內生性解決的兩種方法

1. 怎樣解決計量中的內生性問題

內生變數是指與誤差項相關的解釋變數。對應還有一個術語叫『外生變數』，是指與誤差項不相關的解釋變數。

產生內生性問題的原因通常在三類，分別說明如下：

第一階段回歸結果為中間過程值，SPSSAU默認沒有輸出；第二階段回歸結果為最終結果值。

特別提示：

內生性問題涉及以下幾點：分別是內生變數判斷（Durbin-Wu-Hausman檢驗和理論判斷）、內生性問題的解決（兩階段最小二乘回歸TSLS或GMM）、工具變數引入後過度識別檢驗（Sargan檢驗和Basmann檢驗）等。

如果在理論上認為可能某解釋變數可能為內生變數，那麼直接進行TSLS回歸即可。

2. 經濟學中的內生性和外生性是什麼意思

內生性是指影響經濟的變數是其決定性的，是主要的經濟變數，如需求理論中的價格因素。

外生性是指經濟中的變數起次要的作用，比如需求理論中的偏好、預期等。存在內生性即是指經濟變數之間是相互其決定作用的。

產生於經濟模型內部的變數就是內生變數，內生變數之間往往相互影響，即體現互為變數與函數的關系；而外生變數來自於模型之外，往往是一些參數系數之類的，不會從模型內部得到。

內生變數解決的問題是自足性的，外生變數依靠模型本省是回答不了的，要藉助外部數據。

(2)內生性解決的兩種方法擴展閱讀：

政治經濟學根據所代表的階級的利益為了突出某個階級在經濟活動中的地位和作用自發從某個側面研究價值規律或經濟規律，科學經濟學自覺從整體上研究價值規律或經濟規律。對稱經濟學就是科學經濟學。經濟學的核心是經濟規律；

對稱經濟學看來，資源的優化配置與優化再生只是經濟規律的展開和具體表現，經濟學的對象應該是資源優化配置與優化再生後面的經濟規律與經濟本質，而不是停留在資源的優化配置與優化再生層面。

3. 內生性檢驗方法

最近也在學習這個問題，還處於小白階段，分享下我的理解。
內生性問題，是指解釋變數x和殘差項u之間存在相關性。導致內生性問題的原因有多個，所以也就有多個與之對應的解決內生性的方法。
首先有可能是遺漏變數，遺漏的變數和x相關。如果你知道遺漏變數是什麼，直接加進來作為控制變數即可。這是最簡單的一種。
如果不知道遺漏變數是什麼，或者Y和X互為因果。可以使用工具變數法。工具變數法其實也就是2SLS回歸（當你選的工具變數個數和內生性變數相同時），或者GMM回歸（工具變數個數大於解釋變數個數）。在使用工具變數時還要考慮工具變數是不是弱工具變數，是不是存在無效工具變數,這都要進行檢驗。
其次，導致內生性問題的原因，還可能是面板數據中，由於個體特異性沒有考慮進去，這些個體特異性如果與解釋變數相關，那麼也會導致內生性問題（x與u相關）。這種情況下，如果你的自變數是隨時間變化的，用固定效應模型；如果你的自變數是不隨時間變化的，用hausman-taylor模型。
第三種，如果你的樣本存在自選擇的問題，也會導致內生性問題。這種情況下就會使用heckman二階段檢驗。
至於具體的實現命令，你直接在stata裡面 help+你想用的回歸方式，stata裡面提供的材料就挺清楚的了。樓主可以根據自己的需要看看。
剛開始這方面的學習，所以我的知識水平只到這。
至於你說的PSM傾向匹配得分法，DID雙重差分，據我所知，是工具變數法的替代解決方式，工具變數法有個非常致命的弱點是好工具變數非常難找。但是具體背後的原理我還不是特別清楚。
以上，希望對樓主有所幫助。

