内生性问题的解决方法 除了工具变量，还有哪些解决内生性的方法？效果如何
\u4ec0\u4e48\u662f\u5185\u751f\u6027\u95ee\u9898\u5c31\u662f\u6a21\u578b\u4e2d\u7684\u4e00\u4e2a\u6216\u591a\u4e2a\u89e3\u91ca\u53d8\u91cf\u4e0e\u968f\u673a\u6270\u52a8\u9879\u76f8\u5173\u6216\u8005\u5199\u6210\u3000\u7684\u95ee\u9898
\u89e3\u91ca\u53d8\u91cf\u5185\u751f\u6027\u68c0\u9a8c\u9996\u5148\u68c0\u9a8c\u89e3\u91ca\u53d8\u91cf\u5185\u751f\u6027\uff08\u89e3\u91ca\u53d8\u91cf\u5185\u751f\u6027\u7684Hausman\u68c0\u9a8c\uff1a\u4f7f\u7528\u5de5\u5177\u53d8\u91cf\u6cd5\u7684\u524d\u63d0\u662f\u5b58\u5728\u5185\u751f\u89e3\u91ca\u53d8\u91cf\u3002Hausman\u68c0\u9a8c\u7684\u539f\u5047\u8bbe\u4e3a\uff1a\u6240\u6709\u89e3\u91ca\u53d8\u91cf\u5747\u4e3a\u5916\u751f\u53d8\u91cf\uff0c\u5982\u679c\u62d2\u7edd\uff0c\u5219\u8ba4\u4e3a\u5b58\u5728\u5185\u751f\u89e3\u91ca\u53d8\u91cf\uff0c\u8981\u7528IV\uff1b\u53cd\u4e4b\uff0c\u5982\u679c\u63a5\u53d7\uff0c\u5219\u8ba4\u4e3a\u4e0d\u5b58\u5728\u5185\u751f\u89e3\u91ca\u53d8\u91cf\uff0c\u5e94\u8be5\u4f7f\u7528OLS\u3002regldilofdiestimatesstoreolsxtivregldi(lofdi=l.lofdildeplexr)estimatesstoreivhausmanivols\uff08\u5728\u9762\u677f\u6570\u636e\u4e2d\u4f7f\u7528\u5de5\u5177\u53d8\u91cf\uff0cStata\u63d0\u4f9b\u4e86\u5982\u4e0b\u547d\u4ee4\u6765\u6267\u884c2SLS:xtivregdepvar[varlist1](varlist_2=varlist_iv)\uff08\u9009\u62e9\u9879\u53ef\u4ee5\u4e3afe\uff0cre\u7b49\uff0c\u8868\u793a\u56fa\u5b9a\u6548\u5e94\u3001\u968f\u673a\u6548\u5e94\u7b49\u3002\u8be6\u89c1helpxtivreg\uff09\u5982\u679c\u5b58\u5728\u5185\u751f\u89e3\u91ca\u53d8\u91cf\uff0c\u5219\u5e94\u8be5\u9009\u7528\u5de5\u5177\u53d8\u91cf\uff0c\u5de5\u5177\u53d8\u91cf\u4e2a\u6570\u4e0d\u5c11\u4e8e\u65b9\u7a0b\u4e2d\u5185\u751f\u89e3\u91ca\u53d8\u91cf\u7684\u4e2a\u6570\u3002\u201c\u6070\u597d\u8bc6\u522b\u201d\u65f6\u75282SLS\u30022SLS\u