《高級計(jì)量經(jīng)濟(jì)分析及stata應(yīng)用》第8章處理效應(yīng)分析拓展第8章處理效應(yīng)分析拓展8.1

內(nèi)生處理的控制函數(shù)估計(jì)法8.2

內(nèi)生處理的極大似然估計(jì)8.3

處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析8.4

內(nèi)生處理的擴(kuò)展probit回歸分析8.5

處理效應(yīng)的擴(kuò)展有序probit回歸分析8.6

處理效應(yīng)的含內(nèi)生變量和樣本選擇的區(qū)間回歸模型分析8.7

處理效應(yīng)的隨機(jī)效應(yīng)回歸分析8.8

處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析8.9

處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析8.10

處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析2025/4/1438.1內(nèi)生處理的控制函數(shù)估計(jì)法當(dāng)處理分配與潛在結(jié)果相關(guān)時(shí)，eteffects命令根據(jù)觀察數(shù)據(jù)估計(jì)平均處理效果（ATE）、平均處理效果（ATET）和潛在結(jié)果均值（POM）。它允許連續(xù)、二元、計(jì)數(shù)、分?jǐn)?shù)和非負(fù)結(jié)果，并需要二元處理。為了控制處理分配的內(nèi)生性，估計(jì)法將處理模型的殘差包含在潛在結(jié)果的模型中，稱為控制函數(shù)方法。2025/4/1448.1內(nèi)生處理的控制函數(shù)估計(jì)法內(nèi)生性處理效果估計(jì)的eteffects命令中考慮的處理效果模型如下所示：2025/4/145(8.6)(8.1)(8.2)(8.3)(8.4)(8.5)8.1內(nèi)生處理的控制函數(shù)估計(jì)法

2025/4/1468.1內(nèi)生處理的控制函數(shù)估計(jì)法2025/4/147

(8.7)對于probit和指數(shù)平均情況，則有：(8.8)(8.9)8.1內(nèi)生處理的控制函數(shù)估計(jì)法2025/4/148

(8.10)(8.11)(8.12)(8.13)(8.14)8.1內(nèi)生處理的控制函數(shù)估計(jì)法2025/4/149

(8.15)(8.16)8.1內(nèi)生處理的控制函數(shù)估計(jì)法內(nèi)生性處理效果估計(jì)的命令語法格式為：eteffects(ovaromvarlist[,omodelnoconstant])(tvartmvarlist[,noconstant])[if][in][weight][,statoptions]其中，ovar是結(jié)果模型的depvar；omvarlist是結(jié)果模型中的外生索引列表；tvar是二進(jìn)制處理變量；tmvarlist是預(yù)測處理分配的協(xié)變量列表；omodel的選項(xiàng)有：linear：線性結(jié)果模型（默認(rèn)值）；fractional：分?jǐn)?shù)概率結(jié)果模型；probit：probit結(jié)果模型；exponential：指數(shù)平均結(jié)果模型；stat的選項(xiàng)有：ate：估計(jì)人群中的平均處理效果（默認(rèn)值）；atet：評估受試者的平均處理效果；Pomens估計(jì)潛在結(jié)果平均值。8.1內(nèi)生處理的控制函數(shù)估計(jì)法菜單操作為:Statistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>Continuousoutcomes

Statistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>BinaryoutcomesStatistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>Countoutcomes

Statistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>FractionaloutcomesStatistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>Nonnegativeoutcomes8.1內(nèi)生處理的控制函數(shù)估計(jì)法當(dāng)處理分配與潛在結(jié)果相關(guān)時(shí)，eteffects根據(jù)觀察數(shù)據(jù)估計(jì)平均處理效果(ATE)、平均處理效果(ATET)和潛在結(jié)果均值(POM)。信息技術(shù)允許連續(xù)、二元、計(jì)數(shù)、分?jǐn)?shù)和非負(fù)結(jié)果，并且需要二元處理。為了控制處理分配的內(nèi)生性，估計(jì)量將處理模型的殘差包含在潛在結(jié)果，稱為控制功能方法(control-functionapproach)。8.1內(nèi)生處理的控制函數(shù)估計(jì)法例8.1內(nèi)生處理的控制函數(shù)估計(jì)法假設(shè)我們想知道母親懷孕期間吸煙對嬰兒出生體重的影響。我們使用了Cattaneo（2010）的一個(gè)摘錄，其中bweight記錄了嬰兒的出生體重，mbsmoke是一個(gè)變量（0或1），表示母親在懷孕期間是否吸煙。我們可能認(rèn)為，出生體重(潛在結(jié)果)受母親是否在懷孕前三個(gè)月進(jìn)行過產(chǎn)前檢查、母親是否已婚、母親年齡、是否為第一胎以及父親的教育水平的影響。我們也可以相信吸煙的決定(處理)受母親的婚姻狀況、母親的教育水平、年齡、是否在懷孕前三個(gè)月進(jìn)行了產(chǎn)前檢查以及該嬰兒是否是她的第一個(gè)嬰兒的影響。8.1內(nèi)生處理的控制函數(shù)估計(jì)法例8.1內(nèi)生處理的控制函數(shù)估計(jì)法如果我們認(rèn)為存在影響處理分配和潛在結(jié)果的不可觀察因素，我們必須選擇另一個(gè)估計(jì)法。例如，我們沒有觀察到母親的健康意識，這會(huì)通過其他因素影響吸煙決定和每個(gè)潛在的出生體重、產(chǎn)前維生素?cái)z入等行為。在這些假設(shè)下，eteffects中的估計(jì)量一致地估計(jì)了ATE，但teeffects中的估計(jì)量會(huì)產(chǎn)生了不一致的估計(jì)。.*下載數(shù)據(jù).clearall.webusecattaneo2(ExcerptfromCattaneo(2010)JournalofEconometrics155:138–154)8.1內(nèi)生處理的控制函數(shù)估計(jì)法例8.1內(nèi)生處理的控制函數(shù)估計(jì)法.*吸煙狀況對嬰兒出生體重的影響.eteffects(bweighti.prenatal1i.mmarriedmagei.fbaby)(mbsmokei.mmarriedmagei.fbabymedufedu)8.1內(nèi)生處理的控制函數(shù)估計(jì)法例8.1內(nèi)生處理的控制函數(shù)估計(jì)法.*同上，但估計(jì)ATET