4. 內生性的解決方法

工具變數估計
工具變數：假定我們有一個可觀測到的變數Z，它滿足兩個假定
(1)：Z與U不相關，即與Cov(Z，U)=0；
(2)：Z與X相關，即與Cov(Z，X)不等於0；
我們則稱Z是X的工具變數（instrumental variable 簡稱IV）
舉例：以雙變數模型為例
Y=Q+WX+U；
其中X與U相關，因而OLS估計有偏，現在有X的工具變數Z，
於是有Cov(Z，Y)=Cov(Z，Q+WX+U)
=Cov(Z，WX)+Cov(Z，U)(Q為常數)
=WCov(Z，X)
所以有W=Cov(Z，Y)/Cov(Z，X)
工具變數的優劣
(1)：Z與U不相關，即與Cov(Z，U)=0；
相關性越低，則越好
(2)：Z與X相關，即與Cov(Z，X)不等於0；
相關性越高，則越好
Z與U相關性低，Z與X相關性高，這樣的工具變數被稱為好工具變數，反之則稱為劣工具變數。
好的工具變數的識別
(1)：Z與U不相關，即與Cov(Z，U)=0；
由於U無法觀察，因而難以用正式的工具進行測量，通常由經濟理論來使人們相信。
(2)：Z與X相關，即與Cov(Z，X)不等於0；
將X對Z回歸即可，看看X的系數是否顯著異於零？
IV與OLS估計量的簡單比較
IV估計量：C1=Cov(Z，Y)/Cov(Z，X)
而OLS估計量是：C2=Cov(X，Y)/Cov(X，X)
(1)因此，Z=X時，兩者將完全一致，換句話說，當X外生時，它可用做自身的IV，IV估計量便等同於OLS估計量。
(2)若Z與X不相關，Cov(Z，X)等於0，則IV法無法給出估計量。
IV與OLS的取捨
（1）盡管當Z與U不相關，而Z與X存在著或正或負的相關時，IV是一致的，但當Z與X只是弱相關時IV估計值的標准誤可能很大，Z與X之間的弱相關可能產生更加嚴重的後果：即使Z與U只是適度相關，IV估計的漸進偏誤也可能很大。也即是說，當解釋變數外生時，IV與OLS估計都是一致的，但IV估計不如OLS有效。
（2）所以，當內生性程度不嚴重或者好的工具變數找不到時，還不如用OLS。反之，當內生性程度嚴重時，就一定要想辦法解決，否則，OLS估計就是不可接受的，當然，差的IV同樣是不可接受的。
其它解決辦法
（1）代理變數：某變數無法直接觀測，而用其它變數替代。
（2）前定變數：用變數的前一期或前幾期數據。
（3）面板數據模型。

5. 雙重差分法為什麼可以解決內生性問題

內生性問題伍德里奇的計量經濟學導論講的很清楚，主要是指由於遺漏變數造成誤差項和解釋變數相關，從而造成系數估計的偏誤，比如能力這種因素就因為難以衡量而進入不了解釋方程，但是通過工具變數法IV，用IQ作為工具變數替代能力，就可以解決內生性問題。DID也就是雙重查分當然也是一種方法，主要用於政策的評估。

6. 因變數與自變數之間產生內生性的來源是什麼,一般是用什麼方法解決

來源主要是:遺漏相關變數、解釋變數有測量誤差、雙向因果關系；
解決方法:工具變數法

7. 自變數與調節變數存在內生性如何解決

解釋變數內生性檢驗 首先檢驗解釋變數內生性（解釋變數內生性的Hausman 檢驗：使用工具變數法的前提是存在內生解釋變數。Hausman 檢驗的原假設為：所有解釋變數均為外生變數，如果拒絕，則認為存在內生解釋變數，要用IV；反之，如果接受，則認為不存在內生解釋變數，應該使用OLS。 reg ldi lofdi estimates store ols xtivreg ldi (lofdi=l.lofdi ldep lexr) estimates store iv hausman iv ols （在面板數據中使用工具變數，Stata提供了如下命令來執行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （選擇項可以為fe，re等，表示固定效應、隨機效應等。詳見help xtivreg） 如果存在內生解釋變數，則應該選用工具變數，工具變數個數不少於方程中內生解釋變數的個數。「恰好識別」時用2SLS。2SLS的實質是把內生解釋變數分成兩部分，即由工具變數所造成的外生的變動部分，以及與擾動項相關的其他部分；然後，把被解釋變數對中的這個外生部分進行回歸，從而滿足OLS前定變數的要求而得到一致估計量。tptqtp 二、異方差與自相關檢驗 在球型擾動項的假定下，2SLS是最有效的。但如果擾動項存在異方差或自相關， 面板異方差檢驗： xtgls enc invs exp imp esc mrl,igls panel(het) estimates store hetero xtgls enc invs exp imp esc mrl,igls estimates store homo local df = e(N_g) - 1 lrtest hetero homo, df(`df') 面板自相關：xtserial enc invs exp imp esc mrl 則存在一種更有效的方法，即GMM。從某種意義上，GMM之於2SLS正如GLS之於OLS。好識別的情況下，GMM還原為普通的工具變數法；過度識別時傳統的矩估計法行不通，只有這時才有必要使用GMM，過度識別檢驗（Overidentification Test或J Test）：estat overid 三、工具變數效果驗證 工具變數：工具變數要求與內生解釋變數相關，但又不能與被解釋變數的擾動項相關。由於這兩個要求常常是矛盾的，故在實踐上尋找合適的工具變數常常很困難，需要相當的想像力與創作性。常用滯後變數。 需要做的檢驗： 檢驗工具變數的有效性： （1） 檢驗工具變數與解釋變數的相關性 如果工具變數z與內生解釋變數完全不相關，則無法使用工具變數法；如果與僅僅微弱地相關，。這種工具變數被稱為「弱工具變數」（weak instruments）後果就象樣本容量過小。檢驗弱工具變數的一個經驗規則是，如果在第一階段回歸中，F統計量大於10，則可不必擔心弱工具變數問題。Stata命令：estat first（顯示第一個階段回歸中的統計量） （2） 檢驗工具變數的外生性（接受原假設好） 在恰好識別的情況下，無法檢驗工具變數是否與擾動項相關。在過度識別（工具變數個數>內生變數個數）的情況下，則可進行過度識別檢驗（Overidentification Test），檢驗原假設所有工具變數都是外生的。如果拒絕該原假設，則認為至少某個變數不是外生的，即與擾動項相關。0H Sargan統計量，Stata命令：estat overid 四、GMM過程 在Stata輸入以下命令，就可以進行對面板數據的GMM估計。 . ssc install ivreg2 （安裝程序ivreg2 ） . ssc install ranktest （安裝另外一個在運行ivreg2 時需要用到的輔助程序ranktest） . use "traffic.dta"（打開面板數據） . xtset panelvar timevar （設置面板變數及時間變數） . ivreg2 y x1 (x2=z1 z2),gmm2s （進行面板GMM估計，其中2s指的是2-step GMM）

