Stata：IV估计新方法-ivreg2m
👇 连享会 · 推文导航 | www.lianxh.cn
🍎 Stata：Stata基础 | Stata绘图 | Stata程序 | Stata新命令 📘 论文：数据处理 | 结果输出 | 论文写作 | 数据分享 💹 计量：回归分析 | 交乘项-调节 | IV-GMM | 时间序列 | 面板数据 | 空间计量 | Probit-Logit | 分位数回归 ⛳ 专题：SFA-DEA | 生存分析 | 爬虫 | 机器学习 | 文本分析 🔃 因果：DID | RDD | 因果推断 | 合成控制法 | PSM-Matching 🔨 工具：工具软件 | Markdown | Python-R-Stata 🎧 课程：公开课-直播 | 计量专题 | 关于连享会
连享会 · 2022 暑期班
作者：董洁妙 (暨南大学)
邮箱：graceveio@163.com
温馨提示： 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：
目录
1. 背景简介
2. 命令介绍
3. Stata 实操
4. 结语
5. 参考资料
6. 相关推文
1. 背景简介
当某些观测值处理组划分的结果不是随机缺失，或者这些结果普遍存在错误测量时，对局部平均处理效果 (LATE) 的估计结果是有偏的。
具体地，Calvi 等 (2021) 在探讨印度妇女对家庭资源的控制权与家庭健康之间的因果关系时，使用妇女对家庭资源的控制程度作为 Treatment，并利用 1976 年至 2005 年间印度几个州颁布的《印度教继承法》修正案 (这一法案的颁布意味着赋予妇女继承其出生家庭财产的权利，改善了她们的外部选择) 构建工具变量并进行 IV 估计。
但是事实上，妇女对家庭资源的控制程度是不能被直接观测得到的，为了识别这一因果关系，作者提出使用结构模型进行估计。因此，Treatment 能否被准确识别将变得非常重要，错误识别将会导致 LATE 的估计结果出现较大的偏误。为了解决这些问题，Calvi 等 (2021) 提出了一种新的估计方法 (Mismeasurement Robust LATE，MR-LATE) 来修正 LATE 估计结果。
首先，将 Treatment 拆分为 Ta (Ta=1 表示获得处理的状态，Ta=0 表示未获得处理的状态) 和 Tb (Tb=1 表示处理数据缺失或处理数据存在偏误的状态，Tb=0 表示未获得处理的状态) 两组二元处理变量，对应构建双方程的结构模型； 接着，通过非线性似不相关回归 (SUR) 估计 Ta 的系数，捕捉修正后的 LATE，估计 Tb 的系数，用于隔绝遗漏变量或误差所造成的影响。
在新方法下，当处理组的识别指标包含缺失值时，MR-LATE 可以识别并一致地估计 LATE。当处理组的划分出现错误时，MR-LATE 可以减少传统 LATE 的估计偏差。为了推广这一估计方法的使用，Calvi 等 (2021) 编写了 MR-LATE 的估计命令 ivreg2m。本文的目的是介绍 ivreg2m 命令的使用方法。
在正式介绍之前，本文先对 ivreg2m 命令的使用补充以下几个重要事项：
第一， ivreg2m不仅可以分别估计处理组的识别指标缺失和识别错误条件下的 LATE，还可以估计同时存在上述问题条件下的 LATE。第二， ivreg2m是在现有的xtivreg2和ivreg2的框架上建立的，所以一切关于xtivreg2和ivreg2的拓展指令几乎都可以在ivreg2m中使用。第三， ivreg2m和ivreg2之间存在三个主要区别。首先，在运行该命令之前，用户必须生成一个离散的处理变量，并至少包含以下三个赋值：是否位于处理组，是否位于控制组，是否为缺失、误测或者其他未知的状态。其次，在估计过程中，可以同时设定一个或多个工具变量，但工具变量也必须满足二元或离散 (整数) 值的变量设定。最后，该命令只支持 VCE 的单向聚类。第四， ivreg2和ranktest软件包必须从 SSC 中安装。同时，不应使用ivreg2的早期版本。
2. 命令介绍
命令安装：
ssc install ivreg2m, replace命令语法：
ivreg2m depvar [varlist] (treatment=varlist_iv) [weight] [if exp] [in range] [, ta(string) tb(string) options]depvar：指定回归的被解释变量；treatment：指定回归中存在错误的原始处理变量的名称；ta(string)：定义处理组中处理变量 Ta 的数字值，默认为ta(1)；tb(string)：定义控制组中处理变量 Ta 的数字值，默认为tb(-1)。
3. Stata 实操
为了更好地理解 MR-LATE 在实际分析中的应用，Calvi 等 (2021) 使用是否加入美国退休金 401k 计划对个人净固定资产的影响进行举例。401k 计划是指美国 1978 年《国内税收法》新增的第 401 条 k 项条款的规定，具体指代一种由雇员、雇主共同缴费建立起来的完全基金式的养老保险制度。
但是，在美国养老保险制度的选择并不唯一。美国还推出了个人退休金账户计划 (以下简称 IRA计划) 作为备选。那么，在分析个是否加入 401k 计划对个人净固定资产的影响时，难免会面临着遗漏 IRA 计划所造成 LATE 的偏误。这种情况，可以通过 ivreg2m 命令估计 MR-LATE 进行解决：
第一，调用数据进行回归分析。
. ssc install bcuse, replace
. bcuse 401ksubs, clear第二，生成一个处理变量 (离散型)，至少包含三个不同的取值。
. generate treat = (p401k & pira)
. replace treat = -1 if (p401k==0 & pira==0)第三，使用 ivreg2m 命令进行估计，解释变量包括错误分类的 Treatment 变量，以及一个二元的工具变量。
. ivreg2m nettfa (treat = e401k), ta(1) tb(-1)
MR-LATE point and interval estimate:
(1) treat_a - treat_b = 0
------------------------------------------------------------------------------
nettfa | Coefficient Std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
(1) | 72.666 2.613 27.81 0.000 67.545 77.788
