我了解内生性的基本定义 是不满足,但这在现实世界中意味着什么?我阅读了有关供需示例的Wikipedia文章,试图理解这一点,但这并没有真正的帮助。我听说过关于内源性和外源性的其他描述,它们是在系统内部还是在系统外部,对我而言仍然没有意义。
我了解内生性的基本定义 是不满足,但这在现实世界中意味着什么?我阅读了有关供需示例的Wikipedia文章,试图理解这一点,但这并没有真正的帮助。我听说过关于内源性和外源性的其他描述,它们是在系统内部还是在系统外部,对我而言仍然没有意义。
Answers:
JohnRos的答案很好。用简单的英语来说,内生性意味着您弄错了因果关系。您写下并估计的模型无法正确反映因果关系在现实世界中的工作方式。当你写:
您可以通过多种方式来考虑该方程式。您可以将其视为基于的值预测的便捷方法。您可以将其视为对建模的便捷方法。在这两种情况下,都不存在内生性,您无需担心。X E { Y | X }
但是,您也可以将方程式视为因果关系。您可以将视为以下问题的答案:“ 如果我进入该系统并通过实验将增加1 ,将会发生什么?” 如果您想这样考虑,使用OLS进行估算就等于: ÿ X
3-5中的任何一个失败通常会导致,或者相当不相等的是。工具变量是一种纠正因果关系错误的事实的方式(通过做出另一个不同的因果假设)。完善进行的随机对照试验是强制 3-5成立的一种方法。如果您随机选择,那么它肯定不是由,或其他任何原因引起的。所谓的“自然实验”方法是尝试在世界上找到3-5成立的特殊情况,即使我们认为3-5通常都不成立。Ç Ò v(X ,ε )≠ 0 X ÿ ε
在JohnRos的示例中,要计算教育的工资价值,您需要对进行因果解释,但是有充分的理由相信3或5是错误的。
但是,您的困惑是可以理解的。在线性模型课程中,非常典型的是,教师使用我上面给出的的因果解释,同时假装不引入因果关系,并假装“都是统计数据”。这是一个怯co的谎言,但也很普遍。
实际上,它是生物医学和社会科学中更大现象的一部分。我们几乎总是试图确定对的因果关系,这毕竟是科学。另一方面,几乎总是有这样的情况,您可以讲一些故事,从而得出结论:3-5中的一个是错误的。因此,存在一种实践的,模糊的,模棱两可的不诚实行为,在这种行为中,我们通过说我们只是在做联想工作,然后将因果解释偷偷带回其他地方(通常在本文的引言和结论部分)来消除异议。ÿ
如果您真的有兴趣,可以阅读的人是Judea Perl。 詹姆斯·赫克曼也很好。
让我举一个例子:
假设您想量化教育对收入的(因果)影响。您获取教育年限和收入数据,然后对一个进行回归。您恢复了想要的东西吗?可能不是!这是因为收入也是由教育以外的其他原因引起的,但与教育相关。我们称它们为“技能”:我们可以放心地假设教育年限受“技能”的影响,因为您的技能越高,就越容易获得教育。因此,如果您将教育年限按收入进行回归,则教育效果的估算器会吸收“技能”的影响,并且您会过于乐观地估计教育收益。这就是说,教育对收入的影响(向上)是有偏差的,因为教育不是收入的外生因素。
User25901正在寻找直接,简单,真实的解释,这些术语外生和内生的含义。用奥秘的例子或数学定义做出回应并不能真正回答所提出的问题。
我如何对这两个术语有所了解?
这是我想出的:
Exo-外部,外部Endo-内部,内部-内在-起源于
外生的:如果变量不是由模型中的其他参数和变量确定的,而是模型的外生变量,但变量是外部设置的,并且其任何更改都来自外力。
内生的:如果变量至少部分是模型中其他参数和变量的函数,则该变量在模型中是内生的。
。这只是一个数学事实。这是省略的变量偏差。
那是两个阶段的最小二乘,与IV几乎相同。
在回归中,我们希望捕获自变量(我们假设是外生的,而不是自身依赖于其他事物)对已确定的因变量的定量影响。我们想知道外生变量对因变量有什么净影响,这意味着自变量应不受其他变量的任何影响。查看回归是否遭受内生性问题的一种快速方法是检查自变量与残差之间的相关性。但这只是一个粗略的检查,否则需要进行内生性的正式测试。
R
。