R数据分析：工具变量回归的做法和解释，实例解析

前几天看了个视频，是2024年诺贝尔经济学奖得主在分享自己的研究，研究问题是“制度如何形成并影响经济繁荣”，在研究这个问题的时候他的PPT中提到研究的统计过程中用到了工具变量，想着再次大家介绍一下这个方法。说不定利用这个方法，哪天我的读者里面也出个诺贝尔奖得主呢，哈哈哈。

想象一下：你想知道“冰淇淋销量”和“溺水人数”之间是否存在关系。你通过数据发现，冰淇淋销量高的月份，溺水人数也比较多。你可能会得出“吃冰淇淋导致溺水”的结论吗？显然不合理。

问题出在哪里？

这里存在一个“遗漏变量”——气温。

• 气温升高，人们更喜欢吃冰淇淋，导致冰淇淋销量上升。
• 气温升高，人们更喜欢去游泳等水上活动，导致溺水人数上升。

所以，冰淇淋销量和溺水人数之间并非直接的因果关系，而是都被气温这个共同的因素所影响。这种因为遗漏变量导致你研究的变量（冰淇淋销量）和影响结果的“其他因素”（这些“其他因素”我们统称为“误差项”）产生关联的情况，就叫做内生性。

内生性指的是，在统计模型中，解释变量（比如“吃冰淇淋”）和误差项（也就是我们没有观测到的其他影响因素）之间存在关联。这会导致模型估计结果产生偏差，我们无法准确地推断出因果关系。

In econometrics, endogeneity refers to the situation where an explanatory variable in a regression model is correlated with the error term

具体来说，内生性通常由以下几种原因引起：

1.遗漏变量（Omitted Variable）： 模型中遗漏了一个或多个与解释变量和因变量都相关的变量。

例子： 研究教育程度对工资收入的影响时，如果模型中没有考虑到个人能力，而个人能力同时影响教育程度和工资收入，那么教育程度就与误差项相关，产生内生性。

2.双向因果关系（Simultaneity/Reverse Causality）： 解释变量和因变量之间存在互为因果的关系。

例子： 研究广告支出对销售额的影响时，广告支出可以促进销售额的增长，而高销售额也可能反过来导致企业增加广告投入，这就形成了双向因果关系。

3.测量误差（Measurement Error）： 解释变量的测量存在误差，导致其与误差项相关。

例子： 调查人们的收入水平时，受访者可能由于各种原因（例如，记忆偏差、隐瞒真实收入等）而提供不准确的信息，这就导致收入的测量存在误差，从而产生内生性。

4.样本选择偏差（Sample Selection Bias）： 研究对象的选择并非随机，而是基于某些与因变量相关的因素进行选择，导致样本不具有代表性，从而产生内生性。

例子： 研究大学教育对毕业生收入的影响时，如果只有成功找到高薪工作的毕业生才愿意参与调查，那么样本就存在选择偏差，因为高收入本身就与接受大学教育的意愿和能力相关。

工具变量的概念：

工具变量就像是一个“替身”，它可以帮助我们解决内生性问题。为了解决内生性问题，我们需要找到一个只影响“冰淇淋销量”，而不直接影响“溺水人数”的变量。这个变量就叫做工具变量。一个好的工具变量需要有两个重要特征，一个是相关性，另一个是外生性。

An instrumental variable (IV) is a variable that is correlated with the endogenous explanatory variable but is uncorrelated with the error term in the regression model

我们还是用刚刚“冰淇淋销量”和“溺水人数”的例子来说明： 假设我们找到一个工具变量叫做“太阳镜销量”，这个变量它满足：

• 相关性（Relevance）： 气温升高，人们更喜欢买太阳镜，所以“太阳镜销量”和“冰淇淋销量”是相关的。工具变量与内生解释变量高度相关。这意味着工具变量能够有效地预测内生解释变量的变动。
• 外生性（Exogeneity）： “太阳镜销量”本身并不会直接导致溺水人数增加。它只能通过影响“冰淇淋销量”来间接影响（或者说和“溺水人数”产生表面上的关联）。工具变量与误差项不相关。这意味着工具变量不会通过其他渠道直接影响因变量，只能通过影响内生解释变量来间接影响因变量。

“太阳镜销量”就满足了工具变量的两个关键条件：

1. 与内生变量（冰淇淋销量）相关。
2. 与误差项（影响溺水人数的其他因素，例如水域安全措施、游泳技能等）不相关。

工具变量如何工作？

工具变量的目的是将“冰淇淋销量”这个解释变量或者叫做自变量分解成两部分：

1. 受“太阳镜销量”影响的部分： 这部分和“溺水人数”的“其他影响因素”无关。
2. 不受“太阳镜销量”影响的部分： 这部分可能和“溺水人数”的“其他影响因素”有关（也就是内生性问题的来源）。