.eteffects(bweighti.prenatal1i.mmarriedmagei.fbaby)(mbsmokei.mmarriedmagei.fbabymedufedu),atet8.1內(nèi)生處理的控制函數(shù)估計(jì)法2025/4/1417例8.1內(nèi)生處理的控制函數(shù)估計(jì)法.*顯示用于計(jì)算ATET的輔助參數(shù).eteffects,aeq8.2內(nèi)生處理的極大似然估計(jì)2025/4/14188.2.1約束模型及其估計(jì)

(8.17)(8.18)(8.19)8.2內(nèi)生處理的極大似然估計(jì)2025/4/14198.2.1約束模型及其估計(jì)(8.20)則觀測j的對數(shù)似然為：8.2內(nèi)生處理的極大似然估計(jì)2025/4/1420

(8.21)8.2內(nèi)生處理的極大似然估計(jì)2025/4/1421

(8.22)8.2內(nèi)生處理的極大似然估計(jì)2025/4/1422

8.2.2一般潛在效果模型該模型估計(jì)的對數(shù)似然函數(shù)為：(8.23)(8.24)

8.2內(nèi)生處理的極大似然估計(jì)

2025/4/14238.2.3平均處理效應(yīng)ATE是處理潛在結(jié)果和對照潛在結(jié)果的平均差異。根據(jù)迭代期望定律，ATE是:(8.25)8.2內(nèi)生處理的極大似然估計(jì)

2025/4/1424

(8.26)(8.27)8.2內(nèi)生處理的極大似然估計(jì)

2025/4/14258.2.5實(shí)現(xiàn)內(nèi)生處理的極大似然估計(jì)的命令語法格式為:(1)基本語法:etregressdepvar[indepvars],treat(depvar_t=indepvars_t)[twostep|cfunction](2)僅用于最大似然估計(jì)的完整語法:etregressdepvar[indepvars][if][in][weight],treat(depvar_t=indepvars_t[,noconstant])[etregress_ml_options]

8.2內(nèi)生處理的極大似然估計(jì)8.2.5實(shí)現(xiàn)(3)僅用于兩步一致估計(jì)的完整語法:etregressdepvar[indepvars][if][in],treat(depvar_t=indepvars_t[,noconstant])twostep[etregress_ts_options]

(4)僅用于控制函數(shù)估計(jì)的完整語法:etregressdepvar[indepvars][if][in],treat(depvar_t=indepvars_t[,noconstant])cfunction[etregress_cf_options]2025/4/14268.2內(nèi)生處理的極大似然估計(jì)8.2.5實(shí)現(xiàn)菜單操作為:Statistics>Treatmenteffects>Endogenoustreatment>Maximumlikelihoodestimator>Continuousoutcomesetregress命令估計(jì)平均處理效果(ATE)和使用內(nèi)生二元處理變量進(jìn)行增強(qiáng)的線性回歸模型的其他參數(shù)，其估計(jì)方法采用全最大似然估計(jì)、兩步一致估計(jì)或控制函數(shù)估計(jì)。除ATE外，當(dāng)結(jié)果可能不是有條件獨(dú)立于處理時(shí)，etregress還可用于估計(jì)處理的平均處理效果(ATET)。2025/4/14278.2內(nèi)生處理的極大似然估計(jì)例8.3內(nèi)生處理的極大似然估計(jì)(1)。我們根據(jù)1968年對14-26歲年輕女性進(jìn)行的全國縱向調(diào)查的代表性摘錄，估算了1972年成為工會(huì)成員對女性工資的影響。我們將使用變量工資(工資)、年級(完成學(xué)業(yè)的年限)、smsa(居住在SMSA(標(biāo)準(zhǔn)都市統(tǒng)計(jì)區(qū))的指標(biāo))、黑人(作為非裔美國人的指標(biāo))、終身制(當(dāng)前工作的終身制)和南方(生活在南方的指標(biāo))。2025/4/14288.2內(nèi)生處理的極大似然估計(jì)例8.3內(nèi)生處理的極大似然估計(jì)(1)。.*下載數(shù)據(jù).clearall

.webuseunion3

(NLSWomen14-24in1968)

.*獲得完整的ML估計(jì)

.etregresswageagegradesmsablacktenure,treat(union=southblacktenure)2025/4/14298.2內(nèi)生處理的極大似然估計(jì)例8.3內(nèi)生處理的極大似然估計(jì)(1)。2025/4/1430似然比檢驗(yàn)表明，我們可以拒絕處理分配錯(cuò)誤與結(jié)果錯(cuò)誤之間無相關(guān)性的無效假設(shè)。處理分配錯(cuò)誤與結(jié)果錯(cuò)誤之間的估計(jì)相關(guān)性為-0.575。負(fù)面關(guān)系表明提高觀察工資的不可觀察因素往往與降低工會(huì)成員資格的不可觀察因素同時(shí)發(fā)生。

8.2內(nèi)生處理的極大似然估計(jì)例8.3內(nèi)生處理的極大似然估計(jì)(1)。

.*獲得兩步一致估計(jì).etregresswageagegradesmsablacktenure,treat(union=southblacktenure)twostep

2025/4/14312025/4/14328.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

(8.28)

2025/4/14338.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

(8.29)(8.30)2025/4/14348.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

(8.31)(8.32)(8.33)(8.34)(8.35)2025/4/14358.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

(8.36)2025/4/14368.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

(8.37)則模型的對數(shù)似然值為：平均處理效應(yīng)為：(8.38)2025/4/14378.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

(1)具有內(nèi)生處理分配的基本線性回歸

eregressdepvar[indepvars],entreat(depvar_tr[=varlist_tr])[options](2)外生處理分配的基本線性回歸

eregressdepvar[indepvars],extreat(tvar)[options](3)結(jié)合內(nèi)生協(xié)變量、處理和選擇的線性回歸

eregressdepvar[indepvars][if][in][weight][,extensionsoptions]

含內(nèi)生變量和樣本選擇的處理效應(yīng)線性回歸模型是線性回歸模型的拓展，其估計(jì)的命令語法格式為:2025/4/14388.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

