目录
1、LS最小二乘法,可以用于线性回归模型、ARMA等模型
2、TSLS两阶段最小二乘法
3、GMM广义矩估计方法
4、ARCH自回归条件异方差,还可以估计其他各种ARCH模型,如 GARCH、T- GARCH
5、BINARY用于估计二元选择模型,包括 Logit、 Probit和 Extreme value模型
6、ORDERED用于估计有序选择模型
7、CENSORED用于估计删截模型
8、COUNT用于估计计数模型
9、OREG分位数回归分析方法
10、GLM义线性模型分析方法
11、STEPLS分段最小二乘分析方法
12、ROBUSTLS稳健最小二乘分析方法
13、HECKIT赫克曼备择模型
14、BREAKLS带断点的最小二乘分析方法
15、THRESHOLD门限回归分析
16、SWTCHREG转换回归
17、ARDL自回归分布滞后模型
18、IDAS混合数据抽样
1
TSLS两阶段最小二乘法
一个典型的线性回归模型:y= β0 + β1x1+ βX + ε(1),这里y为被解释变量,x1为自变量,或者解释变量,也即“因”。大写的 X为外生控制项向量( 也即一组假定为外生的其他控制变量,例如年龄、性别等等) ,ε则为误差项。如果ε与x1不相关,那么我们可以利用OLS 模型对方程进行无偏估计。
然而,如果一个重要变量x2被模型(1) 遗漏了,且x1和x2也相关,那么对β1的OLS 估计值就必然是有偏的。
此时,x1被称作“内生”的解释变量,这就是 “内生性”问题。遇到“内生性”问题肿木办?有一个方法就是找工具变量Z。
如果存在内生性,则称解释变量为 “内生变量”(endogenousvariable);反之,则称为 “外生变量”(exogenous variable)。
内生性的严重后果是使得 OLS估计量不一致(inconsistent),即无论样本容量多大,OLS 估计量也不会收敛至真实的参数值。
在计量经济学中,把所有与扰动项相关的解释变量都称为“内生变量”。这与一般经济学理论中的定义有所不同。1。与误差项相关的变量称为内生变量(endogenous variable)。2。与误差项不相关的变量称为外生变量(exogenous variable)。
二阶段最小二乘法Eviews操作介绍:二阶段最小二乘法的第一阶段就是利用原模型的内生解释变量对工具变量进行OLS,得到解释变量的拟合值;第二步,利用得到解释变量的拟合值对原模型进行最小二乘法,从而得到方程模型的估计值,这样就可以消除内生性的影响。
原文阅读:一