一文读懂内生性问题之二阶段最小二乘法（TSLS）Eviews操作

来源：计量经济学服务中心原创，转载请注明来源

一个典型的线性回归模型:y= β0 + β1x1+ βX + ε(1)，这里y为被解释变量，x1为自变量，或者解释变量，也即“因”。大写的 X为外生控制项向量( 也即一组假定为外生的其他控制变量，例如年龄、性别等等) ，ε则为误差项。如果ε与x1不相关，那么我们可以利用OLS 模型对方程进行无偏估计。

然而，如果一个重要变量x2被模型(1) 遗漏了，且x1和x2也相关，那么对β1的OLS 估计值就必然是有偏的。

此时，x1被称作“内生”的解释变量，这就是 “内生性”问题。遇到“内生性”问题肿木办？有一个方法就是找工具变量Z。

如果存在内生性，则称解释变量为 “内生变量”（endogenousvariable）；反之，则称为 “外生变量”（exogenous variable）。

内生性的严重后果是使得 OLS估计量不一致（inconsistent），即无论样本容量多大，OLS 估计量也不会收敛至真实的参数值。

在计量经济学中，把所有与扰动项相关的解释变量都称为“内生变量”。这与一般经济学理论中的定义有所不同。 1。与误差项相关的变量称为内生变量(endogenous variable)。 2。与误差项不相关的变量称为外生变量(exogenous variable)。

内生性的来源：

（1）遗漏变量偏差

（2）经典的测量误差问题

（3）联立性（逆向因果）

二阶段最小二乘法Eviews操作介绍

二阶段最小二乘法的第一阶段就是利用原模型的内生解释变量对工具变量进行OLS，得到解释变量的拟合值；第二步，利用得到解释变量的拟合值对原模型进行最小二乘法，从而得到方程模型的估计值，这样就可以消除内生性的影响。

例如本文使用如下1991-2014年Y与I的数据，在Eviews10.0软件中对其分别取对数，记为lny，lni。（案例所用的Eviews文件名称记为二阶段最小二乘法01.wfl）

在Eviews软件中对其进行二阶段最小二乘法的操作，相关步骤截图如下：

首先在回归的主菜单的Equation Estimation对话框中的Instrument List选择lny，lni的滞后一期作为工具变量，然后选择的method为TSLS—Two-StageLeast Squares方法，由于常数项本身也是一个合适的工具变量，因此也需要输入，系统默认的，最后确定结果为：

可以看出在5%的显著性水平下方程都是显著的。

本文主要选取了y以及i的滞后一期作为工具变量，一般解释变量以及被解释变量的滞后期均可以作为工具变量,一般情况下，根据模型的阶条件，为了使结构方程能够识别，工具变量的变量数一定要多余结构方程的自变量个数。

▍推荐阅读：