其中模型拓展選項(xiàng)(extensionsoptions)有:

entreat(entrspec):內(nèi)源性處理分配的entreat(entrspec)模型;extreat(Extrespec):外生性處理;

entrspec是depvar\utr[=varlist\utr][，entropts]。其中，depvar\utr是一個(gè)表示處理分配的變量。varlist\utr是預(yù)測處理分配的協(xié)變量列表。

extrspec是tvar[，extropts]。其中，tvar是表示處理分配的變量。其他更多選項(xiàng)查詢eregress命令幫助文件。

2025/4/14398.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

菜單操作為:Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Linearregressioneregress擬合了一個(gè)線性回歸模型，該模型可容納內(nèi)生協(xié)變量、非隨機(jī)處理分配和內(nèi)生樣本選擇的任意組合。允許使用連續(xù)、二元和有序的內(nèi)生協(xié)變量。處理分配可以是內(nèi)生的，也可以是外生的。probit或tobit模型可用于解釋內(nèi)生樣本選擇。

2025/4/14408.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。假設(shè)我們想研究大學(xué)學(xué)歷對工資的影響。解決這個(gè)問題的一種方法是查看個(gè)人是否擁有大學(xué)學(xué)位的指標(biāo)上的系數(shù)。這讓我們了解到，擁有大學(xué)學(xué)歷的個(gè)人與沒有大學(xué)學(xué)歷的個(gè)人的平均工資有多大不同。然而，正如【ERM】示例1a中所述，我們懷疑諸如能力等未觀察到的因素會(huì)影響大學(xué)畢業(yè)概率和工資水平。因此，我們需要考慮大學(xué)學(xué)位指標(biāo)的潛在內(nèi)生性。

2025/4/14418.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。在我們虛構(gòu)的研究中，我們收集了6000名成年人的小時(shí)工資(工資)和教育程度(大學(xué))數(shù)據(jù)。我們認(rèn)為，工作任期(任期)和年齡(年齡)的差異也可能影響工資。我們可以通過在主方程中指定這些協(xié)變量來控制這些協(xié)變量。我們在內(nèi)生()選項(xiàng)中指定college，但這次我們還包括probit子選項(xiàng)，以指示變量是二進(jìn)制的。我們將畢業(yè)建模為父母教育水平(peduc)的函數(shù)，我們假設(shè)這對工資沒有直接影響。

2025/4/14428.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。.*下載數(shù)據(jù)

.clearall

.webusewageed

(Wagesfor20to74yearolds,2015)

.*二元內(nèi)生協(xié)變量college的線性回歸

.eregresswagec.age##c.agetenure,endogenous(college=i.peduc,probit)

2025/4/14438.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

2025/4/14448.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。主方程和輔助方程誤差之間的估計(jì)相關(guān)性為0.55，與0顯著不同。我們得出結(jié)論，擁有大學(xué)學(xué)位是內(nèi)生的，增加大學(xué)畢業(yè)概率的不可觀察因素往往也會(huì)增加工資。我們發(fā)現(xiàn)，考慮到一個(gè)人的年齡和工作年限，大學(xué)畢業(yè)會(huì)使預(yù)期工資增加5.24美元。這一估計(jì)與比較大學(xué)畢業(yè)生和非大學(xué)畢業(yè)生的平均工資不同。

2025/4/14458.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。

.*含外生處理變量college的線性回歸

.eregresswagec.age##c.agetenure,extreat(college)2025/4/14468.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。

.estatteffects,atet2025/4/14478.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。

.*用穩(wěn)健標(biāo)準(zhǔn)誤差

.eregresswagec.age##c.agetenure,extreat(college)vce(robust)

2025/4/14488.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。

.*內(nèi)生處理的線性回歸Linearregressionwithendogenoustreatment

.eregresswagec.age##c.agetenure,entreat(college=i.peduc)vce(robust)2025/4/14498.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

2025/4/14508.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。

.*放寬平行假設(shè)，通過在選項(xiàng)entreat()中，指定子期權(quán)povariance，為兩種潛在結(jié)果建立不同的方差模型

.eregresswagec.age##c.agetenure,entreat(college=i.peduc,povariancepocorrelation)vce(robust)2025/4/14518.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

2025/4/14528.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。.*估計(jì)大學(xué)學(xué)位對工資的平均影響.estatteffects,atet.labeldroptengrp

.labeldefinetengrp0"0-3yearstenure"4"3-7yearstenure"8"Over7yearstenure"

.labelvaluestenuregrptengrp

.marginscollege,over(agegrptenuregrp)subpop(ifcollege==1&peduc==1)vce(unconditional)2025/4/14538.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

2025/4/14548.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。.marginsplot,by(college)

Variablesthatuniquelyidentifymargins:collegeagegrptenuregrp

2025/4/14558.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。.marginsr.college,over(agegrptenuregrp)subpop(ifcollege==1&peduc==1)vce(unconditional)

2025/4/14568.3處理效應(yīng)的含內(nèi)生變量和樣本選擇的擴(kuò)展線性回歸分析

例8.5處理效應(yīng)的二元內(nèi)生協(xié)變量線性回歸分析。.marginsplot

Variablesthatuniquelyidentifymargins:agegrptenuregrp

8.4內(nèi)生處理的擴(kuò)展probit回歸分析

2025/4/1457

(8.39)8.4內(nèi)生處理的擴(kuò)展probit回歸分析

2025/4/1458

(8.40)(8.41)8.4內(nèi)生處理的擴(kuò)展probit回歸分析

2025/4/1459

8.4內(nèi)生處理的擴(kuò)展probit回歸分析

2025/4/1460

(8.42)(8.43)8.4內(nèi)生處理的擴(kuò)展probit回歸分析

2025/4/1461

(8.44)(8.45)(8.46)8.4內(nèi)生處理的擴(kuò)展probit回歸分析

2025/4/1462

(8.47)(8.48)8.4內(nèi)生處理的擴(kuò)展probit回歸分析

2025/4/1463(8.49)

(8.50)

8.4內(nèi)生處理的擴(kuò)展probit回歸分析我們可以利用這些條件預(yù)測對協(xié)變量的期望來獲得總體平均參數(shù)。一旦模型與eprobit相匹配，margins命令用于將期望值估計(jì)為預(yù)測利潤。處理組j的POM為2025/4/1464處理組j的ATE為(8.51)(8.52)對于處理組j，處理組h的平均處理效果（ATET）為(8.53)8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1465

(8.54)

(8.55)8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1466處理效果的制定與單一相關(guān)案例相同，但要使用這些更新的POM定義。我們可以利用這些條件預(yù)測對協(xié)變量的期望來獲得總體平均參數(shù)。estatteffects或margins命令用于估計(jì)期望值即為預(yù)測邊際，一旦模型與eprobit相匹配。