7684\u5b9e\u8d28\u662f\u628a\u5185\u751f\u89e3\u91ca\u53d8\u91cf\u5206\u6210\u4e24\u90e8\u5206\uff0c\u5373\u7531\u5de5\u5177\u53d8\u91cf\u6240\u9020\u6210\u7684\u5916\u751f\u7684\u53d8\u52a8\u90e8\u5206\uff0c\u4ee5\u53ca\u4e0e\u6270\u52a8\u9879\u76f8\u5173\u7684\u5176\u4ed6\u90e8\u5206\uff1b\u7136\u540e\uff0c\u628a\u88ab\u89e3\u91ca\u53d8\u91cf\u5bf9\u4e2d\u7684\u8fd9\u4e2a\u5916\u751f\u90e8\u5206\u8fdb\u884c\u56de\u5f52\uff0c\u4ece\u800c\u6ee1\u8db3OLS\u524d\u5b9a\u53d8\u91cf\u7684\u8981\u6c42\u800c\u5f97\u5230\u4e00\u81f4\u4f30\u8ba1\u91cf\u3002tptqtp\u4e8c\u3001\u5f02\u65b9\u5dee\u4e0e\u81ea\u76f8\u5173\u68c0\u9a8c\u5728\u7403\u578b\u6270\u52a8\u9879\u7684\u5047\u5b9a\u4e0b\uff0c2SLS\u662f\u6700\u6709\u6548\u7684\u3002\u4f46\u5982\u679c\u6270\u52a8\u9879\u5b58\u5728\u5f02\u65b9\u5dee\u6216\u81ea\u76f8\u5173\uff0c\u9762\u677f\u5f02\u65b9\u5dee\u68c0\u9a8c\uff1axtglsencinvsexpimpescmrl,iglspanel(het)estimatesstoreheteroxtglsencinvsexpimpescmrl,iglsestimatesstorehomolocaldf=e(N_g)-1lrtestheterohomo,df(`df')\u9762\u677f\u81ea\u76f8\u5173\uff1axtserialencinvsexpimpescmrl\u5219\u5b58\u5728\u4e00\u79cd\u66f4\u6709\u6548\u7684\u65b9\u6cd5\uff0c\u5373GMM\u3002\u4ece\u67d0\u79cd\u610f\u4e49\u4e0a\uff0cGMM\u4e4b\u4e8e2SLS\u6b63\u5982GLS\u4e4b\u4e8eOLS\u3002\u597d\u8bc6\u522b\u7684\u60c5\u51b5\u4e0b\uff0cGMM\u8fd8\u539f\u4e3a\u666e\u901a\u7684\u5de5\u5177\u53d8\u91cf\u6cd5\uff1b\u8fc7\u5ea6\u8bc6\u522b\u65f6\u4f20\u7edf\u7684\u77e9\u4f30\u8ba1\u6cd5\u884c\u4e0d\u901a\uff0c\u53ea\u6709\u8fd9\u65f6\u624d\u6709\u5fc5\u8981\u4f7f\u7528GMM\uff0c\u8fc7\u5ea6\u8bc6\u522b\u68c0\u9a8c\uff08OveridentificationTest\u6216JTest\uff09\uff1aestatoverid\u4e09\u3001\u5de5\u5177\u53d8\u91cf\u6548\u679c\u9a8c\u8bc1\u5de5\u5177\u53d8\u91cf\uff1a\u5de5\u5177\u53d8\u91cf\u8981\u6c42\u4