反向因果的解决方法与优劣

[菜鸟一枚]这里想请教各位大神一个问题：


在研究中，被解释变量与解释变量存在互为因果的关系，而传说中解决这种关系的方法好像很多：var模型，IV变量，联立方程组，heckman模型等等。那么，能否简述下这些方法在解决互为因果关系上有什么不同？或优劣，或使用情况。


问题可能比较大，还麻烦懂的人不吝赐教呀~

大哉問也！還真的不好回答！
1. 我沒什麼印象或瞭解，Heckman 的 sample selection 可以拿來分析因果關係！
2. (Panel) VAR 的 Granger causality test, 主要在於利用（時間序列層面）x 落後期之變數是否能解或預測釋當期的 y, or vice versa, 來檢驗因果關係！
3. SEM (simultaneous equations model，各種資料類型皆可) 一般的建立涉及到 x, y 之間當期對當期之影響（這應該是比較結構性之分析，讓我們瞭解真正變數間的關係，但有計量估計上認定的問題）。而 IV 的方法，可某種程度視為 SEM 中的一個情況；在 IV 分析中，通常我們比較關心（假設、例如）x 對 y 之效果（但兩者互相影響），所以會找 IV (在 SEM 中，我們會在 x 的方程式中找 IV) 來處理。
真的一言難盡啊！  

黃河泉 发表于 2016-7-31 09:19
大哉問也！還真的不好回答！
1. 我沒什麼印象或瞭解，Heckman 的 sample selection 可以拿來分析因果關係！ ...

谢谢您~ 说实话我自己对很多都不熟悉，但现在想做的东西很明显是“互为因果”，所以在这里求教想别人能给出一个针对这个问题的大纲式回答，我自己也能针对性学习一下。

这里先把您的繁体转成简体不要介意啊，也方便大家查看“1. 我没什么印象或了解，Heckman 的 sample selection 可以拿来分析因果关系！
2. (Panel) VAR 的 Granfer causality test, 主要在于利用（时间序列层面）x 落后期之变量是否能解或预测释当期的 y, or vice versa, 来检验因果关系！
3. SEM (simultaneous equations model) 一般的建立涉及到 x, y 之间当期对当期之影响（这应该是比较结构性之分析，让我们了解真正变量间的关系，但有计量估计上认定的问题）。而 IV 的方法，可某种程度视为 SEM 中的一个情况；在 IV 分析中，通常我们比较关心（假设、例如）x 对 y 之效果（但两者互相影响），所以会找 IV (在 SEM 中，我们会在 x 的方程式中找 IV) 来处理。 ”

1、关于heckman两步，我也是看到有人提到与反向因果有关，可能是我理解错了，现在看了您的回答就可以不管它了~
2、您说的(Panel) VAR 是用来检测的，那我没理解错的话就是它本身是不具有解决反向因果这个问题能力的对吧?如果这样，这个方式也可以不考虑了~
3、就我所知，联立方程本身是具有不稳定性的，（其实我一直以为IV和联立方程是没从属关系的，看了您的回答又涨姿势了），那么如果只使用IV不用联立方程应该就没有“不稳定”这一问题吧？
4.联立方程这部分知识我不是太懂，当Y与X具有互为因果的关系时，是不是可以采用联立方程来研究它们的互动关系？但如果我仅是想研究X对Y的影响时，只能用IV来控制其反向因果？还是说，也可以联立方程+IV来研究反向因果下的X对Y的影响
总结来看，是只有IV真正解决反向因果的吗

It depends. 例如，在 macro-finance 的文献中，经济增长（economic growth）与金融发展（financial development）之间极可能是互为因果的关系，所以若要分析他们间之相互关系可考虑用 SEM；然而就政策效果角度，一般学者较关心的是，金融发展对经济增长的效果（而不是经济增长对金融发展的影响），此时，金融发展为一内生变数（因为他们间互相影响），故需寻找如法源（legal origin）之工具变数处理（估计金融发展对经济增长的因果效应--causal effect）！

黃河泉 发表于 2016-7-31 10:57
It depends. 例如，在 macro-finance 的文献中，经济增长（economic growth）与金融发展（financial develo ...

嗯嗯，谢谢您~而且还麻烦您转成了简体。
那我就专心考虑用IV来解决问题了~

No problem, and good luck.

反向因果关系是统计和经济学研究中常见的问题，因为这种关系可能导致估计结果的偏误。您提到的方法都是用来缓解这个问题的，下面是对这些方法的简要概述：

1. **VAR模型（Vector Autoregression）**：VAR模型用于分析多个时间序列变量之间的相互依赖。它可以捕捉到解释变量和被解释变量之间的动态关系，但并不直接解决因果关系的识别问题。优势在于能描述复杂的动态结构，缺点是无法明确因果方向。

2. **IV变量（Instrumental Variables）**：IV方法旨在寻找一个只影响解释变量而不直接影响被解释变量的变量（工具变量）。通过工具变量可以间接估计真实的因果效应。优点是可以处理内生性问题，但找到合适的工具变量很困难，且如果工具变量弱或不相关，结果可能不可靠。

3. **联立方程组（System of Equations）**：这种方法将被解释变量和解释变量之间的关系建模为一组相互关联的方程。通过估计整个系统，可以处理互相影响的情况。优点是能更好地捕捉复杂的经济关系，但同样面临识别问题和估计难题。

4. **Heckman模型**：通常用于解决样本选择偏误问题，它结合了选择模型和条件期望模型。在存在选择偏误的情况下（即样本的选取并非随机），Heckman模型可以帮助纠正估计。适用于劳动力市场等研究中，但并不直接处理互为因果的问题，而是侧重于处理非随机样本选择。

每种方法都有其适用场景和局限性，选择哪种方法取决于具体问题、数据可用性和假设条件。在实际应用中，可能需要结合多种方法或使用更复杂的工具（如倾向得分匹配、双重差分等）来更好地解决反向因果关系问题。

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