(8.56)8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1467內(nèi)生處理效應(yīng)的擴(kuò)展probit回歸的命令語法格式為:(1)具有內(nèi)生處理分配的基本probit回歸eprobitdepvar[indepvars],entreat(depvar_tr[=varlist_tr])[options](2)外生處理分配的基本probit回歸eprobitdepvar[indepvars],extreat(tvar)[options](3)結(jié)合內(nèi)生協(xié)變量、處理和選擇的Probit回歸eprobitdepvar[indepvars][if][in][weight][,extensionsoptions]8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1468擴(kuò)展模型選項(xiàng)有:entreat(entrspec):內(nèi)生處理分配的模型;extreat(Extrespec):外生處理;其他更多選項(xiàng)查看eprobit幫助文件。菜單操作:Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Probitregressioneprobit擬合probit回歸模型，該模型可容納內(nèi)生協(xié)變量、非隨機(jī)處理分配和內(nèi)生樣本選擇的任意組合。允許使用連續(xù)、二元和有序的內(nèi)生協(xié)變量。處理分配可以是內(nèi)源性的，也可以是外源性的。probit或tobit模型可用于解釋內(nèi)生樣本選擇。

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1469例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。我們展示了虛構(gòu)州立大學(xué)的研究人員如何調(diào)查該大學(xué)錄取學(xué)生的高中平均成績(GPA)與其最終大學(xué)平均成績(GPA)之間的關(guān)系。假設(shè)相反他們想知道大學(xué)畢業(yè)概率與高中GPA的關(guān)系。他們再次懷疑，在大學(xué)畢業(yè)概率模型中，高中GPA是內(nèi)生的。

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1470例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。.

*下載數(shù)據(jù).

clearall.

webuseclass10

(Classof2010profile)

.*具有內(nèi)生協(xié)變量hsgpa的Probit回歸.eprobitgraduateincomei.roommate,endogenous(hsgpa=incomei.hscomp)vce(robust)

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1471例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1472例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。.*我們希望通過使用默認(rèn)的平均結(jié)構(gòu)函數(shù)預(yù)測，將每個(gè)學(xué)生的不可觀察特征保持為其當(dāng)前數(shù)據(jù)所隱含的特征。

.margins,at(hsgpa=generate(hsgpa))

at(hsgpa=generate(hsgpa+1))subpop(ifhsgpa<=3)vce(unconditional)

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1473例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。.*添加了用于添加測試統(tǒng)計(jì)信息的效果，以及用于清理輸出的nowald。

.margins,at(hsgpa=generate(hsgpa))at(hsgpa=generate(hsgpa+1))subpop(ifhsgpa<=3)contrast(at(r)nowaldeffects)noatlegendvce(unconditional)over(incomegrp)

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1474例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。.marginsplot

Variablesthatuniquelyidentifymargins:incomegrpMultipleat()optionsspecified:

_atoption=1:hsgpa=generate(hsgpa)

_atoption=2:hsgpa=generate(hsgpa+1)

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1475例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。*我們修改數(shù)據(jù)以簡化分析。

generatesmpl=roommate==1&(income<3|income>10)generatebytehlincome=1ifincome<3

replacehlincome=2ifincome>10

labeldefinehiloinc1"Income<$30,000"2"Income>$100,000"labelvalueshlincomehiloinc

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1476例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。*讓我們估計(jì)每個(gè)收入分組的影響

margins,subpop(smpl)over(hsgpagrphlincome)vce(unconditional)

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1477例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。.*如果我們將結(jié)果繪制成圖表，我們可以更清楚地看到這種關(guān)系。.marginsplot

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1478例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。.*我們想知道高中GPA分組中高收入和低收入人群的預(yù)期畢業(yè)率。

.margins,subpop(smpl)over(hsgpagrphlincome)at(income=10)vce(unconditional).marginsplot結(jié)果略

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1479例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。.*具有穩(wěn)健的標(biāo)準(zhǔn)誤差估計(jì)

.eprobitgraduateincomei.roommate,endogenous(hsgpa=incomei.hscomp)vce(robust)

8.4內(nèi)生處理的擴(kuò)展probit回歸分析2025/4/1480例8.6內(nèi)生處理的擴(kuò)展probit回歸分析。

.*如上所述，并考慮內(nèi)生處理

.eprobitgraduateincomei.roommate,endogenous(hsgpa=incomei.hscomp)entreat(program=i.campusi.scholarincome)vce(robust)

8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1481

8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1482

則模型的對數(shù)似然為:(8.57)8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1483

處理組j和結(jié)果類別h的條件POM為(8.57)(8.58)(8.59)8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1484

對于處理組j，以xi和zti為條件的處理組m對h類受試者(TET)的處理效果為(8.61)處理組j和結(jié)果類別h的條件POM為(8.60)(8.62)8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1485擴(kuò)展有序probit回歸的命令語法格式為:(2)具有內(nèi)生處理分配的基本有序probit回歸eoprobitdepvar[indepvars],entreat(depvar_tr[=varlist_tr])[options]

(3)外生處理分配的基本有序probit回歸eoprobitdepvar[indepvars],extreat(tvar)[options](6)結(jié)合內(nèi)生協(xié)變量、處理和選擇的有序probit回歸eoprobitdepvar[indepvars][if][in][weight][,extensionsoptions]8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1486菜單操作:Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Orderedprobitregressioneoprobit符合有序probit回歸模型，該模型可容納內(nèi)生協(xié)變量、非隨機(jī)處理分配和內(nèi)生樣本選擇的任意組合。允許使用連續(xù)、二元和有序的內(nèi)生協(xié)變量。處理分配可以是內(nèi)源性的，也可以是外源性的。probit或tobit模型可用于解釋內(nèi)生樣本選擇。8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1487例8.7內(nèi)生處理的含樣本選擇的有序probit回歸分析。以womenhlth數(shù)據(jù)集為例，我們研究健康保險(xiǎn)對女性健康狀況的影響，我們用1分(差)到5分(優(yōu))來衡量健康狀況。我們想估計(jì)保險(xiǎn)的平均處理效果(ATE)對五種狀態(tài)中每種狀態(tài)的概率。我們懷疑我們的模型需要說明健康保險(xiǎn)是一種內(nèi)源性處理。在我們虛構(gòu)的研究中，我們收集了6000名年齡在25歲至30歲之間的女性的樣本數(shù)據(jù)。除了保險(xiǎn)指標(biāo)外，我們還將女性是否定期鍛煉以及她完成的教育年限(年級)作為外生協(xié)變量。在我們的處理模式中，我們使用年級和指標(biāo)來衡量女性目前是否在工作或上學(xué)(工作學(xué)校)，這被排除在結(jié)果模型之外。8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1488.*下載數(shù)據(jù).