e0e\u5185\u751f\u89e3\u91ca\u53d8\u91cf\u76f8\u5173\uff0c\u4f46\u53c8\u4e0d\u80fd\u4e0e\u88ab\u89e3\u91ca\u53d8\u91cf\u7684\u6270\u52a8\u9879\u76f8\u5173\u3002\u7531\u4e8e\u8fd9\u4e24\u4e2a\u8981\u6c42\u5e38\u5e38\u662f\u77db\u76fe\u7684\uff0c\u6545\u5728\u5b9e\u8df5\u4e0a\u5bfb\u627e\u5408\u9002\u7684\u5de5\u5177\u53d8\u91cf\u5e38\u5e38\u5f88\u56f0\u96be\uff0c\u9700\u8981\u76f8\u5f53\u7684\u60f3\u8c61\u529b\u4e0e\u521b\u4f5c\u6027\u3002\u5e38\u7528\u6ede\u540e\u53d8\u91cf\u3002\u9700\u8981\u505a\u7684\u68c0\u9a8c\uff1a\u68c0\u9a8c\u5de5\u5177\u53d8\u91cf\u7684\u6709\u6548\u6027\uff1a\uff081\uff09\u68c0\u9a8c\u5de5\u5177\u53d8\u91cf\u4e0e\u89e3\u91ca\u53d8\u91cf\u7684\u76f8\u5173\u6027\u5982\u679c\u5de5\u5177\u53d8\u91cfz\u4e0e\u5185\u751f\u89e3\u91ca\u53d8\u91cf\u5b8c\u5168\u4e0d\u76f8\u5173\uff0c\u5219\u65e0\u6cd5\u4f7f\u7528\u5de5\u5177\u53d8\u91cf\u6cd5\uff1b\u5982\u679c\u4e0e\u4ec5\u4ec5\u5fae\u5f31\u5730\u76f8\u5173\uff0c\u3002\u8fd9\u79cd\u5de5\u5177\u53d8\u91cf\u88ab\u79f0\u4e3a\u201c\u5f31\u5de5\u5177\u53d8\u91cf\u201d\uff08weakinstruments\uff09\u540e\u679c\u5c31\u8c61\u6837\u672c\u5bb9\u91cf\u8fc7\u5c0f\u3002\u68c0\u9a8c\u5f31\u5de5\u5177\u53d8\u91cf\u7684\u4e00\u4e2a\u7ecf\u9a8c\u89c4\u5219\u662f\uff0c\u5982\u679c\u5728\u7b2c\u4e00\u9636\u6bb5\u56de\u5f52\u4e2d\uff0cF\u7edf\u8ba1\u91cf\u5927\u4e8e10\uff0c\u5219\u53ef\u4e0d\u5fc5\u62c5\u5fc3\u5f31\u5de5\u5177\u53d8\u91cf\u95ee\u9898\u3002Stata\u547d\u4ee4\uff1aestatfirst\uff08\u663e\u793a\u7b2c\u4e00\u4e2a\u9636\u6bb5\u56de\u5f52\u4e2d\u7684\u7edf\u8ba1\u91cf\uff09\uff082\uff09\u68c0\u9a8c\u5de5\u5177\u53d8\u91cf\u7684\u5916\u751f\u6027\uff08\u63a5\u53d7\u539f\u5047\u8bbe\u597d\uff09\u5728\u6070\u597d\u8bc6\u522b\u7684\u60c5\u51b5\u4e0b\uff0c\u65e0\u6cd5\u68c0\u9a8c\u5de5\u5177\u53d8\u91cf\u662f