工具变量（IV）

好的好的名字

已于 2022-09-08 21:37:57 修改

阅读量1w

点赞数 13

文章标签：学习

于 2022-07-24 00:53:39 首次发布

本文链接：https://blog.csdn.net/weixin_59939020/article/details/125953693

版权

一、什么是工具变量

在对自然科学的模仿中，当下的实证研究的主流发展是因果推断。而在因果推断的过程中，需要得到解释变量X对于被解释变量Y的因果效应估计。这种因果推断需要基于一个反事实的框架，即一个人干了某件事和没干某件事有什么差异。我想要知道我上大学能多赚多少钱，那么我就得知道我上大学和没上大学两种情况下各能赚多少。但是我其实只能要么上大学，要么没上大学，正所谓人不能两次踏入同一条河流。也就是说在发生了其中一种事实的情况下，我们无法得到另外一种情况——反事实。

在回归模型中，我们通常只能使用是否上大学这个变量来估计对收入的影响。而直接把这个变量放入模型中会产生一系列的内生性问题，它会影响上大学对于收入的系数估计。

基于此，社会科学和统计学使用了一系列的方法去解决这种内生性问题。

（1）遗漏变量偏差：面板数据模型、工具变量（IV）、双重差分法（DID）、断点回归设计（RDD）、随机实验或自然实验、倾向得分匹配（PSM）、Heckman选择模型

（2）双向因果关系：工具变量（IV）

（3）测量误差偏差：工具变量（IV）

（4）动态面板偏差：差分GMM、系统GMM

可以看到，工具变量法比较牛逼，可以解决好几种内生性问题偏差。那么什么又是工具变量法？

首先回到最简单的OLS回归：y= β0 + β1x1 + βX + ε

其中，x1是关心的解释变量。如果此时存在内生性问题（如x1可能和y是反向因果关系，可能存在一个重要的变量x2被遗漏了，并且x2和x1是相关的，也可能x1这个变量测量有问题），那么应该怎么办？

x1本质上可以从两个方向上来理解。从数学上来说，它是一个向量，是样本中的个案在某个维度上数字取值的集合。从理论上来说，它反映的是一个概念，只不过我们在定量研究中把它操作成了数字。x1是我们感兴趣的，但是这个操作化的变量在回归模型中并不能很好地完成与理论、与现实的对接，这其实就表现出数学模型和现实之间存在的一个大的张力。

那么，如果我们能找到另外一个概念操作化完之后也是这个数学向量，并且从理论和现实来说，这个概念和y没啥关系，和ε没啥关系，并且测量又测量得很好，是不是就解决了内生性问题。

当然，我们并不能找到对应另外一个概念Z在测量上和x1是相同的一组数字，但是退一步来说，它们只要是高度相关的就好了。

我们把这个概念也就是变量Z称之为工具变量，它本质上是用来替代x1。它既能完成x1在数学模型上的光荣使命，又同时避免了在现实上和其他变量扯不清道不明的问题，得到了我们最终想要的干净的系数估计。成功实现了既要又要！

就比如说我想要去街上买根冰棍，不过我其实是个懒狗。但是这时候发现我的邻居也去街上买东西，于是我叫我的邻居顺手帮我带一根。因为我其实目的不是要去街上，我只是想要根冰棍，叫邻居买和我自己去买都能达到这个目的，但是自己去买对我而言比较痛苦。

冰棍对应想要的x1的估计系数；

走路去买对应有问题的x1；

自己去买会让我感到痛苦对应x1有内生性问题；

邻居去买对应工具变量Z；

当然，隐含的假设是我是个厚脸皮的人，这样叫人家买冰棍对我就没什么困扰了。所以厚脸皮对应工具变量Z和误差项 ε不相关。