面板模型内生性处理-偏差校正LSDV法

各位大侠，我在进行面板模型估计（N=9，T=15）过程中，为了规避因变量 (Dependent Variable)Y与核心解释变量（Independent Variable)X_core之间的双向因果关系而引发的内生性问题，我考虑将因变量滞后项（Yt-1）纳入方程右边，选用偏差校正LSDV法进行回归，口令为：

1. xtlsdvc lny lnx_core lnx2 lnx3 t,initial(ab) vcov(50) bias(3)

复制代码

。估计结果显示因变量滞后一期非常显著且为正，但核心解释变量不显著（这可是我最为关心的)。这与我通过OLS(robust)、xtgls(panal(corr))、双向固定效应模型+聚类标准误等方法估计所得的:核心解释变量与因变量在1%水平上显著的结果不一致。当然我也了解到，因为是长面板，所以System GMM 和差分GMM并不适用。我的目标是消除Y与X_core双向因果可能带来的内生性问题。求大神指教。

黄河泉老师对类似问题的解答：“1. 很不幸地，‘在解释变量中添加被解释变量的一阶滞后项’反而会增加而不是减低内生性的问题！此时其为‘动态’面板模型，一定存在内生性。2. 所以要找一个适当的 (external) 工具变数，但我认为不太容易，不管你是那个领域的，所以楼上所说的 Dynamic GMM (利用 internal 的 IV) 是一个选项！ ”

请问楼主最后怎么解决的

15642353982 发表于 2021-4-18 17:26
请问楼主最后怎么解决的

处理双向因果引发的内生性问题，可以参照隋广军等（2017）的做法，文献：《中国对外直接投资、基础设施建设与“一带一路”沿线国家经济增长》。

面对你描述的情况，处理面板模型中的内生性问题确实是个挑战，尤其是当你的核心解释变量（X_core）和因变量（Y）之间可能存在双向因果关系时。偏差校正的LSDV方法试图通过引入固定效应并调整标准误来解决这个问题，但结果并不总是如预期那样。

你已经尝试了多种估计方法，包括OLS、xtgls、双向固定效应模型+聚类标准误，以及目前使用的偏差校正LSDV法。尽管如此，核心解释变量的显著性在使用偏差校正LSDV时并未得到体现，这可能有几个原因：

1. **样本大小**：你的面板数据N=9，T=15，对于某些估计方法来说，这个样本量可能不够大来稳定地估计参数，尤其是当模型包含多个控制变量和复杂固定效应时。

2. **内生性问题的深度**：即使使用了偏误校正LSDV法，如果X_core与Y之间的关系非常复杂，例如存在遗漏变量或测量误差，这可能会继续影响估计结果的有效性。

3. **模型设定**：你提到将因变量滞后项（Yt-1）加入方程右侧来处理内生性。这是系统GMM的一个基本原理，但如你所述，长面板可能不适合使用传统的差分GMM或系统GMM。然而，在某些情况下，即使在长面板中，合理构造工具变量仍然可以提高估计的准确性。

4. **偏差校正LSDV法的适用性**：虽然这种处理内生性的方法可以在一定程度上减少偏误，但并不总是保证核心解释变量会达到统计显著性，尤其是当其与因变量之间的真实关系弱或不存在时。

面对这一挑战，可以考虑以下几点建议：

- **深入探索模型设定**：检查你的控制变量是否真正相关且必要。有时过多的控制变量反而可能引入其他问题。
  
- **工具变量法（IV）**：如果可能的话，寻找有效的工具变量来解决X_core与Y之间的内生性问题。这需要对理论背景有深入了解以找到合理的外生冲击。

- **结构方程模型或因果推断方法**：考虑使用更复杂的方法如结构方程建模或者因果推断技术（例如倾向得分匹配、双重差分法等），它们可能能提供更深入的因果关系理解，但这些方法需要更详尽的数据和假设。

- **敏感性分析**：尝试在模型中排除一些控制变量或改变规格化策略来检查核心解释变量估计结果的稳定性。这有助于确定哪些因素影响了你的发现。

最终，解决问题的关键可能在于对数据结构、理论框架和研究目标有深入的理解，结合多种方法论来综合评估问题并得出结论。

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