\u5426\u4e0e\u6270\u52a8\u9879\u76f8\u5173\u3002\u5728\u8fc7\u5ea6\u8bc6\u522b\uff08\u5de5\u5177\u53d8\u91cf\u4e2a\u6570>\u5185\u751f\u53d8\u91cf\u4e2a\u6570\uff09\u7684\u60c5\u51b5\u4e0b\uff0c\u5219\u53ef\u8fdb\u884c\u8fc7\u5ea6\u8bc6\u522b\u68c0\u9a8c\uff08OveridentificationTest\uff09\uff0c\u68c0\u9a8c\u539f\u5047\u8bbe\u6240\u6709\u5de5\u5177\u53d8\u91cf\u90fd\u662f\u5916\u751f\u7684\u3002\u5982\u679c\u62d2\u7edd\u8be5\u539f\u5047\u8bbe\uff0c\u5219\u8ba4\u4e3a\u81f3\u5c11\u67d0\u4e2a\u53d8\u91cf\u4e0d\u662f\u5916\u751f\u7684\uff0c\u5373\u4e0e\u6270\u52a8\u9879\u76f8\u5173\u30020HSargan\u7edf\u8ba1\u91cf\uff0cStata\u547d\u4ee4\uff1aestatoverid\u56db\u3001GMM\u8fc7\u7a0b\u5728Stata\u8f93\u5165\u4ee5\u4e0b\u547d\u4ee4\uff0c\u5c31\u53ef\u4ee5\u8fdb\u884c\u5bf9\u9762\u677f\u6570\u636e\u7684GMM\u4f30\u8ba1\u3002.sscinstallivreg2\uff08\u5b89\u88c5\u7a0b\u5e8fivreg2\uff09.sscinstallranktest\uff08\u5b89\u88c5\u53e6\u5916\u4e00\u4e2a\u5728\u8fd0\u884civreg2\u65f6\u9700\u8981\u7528\u5230\u7684\u8f85\u52a9\u7a0b\u5e8franktest\uff09.use"traffic.dta"\uff08\u6253\u5f00\u9762\u677f\u6570\u636e\uff09.xtsetpanelvartimevar\uff08\u8bbe\u7f6e\u9762\u677f\u53d8\u91cf\u53ca\u65f6\u95f4\u53d8\u91cf\uff09.ivreg2yx1(x2=z1z2),gmm2s\uff08\u8fdb\u884c\u9762\u677fGMM\u4f30\u8ba1\uff0c\u5176\u4e2d2s\u6307\u7684\u662f2-stepGMM\uff09
事实上，仅仅为了解决内生性问题，并不需要我们对内生性问题的缘起有很深入的理解。对于应用型的实证研究而言，我们只需要掌握解决内生性问题的具体方案即可。内生性问题的解决方案一共四种，理论上来讲，这四种方案应对内生性问题都很有效。但于我个人而言，我对四种方法的评价是有高低的，由高到低分别介绍如下。1.自然实验法
所谓自然实验，就是发生了某些外部突发事件，使得研究对象仿佛被随机分成了实验组或控制组。
这是我最喜欢的方法，只是自然实验需要寻找一个事件，并且这个事件只影响解释变量而不影响被解释变量。遇着这种事件是一种缘分，还要能识别出来，这对学者的眼光也是一种挑战。
有很多文章声称使用了自然实验，但严格来讲，并没有做到对研究对象进行了随机分组。虽然如此，我对此类文章仍然很是喜欢。
2.双重差分法
Difference-in-Difference （DID）一般称为双重差分法，或倍差法。倘若出现了一次外部冲击，这次冲击影响了一部分样本，对另一部分样本则无影响，而我们想看一下这次外部冲击到底有何影响，双重差分法就是用来研究这次冲击的净效应的。
