门槛回归模型_门限回归及Stata操作汇总与空间门槛回归模型简介

来源 | 数量经济学综合整理

转载请联系

进行回归分析，一般需要研究系数的估计值是否稳定。很多经济变量都存在结构突变问题，使用普通回归的做法就是确定结构突变点，进行分段回归。这就像我们高中学习的分段函数。但是对于大样本、面板数据如何寻找结构突变点。所以本文在此讲解面板门限回归的问题，门限回归也适用于时间序列(文章后面将介绍stata15.0新命令进行时间序列的门限回归)。

门限效应，是指当一个经济参数达到特定的数值后，引起另外一个经济参数发生突然转向其它发展形式的现象(结构突变)。作为原因现象的临界值称为门限值。例如，成果和时间存在非线性关系，但是在每个阶段是线性关系。有些人将这样的模型称为门槛模型，或者门限模型。如果模型的研究对象包含多个个体多个年度，那么就是门限面板模型。

一、history&Hansen

常见模型如下：门槛回归模型(threshold regression，也称门限回归)：

汉森(Bruce E. Hansen)在门限回归模型上做出了很多贡献。 Hansen于1996年在《Econometrica》上发表文章《Inference when a nuisance parameter is not identified under the null hypothesis》，提出了时间序列门限自回归模型(TAR)的估计和检验。之后，他在门限模型上连续追踪，发表了几篇经典文章，尤其是1999年的《Threshold effects in non-dynamic panels: Estimation, testing and inference》(Hansen (1999) 首次介绍了具有个体效应的面板门限模型的计量分析方法, 该方法以残差平方和最小化为条件确定门限值, 并检验门限值的显著性, 克服了主观设定结构突变点的偏误。具体思路是:选定某一变量作为门限变量, 根据搜寻到的门限值将回归模型区分为多个区间, 每个区间的回归方程表达不同, 根据门限划分的区间将其他样本值进行归类, 回归后比较不同区间系数的变化。)，2000年的《Sample splitting and threshold estimation》和2004年与他人合作的《Instrumental Variable Estimation of a Threshold Model》。

在这些文章中，Hansen介绍了包含个体固定效应的静态平衡面板数据门限回归模型，阐述了计量分析方法。方法方面，首先要通过减去时间均值方程，消除个体固定效应，然后再利用OLS(最小二乘法)进行系数估计。如果样本数量有限，那么可以使用自举法(Bootstrap)重复抽取样本，提高门限效应的显著性检验效率。在Hansen(1999)的模型中，解释变量中不能包含内生解释变量，无法扩展应用领域。Caner和Hansen在2004年解决了这个问题。他们研究了带有内生变量和一个外生门限变量的面板门限模型。与静态面板数据门限回归模型有所不同，在含有内生解释变量的面板数据门限回归模型中，需要利用简化型对内生变量进行一定的处理，然后用2SLS(两阶段最小二乘法)或者GMM(广义矩估计)对参数进行估计。

二．显著性检验

门槛回归模型显著性检验的目的是，检验以门檻值划分的两组样本其模型估计参数是否显著不同。

因此，不存在门槛值的零假设为：Ho：两个系数相同。同时构造LM统计量：

其中，So是在零假设下的残差平方和。由于LM统计量并不服从标准的分布。因此， Hansen(2000)提出了通过“自举法”( Bootstrap)来获得渐进分布的想法，进而得出相应的概率p值，也称为 Bootstrap P值。

这种方法的基本思想是：在解释变量和门槛值给定的前提下，模拟( Simulate)产生一组因变量序列，并使其满足N(0，e2)，其中e是式(4)的残差项。每得到一个自抽样样本，就可以计算出一个模拟的エM统计量。将这一过程重复1000次。Hansen(1996)认为模拟产生的LM统计量大于式(6)的次数占总模拟次数的百分比就是“自举法”估计得到的P值。这里的Bootstrap P值类似于普通计量方法得出的相伴概率P值。例如，当 Bootstrap P值小于0.01时，表示在1 %的显著性水平下通过了LM检验，以此类推。

三．置信区间