clearall.

webusewomenhlth(Women'shealthstatus)

.*有序probit回歸與內(nèi)生處理

.eoprobithealthi.exercisegrade,entreat(insured=gradei.workschool)例8.7內(nèi)生處理的含樣本選擇的有序probit回歸分析。

8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1489例8.7內(nèi)生處理的含樣本選擇的有序probit回歸分析。

8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1490例8.7內(nèi)生處理的含樣本選擇的有序probit回歸分析。健康狀況方程的誤差與健康保險(xiǎn)方程的誤差之間的估計(jì)相關(guān)性為0.34。這與零顯著不同，因此投保的處理選擇是內(nèi)生的。因?yàn)檫@是積極的，我們得出結(jié)論，增加健康保險(xiǎn)機(jī)會(huì)的未觀察因素往往也會(huì)增加處于高健康狀態(tài)的機(jī)會(huì)。

.*具有穩(wěn)健的標(biāo)準(zhǔn)誤差.eoprobithealthi.exercisegrade,entreat(insured=gradei.workschool)vce(robust)

8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1491例8.7內(nèi)生處理的含樣本選擇的有序probit回歸分析。

8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1492例8.7內(nèi)生處理的含樣本選擇的有序probit回歸分析。.*如上所述，并考慮內(nèi)生樣本選擇

.eoprobithealthi.exercisec.grade,entreat(insured=gradei.workschool)select(select=i.insuredi.regcheck)vce(robust)

2025/4/14938.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

8.5處理效應(yīng)的擴(kuò)展有序probit回歸分析

2025/4/1494例8.7內(nèi)生處理的含樣本選擇的有序probit回歸分析。.*估計(jì)處理效應(yīng)

.estatteffects2025/4/14958.6處理效應(yīng)的含內(nèi)生變量和樣本選擇的區(qū)間回歸模型分析

(8.63)2025/4/14968.6處理效應(yīng)的含內(nèi)生變量和樣本選擇的區(qū)間回歸模型分析

對于經(jīng)審查的觀測值，定義則對數(shù)似然函數(shù)為:(8.64)2025/4/14978.6處理效應(yīng)的含內(nèi)生變量和樣本選擇的區(qū)間回歸模型分析

(8.66)(8.67)(8.68)(8.69)(8.65)2025/4/14988.6處理效應(yīng)的含內(nèi)生變量和樣本選擇的區(qū)間回歸模型分析

如果方差和相關(guān)參數(shù)是特定于潛在結(jié)果的(8.70)2025/4/14998.6處理效應(yīng)的含內(nèi)生變量和樣本選擇的區(qū)間回歸模型分析

含內(nèi)生變量和樣本選擇的處理效應(yīng)區(qū)間回歸模型估計(jì)的命令語法格式為:

(2)具有內(nèi)生處理分配的基本區(qū)間回歸:eintregdepvar_1depvar_2[indepvars],entreat(depvar_tr[=varlist_tr])[options](3)外生處理分配的基本區(qū)間回歸:eintregdepvar_1depvar_2[indepvars],extreat(tvar)[options](6)結(jié)合內(nèi)生協(xié)變量、處理和選擇的區(qū)間回歸:eintregdepvar_1depvar_2[indepvars][if][in][weight][,extensionsoptions]2025/4/141008.6處理效應(yīng)的含內(nèi)生變量和樣本選擇的區(qū)間回歸模型分析

extensions選項(xiàng)有:

entreat(entrspec):內(nèi)生性處理分配的模型

extreat(Extrespec):外生性處理

其余更多選項(xiàng)查閱eintreg命令幫助文件。2025/4/141018.6處理效應(yīng)的含內(nèi)生變量和樣本選擇的區(qū)間回歸模型分析

菜單操作為:

Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Intervalregressioneintreg擬合了一個(gè)區(qū)間回歸模型，該模型可容納內(nèi)生協(xié)變量、非隨機(jī)處理分配和內(nèi)生樣本選擇的任意組合。允許使用連續(xù)、二元和有序的內(nèi)生協(xié)變量。處理分配可以是內(nèi)生的，也可以是外生的。probit或tobit模型可用于解釋內(nèi)生樣本選擇。8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14102

(8.71)8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14103

(8.72)

(8.73)8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14104處理效應(yīng)的面板隨機(jī)效應(yīng)回歸分析的命令語法格式為:(1)具有隨機(jī)效應(yīng)的基本線性回歸xteregressdepvar[indepvars][,options](2)結(jié)合隨機(jī)效應(yīng)、內(nèi)生協(xié)變量、處理和選擇的線性回歸xteregressdepvar[indepvars][if][in][,extensionsoptions]菜單操作為:Statistics>Longitudinal/paneldata>Endogenouscovariates>Modelsaddingselectionandtreatment>Linearregression(RE)

xteregress擬合了一個(gè)隨機(jī)效應(yīng)線性回歸模型，該模型以與eregress相同的方式容納了內(nèi)生協(xié)變量、處理和樣本選擇，并解釋了小組或組內(nèi)觀察值的相關(guān)性。8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14105例8.8具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。

我們將使用nlswork.dta，關(guān)于1968年14-24歲的年輕女性的NLSY數(shù)據(jù)的一個(gè)子樣本(人力資源研究中心1989)。假設(shè)我們想研究工資的自然對數(shù)(ln工資)與工作年限(任期)之間的關(guān)系。我們還利用個(gè)人年齡(年齡和c.age#c.age)、居住在大都市地區(qū)(而非smsa)以及個(gè)人是否為非裔美國人(2.種族)的二次效應(yīng)對ln工資進(jìn)行建模。我們懷疑影響個(gè)人的工作任期和影響其工資的未觀察到的因素相關(guān)，所以我們將工作任期視為內(nèi)生協(xié)變量。我們使用個(gè)人的工會(huì)地位(工會(huì))和她是否居住在美國南部(南方)作為終身教職的工具協(xié)變量。我們還想解釋數(shù)據(jù)中的面板內(nèi)相關(guān)性，因此我們使用xteregress擬合了一個(gè)隨機(jī)效應(yīng)模型。在適應(yīng)模型之前，必須使用xtset指定面板標(biāo)識符變量，在本例中為idcode。我們的數(shù)據(jù)已經(jīng)被設(shè)置為xtset，所以我們鍵入xtset來顯示設(shè)置。

