列出內生解釋變數常用修正方法

① 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

② 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。

③ 怎樣確定內生解釋變數，前定解釋變數及外生解釋變數

內生變數為模型內可以解釋的變數，
外生變數為模型內不能解釋的變數。

④ 內生變數的解釋

內生變數解釋如下：

示例

例：P=a+bQ，表示價格與數量的關系，則a、b是參數，都是外生變數；P、Q是模型要決定的變數，所以是內生變數。除此之外，譬如相關商品的價格，人們的收入等其他與模型有關的變數，都是外生變數。

(4)列出內生解釋變數常用修正方法擴展閱讀：

一般情況下，內生變數與隨機項相關，即:在聯立方程模型中，內生變數既作為被解釋變數，又可以在不同的方程中作為解釋變數。在推動社會進步時，要有效的改變內生變數必須從改變決定內生變數的外生變數著手，如果不改變外生變數而想去直接改變內生變數。

那麼不僅會事與願違，而且很可能把事情搞得更糟。是由模型系統內部因素決定的變數，表現為具有一定概率分布的隨機變數，是模型求解的結果。

⑤ 內生性的檢驗

基本思想：直接比較OLS和IV估計值，若所有變數都是外生的，則OLS和IV估計都是一致的，若明顯不同，則我們就斷定解釋變數有內生性。
操作前提：首先找到一個外生變數用做工具變數。
一個問題：工具變數本身的外生性如果檢測？

⑥ 如何檢驗解釋變數的內生性問題

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）

⑦ 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。

⑧ 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。