8. 除了工具變數，還有哪些解決內生性的方法效果如何

解決內生性，
一般都要藉助外部信息。
不同的解決方法適應於不同的外部信息。比如有前面一個時期的數據的時候可以用difference
in
differences。
當有其他數據或研究可以給出內生性的信息的時候可以用
propensity
score
calibration.
還有人說regression
discontinuity
design
可以解決內生性.
但一般最好用用得最多的還是工具變數
不藉助外部信息的也就sensitivity
analysis
了。如果用sensitivity
analysis就隨便你自己怎麼玩了

9. 在經濟學中，什麼是內生性，什麼是外生性

內生性是指影響經濟的變數是其決定性的，是主要的經濟變數，如需求理論中的價格因素。外生性是指經濟中的變數起次要的作用，比如需求理論中的偏好、預期等。存在內生性即是指經濟變數之間是相互其決定作用的。

產生於經濟模型內部的變數就是內生變數，內生變數之間往往相互影響，即體現互為變數與函數的關系；而外生變數來自於模型之外，往往是一些參數系數之類的，不會從模型內部得到。

內生變數解決的問題是自足性的，外生變數依靠模型本省是回答不了的，要藉助外部數據。

(9)內生性解決的兩種方法擴展閱讀：

對於一個經濟主體（人，或者企業），內生性的東西指的是經濟主體可以自己決定的東西，比方說，如果經濟主體是個人，那麼這個人可以決定早餐吃蔬菜水果還是饅頭稀飯，所以早餐的食物類型就是內生性的。

外生性的東西指的是經濟主體不可以自己決定的東西，比方說，如果經濟主體是個人，那麼這個人的性別是男還是女不可以自己決定（變性者除外），所以性別就是外生性的。

經濟發展的規律就必須從整體上統一研究經濟現象，宏觀經濟與微觀經濟是統一的經濟體中對稱的兩個方面，所以在科學的對稱經濟學範式框架中，有宏觀經濟與微觀經濟之分，沒有宏觀經濟學與微觀經濟學之別；而政治經濟學總是把經濟學分為宏觀經濟學與微觀經濟學。

經濟學的對象是人類經濟活動的本質與規律。社會經濟發展是以主體創造價值活動為主導的、主客體從不對稱向對稱轉化的動態平衡過程；以主體創造價值活動為主導的、主客體從不對稱向對稱轉化，是社會經濟發展的最根本動力。

因此主體創造、轉化、實現價值過程中主客體的對稱關系，就是人類經濟活動的本質；以主體創造價值活動為主導的、主客體從不對稱向對稱轉化的規律，就是人類經濟活動的根本規律。

10. 內生性問題的解決方法

事實上，僅僅為了解決內生性問題，並不需要我們對內生性問題的緣起有很深入的理解。對於應用型的實證研究而言，我們只需要掌握解決內生性問題的具體方案即可。內生性問題的解決方案一共四種，理論上來講，這四種方案應對內生性問題都很有效。但於我個人而言，我對四種方法的評價是有高低的，由高到低分別介紹如下。