------------------------------------------------------------------------------第四，在第三步基础上加入控制变量和采用 Robust 标准误的回归结果。
. ivreg2m nettfa (treat = e401k) inc, robust ta(1) tb(-1)
MR-LATE point and interval estimate:
(1) treat_a - treat_b = 0
------------------------------------------------------------------------------
nettfa | Coefficient Std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
(1) | 58.839 3.154 18.66 0.000 52.657 65.021
------------------------------------------------------------------------------第五，在第四步基础上加入多项工具变量以及 cluster-robust 标准误的回归结果。
. ivreg2m nettfa (treat = e401k pira) inc, cluster(age) ta(1) tb(-1)
MR-LATE point and interval estimate:
(1) treat_a - treat_b = 0
------------------------------------------------------------------------------
nettfa | Coefficient Std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
(1) | 58.104 3.386 17.16 0.000 51.467 64.741
------------------------------------------------------------------------------
4. 结语
相信大家在阅读本推文后，对如何使用 ivreg2m 命令估计修正后的 LATE (即 MR-LATE) 有了更深入的理解。不过，它也存在一些不足，比如只能够考虑单一偏误冲击所造成的影响。未来，几个可能性的优化方向包括：
允许估计两个以上的冲击偏误下的 MR-LATE； 对于多个工具变量的处理，可以根据每个工具平均 MR-LATEs，或者对错误分类概率施加同质性。
5. 参考资料
Baum, C., M. Schaffer, and S. Stillman. 2007. ivreg2: Stata module for extended instrumental variables/2SLS and GMM and AC/HAC, LIML and k-class regression. -Link- Schaffer, M. 2020. XTIVREG2: Stata module to perform extended IV/2SLS, GMM and AC/HAC, LIML and k-class regression for panel data models. -Link- Calvi, R., A. Lewbel, and D. Tommasi. 2021. LATE With Missing or Mismeasured Treatment. Journal of Business & Economic Statistics, forthcoming. -PDF- Imbens, G. W., and J. D. Angrist. 1994. Identification and Estimation of Local Average Treatment Effects. Econometrica 62(2): 467-475. -PDF- Tommasi, D., and L. Zhang. 2022. Identifying Program Benefits When Participation Is Misreported. IZA Discussion Paper 13430. -PDF-
6. 相关推文
Note：产生如下推文列表的 Stata 命令为：
lianxh 工具变量, m
安装最新版lianxh命令：
ssc install lianxh, replace
专题：专题课程 工具变量：顶刊中的Shock-IV整理 专题：论文写作 Stata论文复现：份额移动法工具变量(Shift-Share IV) 专题：Stata命令 Stata新命令-pdslasso：众多控制变量和工具变量如何挑选？ 专题：IV-GMM 工具变量：Shock-IV中预处理平衡的必要性 工具变量法：IV估计的信与不信 Stata：工具变量的秩检验-bootrantest Stata：无需工具变量的IV估计-kinkyreg- Stata：当工具变量小于内生变量时，该如何估计？-mmeiv Lasso一下：再多的控制变量和工具变量我也不怕-T217 IV在哪里？奇思妙想的工具变量 twostepweakiv：弱工具变量有多弱？ 多个(弱)工具变量如何应对-IV-mivreg？ IV：工具变量不满足外生性怎么办？ IV-工具变量法：第一阶段系数符号确定时的小样本无偏估计 IV：可以用内生变量的滞后项做工具变量吗？ Stata: 工具变量法 (IV) 也不难呀！ IV-估计：工具变量不外生时也可以用！ 专题：内生性-因果推断 Stata：内生变量与工具变量非线性关系处理-discretize 工具变量-IV：排他性约束及经典文献解读
课程推荐：因果推断实用计量方法
主讲老师：邱嘉平教授
🍓 课程主页：https://gitee.com/lianxh/YGqjp
New！ Stata 搜索神器：
lianxh和songblGIF 动图介绍
搜： 推文、数据分享、期刊论文、重现代码 ……
👉 安装：
. ssc install lianxh
. ssc install songbl
👉 使用：
. lianxh DID 倍分法
. songbl all
🍏 关于我们
连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。 直通车： 👉【百度一下： 连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。