R数据分析：工具变量回归的做法和解释，实例解析

摘要：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

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：

与内生变量（冰淇淋销量）相关。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：

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。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。

工具变量最常用的应用方法是两阶段最小二乘法：

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。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。

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

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。

今天从给大家写了工具变量以及实操方法，希望这个大白话的解释能够帮助你理解。感谢大家耐心看完，自己的文章都写的很细，重要代码都在原文中，希望大家都可以自己做一做。如果对您有用请先记得收藏，再点赞分享。也欢迎大家的意见和建议，大家想了解什么统计方法都可以在文章下留言，说不定我看见了就会给你写教程哦，有疑问欢迎私信，有合作意向请直接滴滴我。

如果你是一个大学本科生或研究生，如果你正在因为你的统计作业、数据分析、模型构建,科研统计设计等发愁，如果你在使用SPSS, R，Mplus中遇到任何问题，都可以联系我。因为我可以给您提供最好的，最详细和耐心的数据分析服务。

如果你对Z检验，t检验，方差分析，多元方差分析，回归，卡方检验，相关，多水平模型，结构方程模型，中介调节，量表信效度等等统计技巧有任何问题，请私信我，获取详细和耐心的指导。

如果你或你的团队需要专业的科研数据清洗，建模服务，教学培训需求等等。请联系我。

If you are a student and you are worried about you statistical #Assignments, #Data #Analysis, #Thesis, #Reports, #Composing, #Quizzes, Exams.. And if you are facing problem in #SPSS, #R-Programming, #Excel, Mplus, then contact me. Because I could provide you the best services for your Data Analysis.

Are you confused with statistical Techniques like z-test, t-test, ANOVA, MANOVA, Regression, Logistic Regression, Chi-Square, Correlation, Association, SEM, multilevel model, mediation and moderation etc. for your Data Analysis...??

Then Contact Me. I will solve your Problem...

If You or Your Research Team Need Professional Scientific Data Cleaning, Model Building Services or Statistical Consulting... Please Contact Me.

R机器学习：决策树算法的理解与实操

R数据分析：临床研究样本量计算、结果解读与实操

R数据分析：网状meta分析的理解与实操

R数据分析：非劣效性研究设计的统计处理方法，原理和实例

R数据分析：集成学习方法之随机生存森林的原理和做法，实例解析

R数据分析：净重新分类(NRI)和综合判别改善（IDI）指数的理解

R数据分析：反事实框架和因果中介的理论理解

R数据分析：广义估计方程式GEE的做法和解释

R数据分析：潜类别轨迹模型LCTM的做法，实例解析

R数据分析:潜变量与降维方法(主成分分析与因子分析)