1.自然實驗法

所謂自然實驗，就是發生了某些外部突發事件，使得研究對象彷彿被隨機分成了實驗組或控制組。

這是我最喜歡的方法，只是自然實驗需要尋找一個事件，並且這個事件隻影響解釋變數而不影響被解釋變數。遇著這種事件是一種緣分，還要能識別出來，這對學者的眼光也是一種挑戰。

有很多文章聲稱使用了自然實驗，但嚴格來講，並沒有做到對研究對象進行了隨機分組。雖然如此，我對此類文章仍然很是喜歡。

2.雙重差分法

Difference-in-Difference （DID）一般稱為雙重差分法，或倍差法。倘若出現了一次外部沖擊，這次沖擊影響了一部分樣本，對另一部分樣本則無影響，而我們想看一下這次外部沖擊到底有何影響，雙重差分法就是用來研究這次沖擊的凈效應的。

其基本思想是，將受沖擊的樣本視作實驗組，再按照一定標准在未受沖擊的樣本中尋求與實驗組匹配的對照組，而後做差，做差剩下來的便是這次沖擊的凈效應。

雙重差分法實際上是固定效應的一個變種，差分的過程實際上是排除固定效應的過程。ZERA在《計量論文寫作和發表的黑客教程》有一個非常簡明風趣的舉例，我轉述於此，以饗讀者。

「大家都知道買房子靠不靠學校醫院等設施還是有很大差別的。但是，影響房價的因素又不止學區那麼簡單。

學校旁邊的學區房價格上升，難道一定是學區房因素導致的嗎？

現在我們要使用雙重差分法檢驗一個假設：學區房因素導致房價上升。

差分再差分，這個方法要湊效的秘訣是：學區房因素發生變化，而其他因素基本維持不變。例如教育管理機構重新劃分學區，一個著名小學突然在某個沒學校的地方建分校，或者一個著名小學搬遷，這些因素導致房子是否屬於學區房發生了變化。

以建分校為例。建校後周圍一片區域A的房子都屬於學區房，這個區域以外附近區域(B)的其他房子就不算該校學區房。然後收集建校前後兩個時間點上、A和B區域房價的數據。

所謂的差分再差分法，就是：A區域兩個時間點上的平均房價差距 - B區域兩時間點上的平均房價差距 = d，這個d就是建校對房價的影響了。d是兩個差距之間的差距，所以才叫做差分再差分。用計量回歸把這個d給估計出來，是有辦法的：

P= b0 + b1*Da +b2*Dt + d*(Da*Dt) + Xb + e

P是房價，Da是虛擬變數，在區域A則為1，否則為0， Dt是時間虛擬變數，建校後為1，建校前為0。 STATA一跑，就把d估計出來了。為什麼d可以如此表示？自己思考一下啦。實在想不出來，Wooldridge的書上有精確嚴格的解釋。這里給出一個直觀的粗略解釋：北京所有區域的房價每個月都在上升，因此需要控制這部分因素，這就是時間因素Dt；區域不同自然也有差別，需要控制區域位置因素，這就是Da，這就控制了即使不建校也存在的差距；控制住其他因素X，那麼剩下的Da*Dt就是建校帶來的房價提升效應了。這下明白了哦。」

當然，如果你想看到更學術化的探討，可以參考2015年第7期《數量經濟技術經濟研究》所刊文章《國內雙重差分法的研究現狀與潛在問題》。

3.工具變數法

這是一種處理內生性問題的經典方法，或者說被濫用最嚴重的方法。

這種方法相信大家都已經學過，就是找到一個變數和內生解釋變數相關，但是和隨機擾動項不相關。在OLS的框架下同時有多個工具變數（IV），這些工具變數被稱為two stage least squares (2SLS) estimator。具體的說，這種方法是找到影響內生變數的外生變數，連同其他已有的外生變數一起回歸，得到內生變數的估計值，以此作為IV，放到原來的回歸方程中進行回歸。

工具變數法最大的問題是滿足研究條件的工具變數難以找到，而不合乎條件的工具變數只能帶來更嚴重的估計問題。

當然，我確實見過非常精巧的工具變數，譬如，殖民地時代的死亡率。

4. 動態面板回歸法

基本思想是將解釋變數和被解釋變數的滯後項作為工具變數（IV）。其實，我是不認可這種處理方法，除非萬不得已，我不推薦這種方法，我也不太相信這種方法能真正緩解內生性問題。可是，確實很多人都在用。算了，不多說了。