8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14106例8.8具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。.*下載數(shù)據(jù).clearall

.use/data/r17/nlswork

(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968).xtset

Panelvariable:idcode(unbalanced)Timevariable:year,68to88,butwithgapsDelta:1unit2025/4/141078.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

.*隨機(jī)效應(yīng)回歸

.xteregressln_wageagec.age#c.agei.not_smsa2.race,endogenous(tenure=agec.age#c.agei.union2.racei.south)vce(robust)8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14108例8.8具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。輸出的前兩部分提供了lnwage和tenure(任期)方程中的估計(jì)系數(shù)。因?yàn)檫@是一個(gè)線性回歸，我們可以用通常的方式解釋系數(shù)。接下來，我們將看到觀測水平誤差方差的估計(jì)及其與因變量的相關(guān)性。隨后是對隨機(jī)效應(yīng)方差的估計(jì)以及它們與因變量的相關(guān)性的估計(jì)。如果這些相關(guān)性中至少有一個(gè)與零顯著不同，那么我們可以得出結(jié)論，任期是內(nèi)生的。在我們的例子中，觀測水平誤差之間的相關(guān)性為-0.91，隨機(jī)效應(yīng)之間的相關(guān)性為-0.83。由于兩者均為負(fù)值，且與零顯著不同，我們得出結(jié)論，任期是內(nèi)生的，未觀察到的個(gè)人層面的因素會(huì)增加工作任期降低對數(shù)工資。此外，增加工作任期的未觀察到的觀察水平(時(shí)變)因素往往也會(huì)降低對數(shù)工資。

8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14109例8.8具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。我們可能還想問一些關(guān)于人口中特定群體的問題。下面，我們考慮不同年齡組的對數(shù)工資差異。我們將研究18到40歲之間的人。他們這樣做的原因是，利潤率取決于內(nèi)生性水平。我們錄入:.margins,over(age)subpop(if(age>=18)*(age<=40))vce(unconditional)8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/141108.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14111例8.8具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。*畫邊際效應(yīng)圖

.marginsplot

Variablesthatuniquelyidentifymargins:age8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14112例8.8具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。如果我們沒有考慮到內(nèi)生性的水平呢?

下面，我們通過添加選項(xiàng)預(yù)測(xb)，使用線性預(yù)測xit，使用邊距計(jì)算效果。線性預(yù)測不受內(nèi)生性的制約。.margins,over(age)predict(xb)subpop(if(age>=18)*(age<=40))vce(unconditional)8.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/141138.7處理效應(yīng)的隨機(jī)效應(yīng)回歸分析

2025/4/14114例8.8具有連續(xù)內(nèi)生協(xié)變量的隨機(jī)效應(yīng)回歸。*畫邊際效應(yīng)圖.marginsplot8.8處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析

2025/4/14115

(8.74)8.8處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析

2025/4/14116(8.75)

使用正交近似后，對數(shù)似然(8.75)近似為(8.76)

(8.77)8.8處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析

2025/4/14117處理效應(yīng)的隨機(jī)效應(yīng)回歸分析的命令語法格式為:(1)隨機(jī)效應(yīng)的基本probit回歸xteprobitdepvar[indepvars][,options](2)結(jié)合隨機(jī)效應(yīng)、內(nèi)生協(xié)變量、處理和選擇的概率回歸xteprobitdepvar[indepvars][if][in][,extensionsoptions]

8.8處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析

2025/4/14118菜單操作:Statistics>Longitudinal/paneldata>Endogenouscovariates>Modelsaddingselectionandtreatment>Probitregression(RE)xteprobit擬合隨機(jī)效應(yīng)probit回歸模型，該模型以與eprobit相同的方式容納內(nèi)生協(xié)變量、處理和樣本選擇，并解釋小組或組內(nèi)觀察值的相關(guān)性。

8.8處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析

2025/4/14119例8.10內(nèi)生處理的含樣本選擇的隨機(jī)效應(yīng)probit回歸分析接著以例8.7中數(shù)據(jù)集為例說明實(shí)現(xiàn)。.*下載數(shù)據(jù)

.clearall

.webusewomenhlthre

(Women'shealthstatuspanel)

.xtsetpersonidyear

Panelvariable:personid(stronglybalanced)Timevariable:year,2010to2013Delta:1unit.generategoodhlth=health>3

8.8處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析2025/4/14120例8.10內(nèi)生處理的含樣本選擇的隨機(jī)效應(yīng)probit回歸分析

.*隨機(jī)效應(yīng)probit回歸

.xteprobitgoodhlthexercisegrade8.8處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析

2025/4/14121例8.10內(nèi)生處理的含樣本選擇的隨機(jī)效應(yīng)probit回歸分析

.*含內(nèi)生處理的隨機(jī)效應(yīng)probit回歸.xteprobitgoodhlthexercisegrade,entreat(insured=gradei.workschool)8.8處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析2025/4/14122例8.10內(nèi)生處理的含樣本選擇的隨機(jī)效應(yīng)probit回歸分析

.

*估計(jì)ATE.

estatteffects

8.8處理效應(yīng)的隨機(jī)效應(yīng)probit回歸分析2025/4/14123例8.10內(nèi)生處理的含樣本選擇的隨機(jī)效應(yīng)probit回歸分析

.