其基本思想是，将受冲击的样本视作实验组，再按照一定标准在未受冲击的样本中寻求与实验组匹配的对照组，而后做差，做差剩下来的便是这次冲击的净效应。
双重差分法实际上是固定效应的一个变种，差分的过程实际上是排除固定效应的过程。ZERA在《计量论文写作和发表的黑客教程》有一个非常简明风趣的举例，我转述于此，以飨读者。
“大家都知道买房子靠不靠学校医院等设施还是有很大差别的。但是，影响房价的因素又不止学区那么简单。
学校旁边的学区房价格上升，难道一定是学区房因素导致的吗？
现在我们要使用双重差分法检验一个假设：学区房因素导致房价上升。
差分再差分，这个方法要凑效的秘诀是：学区房因素发生变化，而其他因素基本维持不变。例如教育管理机构重新划分学区，一个著名小学突然在某个没学校的地方建分校，或者一个著名小学搬迁，这些因素导致房子是否属于学区房发生了变化。
以建分校为例。建校后周围一片区域A的房子都属于学区房，这个区域以外附近区域(B)的其他房子就不算该校学区房。然后收集建校前后两个时间点上、A和B区域房价的数据。
所谓的差分再差分法，就是：A区域两个时间点上的平均房价差距 - B区域两时间点上的平均房价差距 = d，这个d就是建校对房价的影响了。d是两个差距之间的差距，所以才叫做差分再差分。用计量回归把这个d给估计出来，是有办法的：
P= b0 + b1*Da +b2*Dt + d*(Da*Dt) + Xb + e
P是房价，Da是虚拟变量，在区域A则为1，否则为0， Dt是时间虚拟变量，建校后为1，建校前为0。 STATA一跑，就把d估计出来了。为什么d可以如此表示？自己思考一下啦。实在想不出来，Wooldridge的书上有精确严格的解释。这里给出一个直观的粗略解释：北京所有区域的房价每个月都在上升，因此需要控制这部分因素，这就是时间因素Dt；区域不同自然也有差别，需要控制区域位置因素，这就是Da，这就控制了即使不建校也存在的差距；控制住其他因素X，那么剩下的Da*Dt就是建校带来的房价提升效应了。这下明白了哦。”
当然，如果你想看到更学术化的探讨，可以参考2015年第7期《数量经济技术经济研究》所刊文章《国内双重差分法的研究现状与潜在问题》。
3.工具变量法
这是一种处理内生性问题的经典方法，或者说被滥用最严重的方法。
这种方法相信大家都已经学过，就是找到一个变量和内生解释变量相关，但是和随机扰动项不相关。在OLS的框架下同时有多个工具变量（IV），这些工具变量被称为two stage least squares (2SLS) estimator。具体的说，这种方法是找到影响内生变量的外生变量，连同其他已有的外生变量一起回归，得到内生变量的估计值，以此作为IV，放到原来的回归方程中进行回归。
工具变量法最大的问题是满足研究条件的工具变量难以找到，而不合乎条件的工具变量只能带来更严重的估计问题。
当然，我确实见过非常精巧的工具变量，譬如，殖民地时代的死亡率。
4. 动态面板回归法
基本思想是将解释变量和被解释变量的滞后项作为工具变量（IV）。其实，我是不认可这种处理方法，除非万不得已，我不推荐这种方法，我也不太相信这种方法能真正缓解内生性问题。可是，确实很多人都在用。算了，不多说了。
绛旓細鍐呯敓鎬ч棶棰樼殑瑙ｅ喅鏂规硶鏈夛細鑷劧瀹為獙娉曘佸鐞嗘晥搴旀ā鍨嬫硶绛銆傝嚜鐒跺疄楠屾硶鎸囩殑鏄湪鐮旂┒涓紝鍥犱负鏌愪簺澶栭儴浜嬩欢浣垮緱鐮旂┒瀵硅薄琚殢鏈哄垎鎴愪簡瀹為獙缁勫拰瀵圭収缁勩傚叾鍏抽敭鍦ㄤ簬瀵绘壘涓涓奖鍝嶈瑙ｉ噴鍙橀噺鑰屼笉褰卞搷瑙ｉ噴鍙橀噺鐨勫閮ㄤ簨浠躲傝嚜鐒跺疄楠屾硶鏈川涓婃槸涓绉嶈瀵熷疄楠岋紝瀹冩槸鐜板満鍜屽疄楠屽瀹為獙涔嬪鐨勫彟涓绉嶉夋嫨銆傚鐞嗘晥搴旀ā鍨嬫硶鍦ㄧ粡...
绛旓細宸ュ叿鍙橀噺娉曟槸涓绉嶅鐞嗗唴鐢熸ч棶棰樼殑缁忓吀鏂规硶锛屼篃鏄婊ョ敤鏈涓ラ噸鐨勬墜娈点傝鏂规硶瀵绘壘涓涓笌鍐呯敓瑙ｉ噴鍙橀噺鐩稿叧浣嗕笌闅忔満鎵板姩椤逛笉鐩稿叧鐨勫彉閲忎綔涓哄伐鍏峰彉閲忋傚叿浣撴潵璇达紝灏辨槸鎵惧埌褰卞搷鍐呯敓鍙橀噺鐨勫鐢熷彉閲忥紝骞跺皢鍏朵笌鍏朵粬澶栫敓鍙橀噺涓璧峰洖褰掞紝浠ヤ及璁″唴鐢熷彉閲忕殑鍊硷紝鐒跺悗灏嗗叾浣滀负宸ュ叿鍙橀噺鏀惧叆鍘熷洖褰掓柟绋嬩腑銆傜劧鑰岋紝宸ュ叿鍙橀噺...
