jstl动态取变量_面板数据模型与工具变量前沿方法的结合|开学第19讲面板数据模型Stata新操作选讲...

1.机器学习与工具变量

如何在经济学中使用Lasso？

Lasso回归已经越来越多地出现于经济学文献中， 但由于机器学习主要以预测为目标导向，如果简单照搬机器学习方法进行实证研究，则难免陷入误区。以Lasso回归在经济学中应用为例，至少需要注意以下两方面的问题。

使用Lasso的注意事项(1)：第一、作为收缩估计量，Lasso是有偏的。经济学家向来不喜欢有偏估计。解决方法之一为所谓“Post Lasso”估计量，即仅使用Lasso进行变量筛选，然后扔掉Lasso的回归系数，仅对筛选出来的变量进行OLS回归。

使用Lasso的注意事项(2)：第二、作为变量筛选算子(selection operator)，Lasso并不一定就能保证避免“遗漏变量偏差”(omittedvariable bias)。比如，假设解释变量中包含一个我们感兴趣的处理变量(treatment variable)以及诸多控制变量(control variables)。如果直接使用Lasso估计此方程，并进行控制变量的选择，则可能忽略掉对处理变量有影响的变量(由于这些变量可能与处理变量高度相关，故在回归方程中包含处理变量的情况下，它们的作用可能被忽略)，导致遗漏变量偏差。

Post Double Lasso

为此，Belloni, Chernozhukov and Hansen(2014, REStudy)提出了更为稳健的“Post Double Lasso”估计量

将被解释变量与处理变量分别对所有控制变量进行Lasso回归，然后对这两个Lasso回归(即所谓“Double Lasso”)所得的非零控制变量取并集(union)之后，再代入原方程进行OLS回归。

IV Lasso

在存在很多工具变量的情况下，Belloni,Chernozhukov, Chen and Hansen (2012,Econometrica) 将Lasso应用于2SLS的第一阶段回归，以得到最优的工具变量组合。

一个有效的工具变量具有小但非零的系数被排除在第一阶段之外，只要选择了其他具有大系数的工具变量，就不会影响第二阶段2SLS估计的一致性。

It is important to note that strong economic intuition is still needed even when using automatic variable selection methods as these methods will fail if the baseline set of variables being searched over is poor. It is also worth remembering that the theory of high-dimensional variable selection methods allows for selection among a very large set of variables but that high-dimensional variable selection methods work best in simulations when selection is done over a collection of variables that is not overly extensive. That is, it is important to have a carefully chosen, well-targeted set of variables to be selected over.

使用套索回归选择工具变量的第二阶段估计值为0.0648，估计标准误差为0.0240。这一估计虽然很小，但在通常的水平上，在统计上意义重大，表明加强个人财产权的司法裁决与较高的财产价格有关。相对于由直觉基准获得的工具变量，使用有条理的变量(机器学习)获得更强大的第一阶段，并具有相应的合理精确的第二阶段估计，这表明高维技术可以有效地补充研究人员在IV估计中选择工具变量的直觉设置。

验证毛咕噜依靠直觉忽悠了一个动听的故事，但是他的工具变量却不是有效的...

using acemoglu_col_notext.txt 

quietly reg gdp `controls' ;

predict rgdp , resid ;

quietly reg exprop `controls' ;

predict rexp , resid ;

quietly reg lnmort `controls' ;

predict rmor , resid ;

ivreg rgdp (rexp = rmor) , robust first noconstant;

lassoShooting gdp `controls' , lasiter(100) verbos