suest：跨模型比较与广义豪斯曼检验
? 连享会主页：lianxh.cn
连享会 · 名师讲坛
? 空间计量 专题
⌚ 2020.12.10-13? 主讲：杨海生 (中山大学)；范巧 (兰州大学)
? 课程主页：https://gitee.com/arlionn/SP
连享会 · 计量专题
? 因果推断-内生性 专题
⌚ 2020.11.12-15
? 主讲： 王存同 (中央财经大学)；司继春(上海对外经贸大学)
? 课程主页：https://gitee.com/arlionn/YG
作者： 黄俊凯 (中国人民大学财政金融学院 )邮箱： kopanswer@126.com
目录[
1. 理论回顾
1.1 suest 的基准模型
1.2 `suest` 的假设检验
2. suest 实例
2.1 系数差异检验 (不同模型)
2.2 系数差异检验 (不同样本)
2.3 广义豪斯曼检验
扩展命令
参考文献和资料
温馨提示： 文中链接在微信中无法生效。请点击底部
在上一篇推文「SUR：似无相关估计是个啥东东？」 (微信版) 中，我们介绍了 SUR 模型的基本思想、估计方法和一些典型的应用。本文进一步介绍 SUR 模型的两个进阶用法：一是模型之间系数差异的检验；二是广义 Hausman 检验。
1. 理论回顾
sureg 命令的模型设定仅限于 GLS，无法进行标准误的调整，也无法使用其他常见的模型。本文我们介绍 suest 命令，它基于 “得分” 计算出系数的方差-协方差矩阵，因此并不局限于线性回归，也不局限于球形扰动项的严格前提。suest 命令默认 (对模型错误设定) 稳健的标准误，使用者也可以通过 vce(cluster clustervar) 指定 (允许组内相关的) 聚类稳健标准误。
suest 命令只能支持那些可以计算得分 (predict newvar, score ) 的回归，包括但不限于 logit、probit、heckman、poisson、zip 等基于极大似然估计的回归。但随后版本的 Stata 的 regress 命令也支持计算得分 (实际上是残差)，因此现在的 suest 也支持线性回归。
1.1 suest 的基准模型
通常，在相同的数据 (或有重叠的数据集) 上估计不同模型时，估计量会相关。此时，若要检验一个估计量之间的假设 ，就需要知道估计量的联合分布 (simultaneous distribution)。
考虑一个有 个观测值和 个模型 的回归模型，对任意观测值 的系数向量 ，我们称其对数似然函数的导数为 “得分”— ：
对任意系数 ，其得分 为：
极大似然估计量 的得分等于 ，有估计方程：
根据 White (1994)，在合适的正则条件 (suitable regularity conditions) 下， 是渐近正态分布的，其方差可以被如下 “三明治” 估计量一致的估计：
其中 是得分向量 的雅克比矩阵，在极大似然估计中 可以被对数似然函数的负海塞矩阵 (或费雪信息矩阵 )一致的估计。如果模型以正确的方式设定，三明治的中间项将依概率收敛到 ，因此 可以被雅克比矩阵的逆矩阵 一致的估计。
Weesie (1999) 将得分 “堆栈” (stack) 的估计方程表示为：
在合适的正则条件下， 仍然是渐近联合正态分布的。此时雅克比矩阵 与得分向量 的关系为：
显然， 是由 组成的分块对角矩阵，它的逆矩阵也是分块对角矩阵。我们可以将任意观测值 在各个方程的得分级联 (concatenate) 在一起，得到：
从而得到 ，可以被如下 “三明治” 估计量一致的估计：
其中，对角元 的一致估计正如我们之前讨论的样子：
而 “堆栈” 的好处就在于，我们还能方便的得到非对角元 的一致估计 (White, 1982 )：
该表达式也是 Rogers (1993) 提出的聚类修正的三明治估计量的一个应用。我们考虑这样一个简单的情形：数据集中前一半的观测值用 logit 模型，后一半用 OLS 模型，并且前一半和后一半之间存在一对一的聚类。如果两个模型之间没有共同的参数，“堆栈” 模型的得分在它不属于的那一半中等于 。而在 Rogers 模型中，我们必须在聚类中加入观测值的得分，实际上就是将得分级联到聚类层面。在上文中，我们正是将得分聚类到观测值层面。
1.2 suest 的假设检验
在估计出 的渐近联合分布后，我们就可以进行假设检验。考虑一个最简单的情形，检验两个系数 和 是否相等，即 。我们可以计算出 的渐近方差：
因此可以方便的为 构造 Wald 检验统计量：
统计量 服从自由度为 的 分布。如果 大于临界值ÿ
最低0.47元/天 解锁文章
3705
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
