Questions tagged «endogeneity»

假设您具有单个数据横截面，其中个人位于组内（例如，学校内的学生），并且您希望估计以下形式的模型：Y_i = a + B*X_i其中X是个人水平特征和a常数的向量。 在这种情况下，假设未观察到的组间异质性会使您的点估计B及其SE产生偏差，因为它与您所关注的独立变量相关。 一种选择是按小组（学校）对SE进行聚类。另一个是要包括FE组。另一个是同时使用。在这些选项之间进行选择时应该考虑什么？尤其不清楚为什么要按组将SE聚类并使用FE组。在我的特定情况下，我有35个小组，每个小组中有5,000个人。我已经按照本pdf中的讨论进行了讨论，但是对于为什么以及何时可以同时使用群集SE和固定效果尚不清楚。 （请讨论集群式SE与FE的优缺点，而不是建议我只采用多层次模型。）

19 econometrics  multilevel-analysis  fixed-effects-model  endogeneity  clustered-standard-errors 

我试图弄清样本选择和内生性之间的差异，进而弄清Heckman模型（处理样本选择）与工具变量回归（处理内生性）之间的区别。 说样品选择是内生性的一种特定形式是正确的，内生性变量是被治疗的可能性吗？ 另外，在我看来，Heckman模型和IV回归都是两个阶段的模型，其中第一阶段预测了被治疗的可能性-我认为，根据经验，目标和假设，他们必须有所不同，但是如何？

16 instrumental-variables  endogeneity  2sls  heckman 

我正在通过caretR中的程序包尝试使用梯度增强机算法。 使用一个小的大学录取数据集，我运行了以下代码： library(caret) ### Load admissions dataset. ### mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv") ### Create yes/no levels for admission. ### mydata$admit_factor[mydata$admit==0] <- "no" mydata$admit_factor[mydata$admit==1] <- "yes" ### Gradient boosting machine algorithm. ### set.seed(123) fitControl <- trainControl(method = 'cv', number = 5, summaryFunction=defaultSummary) grid <- expand.grid(n.trees = seq(5000,1000000,5000), interaction.depth = 2, shrinkage = …

15 machine-learning  caret  boosting  gbm  hypothesis-testing  t-test  panel-data  psychometrics  intraclass-correlation  generalized-linear-model  categorical-data  binomial  model  intercept  causality  cross-correlation  distributions  ranks  p-value  z-test  sign-test  time-series  references  terminology  cross-correlation  definition  probability  distributions  beta-distribution  inverse-gamma  missing-data  paired-comparisons  paired-data  clustered-standard-errors  cluster-sample  time-series  arima  logistic  binary-data  odds-ratio  medicine  hypothesis-testing  wilcoxon-mann-whitney  unsupervised-learning  hierarchical-clustering  neural-networks  train  clustering  k-means  regression  ordinal-data  change-scores  machine-learning  experiment-design  roc  precision-recall  auc  stata  multilevel-analysis  regression  fitting  nonlinear  jmp  r  data-visualization  gam  gamm4  r  lme4-nlme  many-categories  regression  causality  instrumental-variables  endogeneity  controlling-for-a-variable 

我有一个如下的理论经济模型， y=a+b1x1+b2x2+b3x3+uy=a+b1x1+b2x2+b3x3+u y = a + b_1x_1 + b_2x_2 + b_3x_3 + u 因此，理论认为存在，和因子来估计。x1x1x_1x2x2x_2x3x3x_3yyy 现在我有了真实的数据，我需要估计，，。问题在于实际数据集仅包含和数据；没有数据。所以我实际上可以拟合的模型是：b1b1b_1b2b2b_2b3b3b_3x1x1x_1x2x2x_2x3x3x_3 y=a+b1x1+b2x2+uy=a+b1x1+b2x2+uy = a + b_1x_1 + b_2x_2 + u 可以估计这个模型吗？ 我会失去任何估计吗？ 如果我确实估计，b_2，那么b_3x_3项去哪儿？b 2 b 3 x 3b1b1b_1b2b2b_2b3x3b3x3b_3x_3 它由错误项uuu吗？ 并且我们想假设x3x3x_3与x1x1x_1和x_2不相关x2x2x_2。

14 regression  multiple-regression  endogeneity 

关于因果关系（->）的工具变量的标准方案是： Z -> X -> Y 其中Z是工具，X是内生变量，Y是响应。 以下关系是否可能： Z <- X ->Y Z <-> X ->Y 也有效吗？ 虽然满足了工具和变量之间的相关性，但在这种情况下我如何考虑排除限制？ 注意：此符号<->不是明确的，可能导致对该问题的不同理解。答案仍然突出了这个问题，并用它来显示问题的重要方面。阅读时，请谨慎对待问题的这一部分。

11 causality  instrumental-variables  endogeneity 

我已经读到2SLS估计器即使与二进制内生变量（http://www.stata.com/statalist/archive/2004-07/msg00699.html）仍然保持一致。在第一阶段，将运行概率处理模型，而不是线性模型。 有没有正式的证据表明即使第一阶段是概率模型或对数模型，2SLS仍然是一致的？ 如果结果也是二进制，该怎么办？我知道如果我们有二进制结果和二进制内生变量（第一和第二阶段都是二进制概率/逻辑模型），则模仿2SLS方法将产生不一致的估计。是否有任何正式的证据？Wooldridge的计量经济学书进行了一些讨论，但我认为没有严格的证据来证明这种不一致。 data sim; do i=1 to 500000; iv=rand("normal",0,1); x2=rand("normal",0,1); x3=rand("normal",0,1); lp=0.5+0.8*iv+0.5*x2-0.2*x3; T=rand("bernoulli",exp(lp)/(1+exp(lp))); Y=-0.8+1.2*T-1.3*x2-0.8*x3+rand("normal",0,1); output; end; run; ****1st stage: logit model ****; ****get predicted values ****; proc logistic data=sim descending; model T=IV; output out=pred1 pred=p; run; ****2nd stage: ols model with predicted values****; proc reg data=pred1; model y=p; run; …

10 probit  instrumental-variables  endogeneity