2sls 回归全称是两阶段最小二乘回归 属于计量经济学里面的工具变量法 核心作用就是解决内生性问题 当核心解释变量和误差项相关的时候 普通最小二乘回归估计出来的系数会出现偏误 2sls 回归通过工具变量 把内生解释变量里面和误差项相关的部分剥离 得到更加接近真实因果效应的估计结果 它广泛应用在经济学 社会学 公共政策这类实证研究当中 适合需要识别因果关系 同时存在内生性干扰的研究场景 整个方法分成两个独立最小二乘回归阶段 这也是两阶段最小二乘这个名称的来源 理解内生性是掌握 2sls 回归的基础 内生性常见来源包括遗漏变量 联立因果 测量误差 这三类情况都可以考虑使用 2sls 回归来处理
一 核心概念说明
内生解释变量 解释变量本身和模型扰动项存在相关关系 普通 OLS 回归假设解释变量外生 这个假设一旦不满足 估计系数就不再无偏
工具变量 简称 IV 需要满足三个关键条件 第一和内生解释变量相关 第二和误差项不相关 第三只通过内生解释变量影响被解释变量 也就是排他性约束
2sls 回归 利用工具变量 分两次最小二乘估计 完成内生变量的替换 最终输出修正之后的因果系数
二 两阶段运算步骤
第一阶段回归
以内生解释变量作为被解释变量 工具变量加上所有外生控制变量作为解释变量 做一次最小二乘回归 计算得到内生解释变量的拟合值 这个拟合值剔除了原本和误差项相关的部分
第二阶段回归
把第一阶段得到的拟合值 替换原来的内生解释变量 再对最终被解释变量做最小二乘回归 得到的系数就是 2sls 回归的估计结果
三 关键检验项目表格
检验名称 检验目的 核心判断要点
弱工具变量检验 判断工具变量和内生变量相关性强弱 F 统计量大于 10 是常用参考标准
过度识别检验 工具变量数量多于内生变量时 检验排他性约束 原假设是工具变量外生
内生性检验 判断原本是否真的存在内生性 原假设是解释变量外生 拒绝原假设说明适合使用 2sls 回归
四 适用场景分层介绍
遗漏变量场景 研究核心变量影响的时候 有无法观测因素同时影响解释变量和被解释变量 造成内生性
联立因果场景 解释变量影响被解释变量 同时被解释变量反过来影响解释变量 双向因果
测量误差场景 核心解释变量存在观测偏差 误差进入扰动项 引发内生性问题
五 最终总结
2sls 回归本质是工具变量法的标准估计手段 专门处理内生性 提升因果识别可信度 方法成功的前提是找到合格的工具变量 同时配套完成弱工具变量 过度识别等检验 实证论文当中 2sls 回归经常和普通 OLS 结果并列展示 用来对比修正内生性之后系数的变化
【相关 FAQ】
问题 1 2sls 回归和普通 OLS 回归最大差别是什么
回答 1 2sls 回归专门应对内生性问题 普通 OLS 回归要求解释变量外生 当存在内生性的时候 2sls 回归借助工具变量分两次回归修正估计偏误 普通 OLS 无法处理这类内生干扰
问题 2 2sls 回归一定要做弱工具变量检验吗
回答 2 使用 2sls 回归的时候 弱工具变量检验是重要配套检验 如果工具变量相关性很弱 2sls 回归估计结果稳定性会下降 规范实证流程一般都会报告这项检验结果
问题 3 2sls 回归可以解决全部内生性问题吗
回答 3 2sls 回归依靠合格工具变量处理内生性 如果找不到满足排他性约束的工具变量 2sls 回归就不能完成有效的因果识别 它是有适用前提的计量方法
【免责申明】
本文内容仅为计量经济学方法科普参考 不同软件实现 2sls 回归的标准误计算存在差异 模型设定 工具变量选择需要结合研究主题判断 学术写作请参考对应期刊规范 本文不构成论文投稿承诺