严格外生性假设检验方法与应用

👇 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：最新专题 |  计量专题 | 关于连享会

🍓 课程推荐：2024 机器学习与因果推断专题
主讲老师：司继春 (上海对外经贸大学) ；张宏亮（浙江大学）
课程时间：2024 年 11 月 9-10 日 ；16-17日
课程咨询：王老师 18903405450（微信）

 课程特色 · 2024机器学习与因果推断：

• 懂原理、会应用。本次课程邀请了两位老师合作讲授，目的在于最大限度地实现理论与应用的有机结合。为期四天的课程，分成两个部分：第一部分讲解常用的机器学习算法和适用条件，以及文本分析和大语言模型；第二部分通过精讲 4-6 篇发表于 Top 期刊的论文，帮助大家理解各类机器学习算法的应用场景，以及它们与传统因果推断方法的巧妙结合。
• 以 Top 期刊论文为范例。目前多数人的困惑是不清楚如何将传统因果推断方法与机器学习结合起来。事实上，即便是 MIT 和 Harvard 的大牛们也都在「摸着石头过河」。为此，通过论文精讲和复现来学习这部分内容或许是目前最有效的方式了。张宏亮老师此前在浙江大学按照这一模式教授了「因果推断和机器学习」课程，效果甚佳：学生们能够逐渐建立起研究设计的理念，并在构造识别策略时适当地嵌入机器学习方法。

作者：唐雪梅 (南京审计大学)
邮箱：tangxuemei2018@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：

编者按：本文主要整理自下文，特此致谢！
Source：Grieser W D, Hadlock C J. Panel-data estimation in finance: Testable assumptions and parameter (in) consistency[J]. Journal of Financial and Quantitative Analysis, 2019, 54(1): 1-29. -PDF-

目录

• 1. 引言

• 2. 相关文献和实证策略

• 2.1 传统估计中的外生性检验

• 2.2 IV 估计中的严格外生性检验

• 3. 外部信息和工具变量的严格外生性

• 3.1 内部工具变量

• 3.2 外部信息和工具变量

• 3.3 现金流、天气和投资

• 3.4 企业风险、行业风险和所有权

• 4. 结论

• 5. 相关推文

1. 引言

一致估计的严格外生性假设要求在所有提前和滞后条件下，模型误差项和模型协变量之间不存在相关性 (Wooldridge，2010)。然而，在目前的实证研究中，许多常见的固定效应 (FE) 和一阶差分 (FD) 估计值存在较大差异，甚至符号相反，意味着这些估计很可能违反了严格外生性假设。

近年来，使用工具变量来估计面板数据模型成为一种趋势，最常见是 FE-2SLS，但在已发表的实证金融文章中，几乎没有报告过对严格外生性的检验。本文认为在所有金融面板数据的应用中都应考虑严格的外生性假设，并为如何做到这一点提供指导。

2. 相关文献和实证策略

2.1 传统估计中的外生性检验

考虑一个简单的回归模型：

根据 Wooldridge (2010)，把 称为同期外生性；把解释变量的滞后值纳入模型 ，则为严格外生性。

Wooldridge (2010) 概述了两个简单的基于回归的检验，以验证严格的外生性假设是有效的零假设。这两个检验都依赖于解释变量的前导值的估计系数，因为理论上这些值在零假设下应该为 0。对于具有单个解释变量，FE 估计的检验回归方程：

使用固定效应变换，而 FD 估计的检验估计方程：

如果 或 上的系数显著异于 0，则拒绝严格外生性假设。在多个解释变量的情况下，估计每个变量的 或 系数，测试 或 系数组是否共同有效。测试统计数据是用标准误进行计算的，这些标准误在公司层面进行聚类，以允许任意的序列相关性和异方差。

本文使用模拟数据探索检验。在这些模拟中，主要关注的方程是：

其中， 满足独立同分布，允许该方程中的解释变量与截距项、误差项的滞后值、同期误差项存在相关性，通过建模来构建这些相关性。

其中， 满足独立同分布。如果 和 均等于 0，则在考虑未观察到的影响后，不存在内生性问题，FE 和 FD 估计值应一致地估计基础参数 。OLS 估计会错误地将未观测效应 和解释变量 之间的 0.40 相关性混淆为 和 之间因果关系的反映。将 称为严格的外生性参数， 称为同期外生性参数。当严格的 (同期的) 外生性成立时， ()。当严格的 (同期的) 外生性不成立时，假设 ()。

