工具变量，外生性，内生性

Allana Du

于 2024-05-17 09:31:05 发布

阅读量881

点赞数 10

分类专栏：因果推断文章标签：人工智能

本文链接：https://blog.csdn.net/weixin_49162240/article/details/138990980

版权

2 篇文章 0 订阅

订阅专栏

1. 工具变量（IV）方法是解决内生性问题的一种重要技术。为确保使用工具变量得到的结果是可靠的，工具变量需要满足以下三个主要假设条件：

相关性（Relevance）: 工具变量必须与内生解释变量（自变量）有强烈的统计相关性。这意味着工具变量能有效地解释内生变量的变动，从而在第一阶段的回归中产生准确的预测值。如果工具变量与内生变量的相关性较弱，会导致所谓的“弱工具变量”问题，这可能会使得估计结果不稳定并且偏误较大。
外生性（Exogeneity）: 工具变量应与模型的误差项不相关，即工具变量本身必须是外生的。这保证了工具变量不受模型中未观测到的变量的影响，从而可以用来恰当地估计内生解释变量对因变量的影响。如果工具变量受到误差项中变量的影响，那么使用该工具变量得到的估计将是有偏的。
排他性（Exclusion Restriction）:工具变量对因变量的影响必须完全通过内生解释变量来进行，不应直接影响因变量，也不通过其他变量间接影响因变量。这意味着除了通过内生解释变量之外，工具变量不应与因变量有任何其他的关联路径。

外生性（Exogeneity）

外生性指的是一个变量的值不受模型中其他变量的影响。简单来说，如果一个变量是外生的，它就是独立于模型误差项的。在因果分析中，这意味着该变量可以被视为“给定的”或“由模型外的因素决定的”，并且不会受到模型内部系统的任何反馈影响。外生变量常被用作工具变量或解释变量，因为它们帮助我们确定其他变量之间的因果关系，而不受遗漏变量或同时性偏差的干扰。
内生性（Endogeneity）

内生性问题发生在一个或多个解释变量与误差项相关时。这种相关性可能由几种情况引起：
遗漏变量偏差：如果模型中未包括影响因变量的重要变量，那么这些遗漏的变量可能会导致包含在模型中的解释变量与误差项相关，从而引入偏差。
同时性偏差：在某些经济模型中，解释变量和因变量可能相互影响，例如供求模型中的价格和数量。这种相互作用导致的变量相互依赖，称为同时性偏差。
测量误差：如果变量的测量不准确，测量误差也可能引入内生性问题，因为这些误差通常会与误差项相关，从而影响估计的一致性。