 weak IV  检验，系数的标准误则采用 BS。