通过工具变量，我们只关注“冰淇淋销量”中不受“其他影响因素”干扰的那部分，从而更准确地估计“冰淇淋销量”和“溺水人数”之间的关系（虽然在这个例子中，我们期望得到的关系是不显著的，也就是吃冰淇淋和溺水没关系）。

再归纳一遍上述思路：就是我们要研究xy的关系，这个关系可能是相当复杂的，复杂到可能根本就无法直接估计，比如社会制度和繁荣的关系；那么这个时候我找到了一个和社会制度强相关的变量Z，并且这个Z和繁荣没关系，那么我们就可以用Z和繁荣的关系去作为xy关系的估计。

但是变量Z其实是不好找的，根本不会存在Z和X完全相关，所以我们依然是要借住统计方法将Z实际起作用的部分抠出来，变成xy的关系可以用受Z影响的x的部分和Y的关系作为估计。

两阶段最小二乘法（2SLS）

工具变量最常用的应用方法是两阶段最小二乘法：

1. 第一阶段： 用工具变量（太阳镜销量）去预测内生变量（冰淇淋销量），得到“冰淇淋销量的预测值”。这个预测值只包含了“冰淇淋销量”中受“太阳镜销量”影响的部分，因此和“其他影响因素”无关。
2. 第二阶段： 用“冰淇淋销量的预测值”去预测因变量（溺水人数）。这样得到的估计结果就消除了内生性带来的偏差。

总体来说就是工具变量的本质是寻找一个外生的变动来源，帮助我们分离出内生变量中与误差项无关的部分，从而更准确地估计变量之间的因果关系。

实例解析

假设我们研究教育程度（Education）对工资收入（Wage）的影响。但是，教育程度可能存在内生性问题，因为：

• 遗漏变量： 例如，个人能力可能同时影响教育程度和工资收入，如果模型中没有控制个人能力，就会导致教育程度与误差项相关。
• 双向因果关系： 高工资收入也可能反过来激励人们继续接受教育。

我们可以使用“父母教育程度”（Parent Education）作为教育程度的工具变量来消除内生性问题，因为它可能与个人的教育程度相关（父母教育程度高的子女更有可能接受更高的教育），但不太可能直接影响个人的工资收入（除非通过遗传等其他途径，但这种影响相对较弱，可以忽略不计）。

假设我现在有数据如下：

其中wage为因变量工资收入，education为自变量教育程度，parent_edu为工具变量父母教育程度。下面代码便是这个例子中两阶段最小二乘的实操代码

iv_model <- ivreg(wage ~ education | parent_edu, data = data) # |左边是内生变量，右边是工具变量
summary(iv_model, diagnostics = TRUE) #诊断信息，包括弱工具变量检验

代码中要注意公式的写法：ivreg(income ~ edu | paredu, data = data：

• income ~ edu: 表示要估计的模型，即收入是教育水平的函数。
• | paredu: 表示paredu是edu的工具变量。

运行代码后输出结果如下：

可以看到模型估计的自变量的系数为0.3461，并且是显著的，意味着受教育程度确实会影响工资收入。

设置参数diagnostics = TRUE，会输出一系列的检验结果：

• Weak instruments（弱工具变量检验）： 。F 统计量（First-stage F statistic）应该足够大（通常大于10），以避免弱工具变量问题。若F统计量过小，则说明工具变量与内生变量的相关性不够强，可能导致2SLS估计的偏差仍然很大。可以看到我们结果P很小，意思是拒绝了弱工具变量的原假设。
• Hausman test（豪斯曼检验）： 用于检验是否存在内生性。原假设是OLS估计是有效的（即不存在内生性）。如果豪斯曼检验拒绝原假设（p 值小于显著性水平），则表明存在内生性，需要使用工具变量回归。可以看到结果中该检验p值大，说明确实存在内生性需要做两阶段最小二乘。
• Sargan test（萨根检验或过度识别检验）： 仅当工具变量个数多于内生变量个数时进行。检验工具变量的外生性是否成立。原假设是所有工具变量都是外生的。如果萨根检验拒绝原假设，则表明至少有一个工具变量不是外生的，模型设定存在问题。在本例中，只有一个工具变量，因此不会有Sargan检验。

总之，工具变量回归是一种重要的计量经济学方法，用于解决内生性问题。正确理解和使用工具变量回归需要仔细考虑工具变量的选择、检验和解释。在实际应用中，应该结合具体的研究问题和数据情况，谨慎使用工具变量回归。