*內(nèi)生樣本選擇的隨機(jī)效應(yīng)概率.

xteprobitgoodhlthexercisegrade,select(select=gradei.regcheck)

8.9處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析2025/4/14124

(8.78)8.9處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析2025/4/14125

(8.79)(8.80)8.9處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析2025/4/14126處理效應(yīng)的擴(kuò)展面板有序probit回歸(1)具有隨機(jī)效應(yīng)的基本有序probit回歸xteoprobitdepvar[indepvars][,options](2)結(jié)合隨機(jī)效應(yīng)、內(nèi)生協(xié)變量、處理和選擇的有序probit回歸xteoprobitdepvar[indepvars][if][in][,extensionsoptions]菜單操作:Statistics>Longitudinal/paneldata>Endogenouscovariates>Modelsaddingselectionandtreatment>Orderedprobitregression(RE)xteoprobit擬合隨機(jī)效應(yīng)有序概率回歸模型，該模型以與eoprobit相同的方式容納內(nèi)生協(xié)變量、處理和樣本選擇，并解釋小組或組內(nèi)觀察值的相關(guān)性。8.9處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析2025/4/14127例8.11具有內(nèi)生處理的隨機(jī)效應(yīng)有序probit回歸。接著以例8.7中數(shù)據(jù)集為例說明實(shí)現(xiàn)。

.*下載數(shù)據(jù)

.clearall

.webusewomenhlthre(Women'shealthstatuspanel)

.xtsetpersonidyear

Panelvariable:personid(stronglybalanced)Timevariable:year,2010to2013Delta:1unit.*隨機(jī)效應(yīng)有序probit回歸

.xteoprobithealthexercisegrade

8.9處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析2025/4/14128例8.11具有內(nèi)生處理的隨機(jī)效應(yīng)有序probit回歸。.*隨機(jī)效應(yīng)有序probit與內(nèi)生處理

.xteoprobithealthexercisegrade,entreat(insured=gradei.workschool)8.9處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析2025/4/141298.9處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析2025/4/14130觀測水平誤差之間的估計(jì)相關(guān)性為0.38。影響健康狀況的個(gè)體水平隨機(jī)效應(yīng)與影響保險(xiǎn)狀況的個(gè)體水平隨機(jī)效應(yīng)之間的估計(jì)相關(guān)性為0.33。兩者都與零顯著不同。我們得出結(jié)論，這種保險(xiǎn)狀態(tài)是內(nèi)生的，增加健康保險(xiǎn)機(jī)會(huì)的未觀察到的個(gè)人特定因素也傾向于增加處于高健康狀態(tài)的機(jī)會(huì)。此外，未觀察到的觀察水平(時(shí)變)因素會(huì)增加機(jī)會(huì)擁有健康保險(xiǎn)也會(huì)增加健康狀況良好的幾率。我們看到了兩個(gè)方程的系數(shù)和臨界點(diǎn)的估計(jì)值，一個(gè)用于參保女性(是)，另一個(gè)用于未參保女性(否)。無論是投保人還是未投保人，鍛煉和教育都會(huì)對健康狀況產(chǎn)生積極影響。.

*估計(jì)根據(jù)每種健康類別的概率估計(jì)保險(xiǎn)ATE.

estatteffects

例8.11具有內(nèi)生處理的隨機(jī)效應(yīng)有序probit回歸。8.9處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析2025/4/14131例8.11具有內(nèi)生處理的隨機(jī)效應(yīng)有序probit回歸。我們看到，處理效果對健康狀況不佳的可能性是負(fù)面的。對于每一個(gè)連續(xù)的健康狀況，處理效果變得更加積極。看看最后一行，我們發(fā)現(xiàn)25歲至30歲女性健康狀況良好的平均概率為0.30，當(dāng)所有女性都有健康保險(xiǎn)時(shí)，比沒有女性有健康保險(xiǎn)時(shí)更大。8.9處理效應(yīng)的面板隨機(jī)效應(yīng)有序probit回歸分析2025/4/14132例8.11具有內(nèi)生處理的隨機(jī)效應(yīng)有序probit回歸。.*內(nèi)生樣本選擇的隨機(jī)效應(yīng)有序probit

.xteoprobithealthexercisegrade,select(select=gradei.regcheck)

8.10處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析2025/4/14133

(8.81)2025/4/141348.10處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析

令2025/4/141358.10處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析則有面板i的似然函數(shù)，再使用正交近似，得到對數(shù)似然為：(8.82)

(8.83)2025/4/14136處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析的命令語法格式為:(1)隨機(jī)效應(yīng)的基本區(qū)間回歸:xteintregdepvar_1depvar_2[indepvars][,options](2)結(jié)合隨機(jī)效應(yīng)、內(nèi)生協(xié)變量、處理和選擇的區(qū)間回歸:xteintregdepvar_1depvar_2[indepvars][if][in][,extensionsoptions]

菜單操作為:Statistics>Longitudinal/paneldata>Endogenouscovariates>Modelsaddingselectionandtreatment>Intervalregression(RE)xteintreg擬合了一個(gè)隨機(jī)效應(yīng)區(qū)間回歸模型，該模型以與eintreg相同的方式容納了內(nèi)生協(xié)變量、處理和樣本選擇，并解釋了小組或組內(nèi)觀察值的相關(guān)性。8.10處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析8.10處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析2025/4/14137例8.12內(nèi)生變量的隨機(jī)效應(yīng)區(qū)間回歸。利用前面示例的數(shù)據(jù)集class10re說明實(shí)現(xiàn)。.*下載數(shù)據(jù)

.clearall

.webuseclass10re(Classesof2010profile).xtsetcollegeidPanelvariable:collegeid(balanced).gengpal=gpaifgpa>=2

(692missingvaluesgenerated)

.gengpau=gpa(628missingvaluesgenerated).replacegpau=2ifgpa<2

(64realchangesmade)

8.10處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析2025/4/14138例8.12內(nèi)生變量的隨機(jī)效應(yīng)區(qū)間回歸。

.*隨機(jī)效應(yīng)區(qū)間回歸.xteintreggpalgpauincome8.10處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析2025/4/14139例8.12內(nèi)生變量的隨機(jī)效應(yīng)區(qū)間回歸。

.*內(nèi)生協(xié)變量hsgpa的隨機(jī)效應(yīng)區(qū)間回歸

.xteintreggpalgpauincome,endogenous(hsgpa=incomei.hscomp)8.10處理效應(yīng)的隨機(jī)效應(yīng)區(qū)間回歸分析2025/4/14140.*內(nèi)生樣本選擇的隨機(jī)效應(yīng)區(qū)間回歸

.xteintreggpalgpauincome,select(graduate=incomegram)例8.12內(nèi)生變量的隨機(jī)效應(yīng)區(qū)間回歸?！陡呒売?jì)量經(jīng)濟(jì)分析及stata應(yīng)用》上海師范大學(xué)商學(xué)院第9章