2.2 IV 估计中的严格外生性检验

IV 面板估计要求工具变量的严格外生性。用 表示变量 的工具变量，则有当 时，。如果违反了工具变量的严格外生性，则 FE-2SLS 和 FD-2SLS 的估计将不一致 (Wooldridge，2010)。估计模型：

通过 FE-2SLS 估计，用 和 作为工具变量，当满足工具变量的严格外生性假设时，则有 ；如果 ，则表明误差项与工具变量未来值之间存在关联。

3. 外部信息和工具变量的严格外生性

3.1 内部工具变量

在无法找到外部工具变量的情况下，使用滞后项作为工具变量，运用动态面板数据进行 GMM 估计。但值得注意的是，该方法需要进行不存在序列相关的系列检验。

3.2 外部信息和工具变量

寻找与主要解释变量相关的外部工具变量，进行 FE-2SLS 或 FD-2SLS 估计。需要注意的是，找寻的外部工具变量需要满足严格外生性假设。

3.3 现金流、天气和投资

Perez Gonzalez 和 Yun (2013) 考虑了天气冲击在公用事业现金流中的作用以及对公司对冲动机的影响。天气很大程度上不可预测，因而严格的外生性似乎能够满足。但实际上，公司的现金流能够一定程度上预测天气，从而不满足严格的外生性假设。严格的外生性检验能够较好的缓解这种担忧。

本文考察了天气对现金流的直接作用 (传统的面板回归) 和天气作为现金流工具变量的间接作用 (IV 面板回归)。首先，使用传统的面板回归，考察现金流是否取决同期的天气变量；其次，使用 FE-2SLS 和 FD-2SLS 估计，两个估计值越接近，说明严格外生性得到较好满足；最后，以严格外生性的前导项系数来检验，若系数很小且不显著，则符合严格外生性假设。

3.4 企业风险、行业风险和所有权

Gormley 和 Matsa (2014) 讨论了将行业冲击作为面板数据下解释变量工具变量的可能性。而这种方法的必要性前提是行业冲击的严格外生性。

本文探讨了公司风险和其管理的所有权之间的关系。由于公司风险通常是可预测的，因此会影响公司的所有权决策和未来的行业波动，直接回归公司风险跟所有权将导致所有常见的内生性问题。鉴于行业风险与公司风险密切相关，本文以行业风险作为公司风险的工具变量，但 FE-2SLS 和 FD-2SLS 估计量的不一致表明了行业风险作为公司风险工具变量的非严格外生性。

4. 结论

本文讨论了在使用传统面板数据估计值 (FE 和 FD) 以及常见面板数据 IV 估计值的情况下，对于一致性的严格外生性要求 (FE-2SLS 和 FD-2SLS)。严格的外生性是一个比通常的同期外生性概念强得多的假设。粗略地说，该假设要求因变量对自变量/工具的未来值没有反馈，并且还要求自变量/工具未来值不会对与因变量同期值相同的冲击做出反应。重要的是，严格的外生性假设的这些要素是可检验的，但在实证金融研究中，这些检验基本上被忽略了。

本文提出三条建议：(1) 比较 FE 和 FD 估计值，或者在 IV 估计下，比较 FE-2SLS 和 FD-2SLS 估计值，如果二者存在显著差异，则违反严格外生性假设。(2) 在二者存在较大差异的条件下，则存在因变量和解释变量/工具的未来值之间相关的可能性，则应进行本文所述的简单形式检验。(3) 在确定了一个严格的外生解释变量或工具的情况下，研究人员应考虑在有和没有一系列控制变量的情况下估计模型。

5. 相关推文

Note：产生如下推文列表的 Stata 命令为：
  lianxh 外生性 工具变量, m
安装最新版 lianxh 命令：
  ssc install lianxh, replace

• 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：面板数据
• Stata：被忽视的严格外生性假设
• 专题：IV-GMM
• Stata：使用历史工具变量评估长期效应-esteta
• 数字经济的工具变量
• 工具变量：与朱熹书院距离作为IV
• 论文推介：IV-天气是好的工具变量吗？
• 工具变量：教育回报IV探讨
• 工具变量：顶刊中的Shock-IV整理
• 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