結(jié)構(gòu)方程模型9.1結(jié)構(gòu)方程模型概述結(jié)構(gòu)方程模型（structuralequationmodeling，SEM）整合了因素分析和路徑分析與計(jì)量經(jīng)濟(jì)分析方法，綜合利用協(xié)方差矩陣或計(jì)量建模方法由顯變量推斷隱變量，并檢驗(yàn)假設(shè)模型有效擬合優(yōu)度的一組方程。2025/4/141439.1結(jié)構(gòu)方程模型概述結(jié)構(gòu)方程模型的分析過程是：第一，設(shè)定初始結(jié)構(gòu)方程模型，先判斷結(jié)構(gòu)方程組是否為可識別模型。第二，對于可識別模型，通過收集顯變量的數(shù)據(jù)，利用最大似然估計(jì)或廣義最小二乘估計(jì)等估計(jì)方法，估計(jì)未知參數(shù)。第三，評價(jià)模型擬合程度。如果模型與數(shù)據(jù)擬合得不好，就需要對模型進(jìn)行修正，重新設(shè)定模型，一個(gè)擬合較好的模型往往需要反復(fù)試驗(yàn)多次，直到達(dá)到研究要求擬合優(yōu)度。第四，模型預(yù)測應(yīng)用及有效性評價(jià)。1449.1結(jié)構(gòu)方程模型概述結(jié)構(gòu)方程模型通常是借助路徑圖將初始模型描述出來，對于復(fù)雜的模型尤其如此。

路徑圖實(shí)際上提供了一個(gè)假設(shè)模型，它體現(xiàn)了隱變量與隱變量之間、隱變量與顯變量之間（包括內(nèi)生隱變量與顯變量和外生隱變量與顯變量之間）可能存在的關(guān)系，而且，這種關(guān)系的具體程度，可以通過路徑系數(shù)及其顯著程度來反映。2025/4/141459.1結(jié)構(gòu)方程模型概述結(jié)構(gòu)方程模型一般由測量方程和結(jié)構(gòu)方程兩部分構(gòu)成。1.測量方程：這部分描述的是隱變量（latentvariables）和顯變量（observedvariables）之間的關(guān)系。隱變量是不能直接觀測的變量，比如態(tài)度、信念等，而顯變量是可以直接測量的變量，比如問卷調(diào)查中的得分。測量方程通常使用因子分析來估計(jì)隱變量和顯變量之間的關(guān)系。2.結(jié)構(gòu)方程：這部分描述的是隱變量之間的因果關(guān)系。結(jié)構(gòu)方程可以看作是多個(gè)回歸方程的集合，每個(gè)方程都描述了一個(gè)或多個(gè)自變量對一個(gè)因變量的影響。在結(jié)構(gòu)方程中，每個(gè)方程都包含了一個(gè)或多個(gè)預(yù)測變量（解釋變量）和一個(gè)結(jié)果變量（被解釋變量），以及它們之間的路徑系數(shù)，這些路徑系數(shù)代表了變量間關(guān)系的強(qiáng)度和方向。2025/4/141469.1結(jié)構(gòu)方程模型概述（1）測量模型對于顯變量與隱變量之間的關(guān)系，通常建立測量方程：2025/4/14147（9.1）（9.2）小寫eta小寫zeta大寫lamda9.1結(jié)構(gòu)方程模型概述2025/4/14148（2）結(jié)構(gòu)模型隱變量之間的關(guān)系方程為：（9.3）9.2內(nèi)生處理的控制函數(shù)估計(jì)法內(nèi)生處理的控制函數(shù)估計(jì)法是一種用于處理內(nèi)生性問題的統(tǒng)計(jì)技術(shù)。其基本原理是通過提取內(nèi)生解釋變量的內(nèi)生性來源，并將其作為控制變量加入到原始模型中，以此來糾正內(nèi)生性問題對估計(jì)結(jié)果的潛在偏誤?；驹恚?.內(nèi)生性來源提?。菏紫?，識別導(dǎo)致內(nèi)生解釋變量（EndogenousExplanatoryVariables，簡稱EEV）內(nèi)生的來源。這通常是由于遺漏變量、樣本選擇偏差、測量誤差或互為因果關(guān)系等因素造成的。2.第一階段回歸：對內(nèi)生解釋變量進(jìn)行第一階段回歸，使用一個(gè)或多個(gè)工具變量（InstrumentalVariables，簡稱IVs）來預(yù)測內(nèi)生變量。工具變量需要滿足兩個(gè)條件：與內(nèi)生變量有強(qiáng)相關(guān)性，并且與誤差項(xiàng)不相關(guān)（即外生性）。2025/4/14149內(nèi)生處理的控制函數(shù)估計(jì)法3.殘差作為控制變量：控制函數(shù)估計(jì)法的核心在于，不是用第一階段回歸的預(yù)測值替換內(nèi)生變量，而是將第一階段回歸產(chǎn)生的殘差（即內(nèi)生變量與其工具變量預(yù)測值之間的差異）作為一個(gè)新的控制變量引入到原模型中。這個(gè)殘差項(xiàng)代表了內(nèi)生變量中未被工具變量解釋的部分，可以被視為內(nèi)生性的度量。4.第二階段回歸：在第二階段回歸中，將原始模型與新加入的殘差項(xiàng)一起估計(jì)。通過控制這個(gè)殘差項(xiàng)，可以消除內(nèi)生變量與誤差項(xiàng)之間的相關(guān)性，從而獲得無偏的估計(jì)結(jié)果。2025/4/14150異同點(diǎn)

1.與傳統(tǒng)的2SLS和IV方法的異同：控制函數(shù)法與傳統(tǒng)的兩階段最小二乘法（2SLS）和工具變量（IV）方法一樣，都用于處理內(nèi)生性問題。不同之處在于，控制函數(shù)法不是簡單地用第一階段回歸的預(yù)測值替換內(nèi)生變量，而是將第一階段回歸的殘差作為控制變量加入模型中。2.Hausman檢驗(yàn)的簡便性：控制函數(shù)方法提供了一個(gè)簡單的Hausman檢驗(yàn)，即通過比較OLS和2SLS檢驗(yàn)?zāi)Ｐ褪欠翊嬖趦?nèi)生性問題。此檢驗(yàn)的優(yōu)勢在于其對模型中可能存在的異方差性和群集相關(guān)性保持穩(wěn)健，即便這些特性的具體形態(tài)未知。3.處理復(fù)雜模型的簡約性：控制函數(shù)法能簡化非線性內(nèi)生變量的處理，從而允許以較簡單的方式分析復(fù)雜模型?？偨Y(jié)來說，內(nèi)生處理的控制函數(shù)估計(jì)法通過將內(nèi)生性的度量（