绛旓細3.宸ュ叿鍙橀噺娉 杩欐槸涓绉嶅鐞嗗唴鐢熸ч棶棰樼殑缁忓吀鏂规硶锛屾垨鑰呰琚互鐢ㄦ渶涓ラ噸鐨勬柟娉曘傝繖绉嶆柟娉曠浉淇″ぇ瀹堕兘宸茬粡瀛﹁繃锛屽氨鏄壘鍒颁竴涓彉閲忓拰鍐呯敓瑙ｉ噴鍙橀噺鐩稿叧锛屼絾鏄拰闅忔満鎵板姩椤逛笉鐩稿叧銆傚湪OLS鐨勬鏋朵笅鍚屾椂鏈夊涓伐鍏峰彉閲忥紙IV锛夛紝杩欎簺宸ュ叿鍙橀噺琚О涓簍wo stage least squares (2SLS) estimator銆傚叿浣撶殑璇达紝杩欑鏂规硶鏄...
绛旓細鍐呯敓鎬ч棶棰樼殑瑙ｅ喅涓婏紝閫氬父浣跨敤宸ュ叿鍙橀噺娉锛屽叾鍩烘湰鎬濇兂鍦ㄤ簬閫夊彇杩欐牱涓绫诲彉閲忥紙宸ュ叿鍙橀噺锛夛紝瀹冧滑鐨勭壒寰佷负锛氬伐鍏峰彉閲忎笌鍐呯敓鍙橀噺鏈夌潃鐩稿叧(濡傛灉鐩稿叧鎬у緢浣庡垯绉颁负寮卞伐鍏峰彉閲)锛屼絾鏄伐鍏峰彉閲忎笌琚В閲婂彉閲忓熀鏈病鏈夌浉鍏冲叧绯汇傚鎵鹃傚悎鐨勫伐鍏峰彉閲忔槸涓浠跺洶闅剧殑浜嬫儏锛岃В鍐冲唴鐢熸ч棶棰樻椂锛屽ぇ閲忕殑宸ヤ綔鐢ㄤ簬瀵绘壘閫傚悎鐨勫伐鍏峰彉...
绛旓細澶勭悊鍐呯敓鎬ч棶棰樼殑甯歌鏂规硶鍖呮嫭宸ュ叿鍙橀噺娉曞拰骞夸箟鐭╂硶绛銆傚伐鍏峰彉閲忓簲璇ヤ笌鍐呯敓瑙ｉ噴鍙橀噺鐩稿叧锛屼絾涓庢壈鍔ㄩ」鏃犲叧銆傚箍涔夌煩娉曞彲浠ョ敤浜庡鐞嗗绉嶇被鍨嬬殑鍐呯敓鎬ч棶棰樸傚唴鐢熸ч棶棰樼殑褰卞搷鍥犵礌锛1銆侀仐婕忓彉閲忥細鍦ㄦā鍨嬩腑锛屽鏋滈仐婕忎簡涓浜涢噸瑕佺殑瑙ｉ噴鍙橀噺锛岃繖浜涘彉閲忓彲鑳戒笌璇樊椤圭浉鍏筹紝浠庤屽鑷村唴鐢熸ч棶棰樸備緥濡傦紝鍦ㄧ爺绌朵紒涓氱敓浜...
绛旓細3. 澶勭悊鍐呯敓鎬ч棶棰樼殑鏂规硶锛氫负瑙ｅ喅鍐呯敓鎬ч棶棰橈紝缁忔祹瀛﹀甯哥敤宸ュ叿鍙橀噺娉銆佸箍涔夌煩娉曠瓑绛栫暐銆傚伐鍏峰彉閲忛渶涓庡唴鐢熻В閲婂彉閲忕浉鍏筹紝浣嗕笉搴斾笌璇樊椤圭浉鍏炽傚箍涔夌煩娉曞垯閫傜敤浜庡鐞嗗绉嶇被鍨嬬殑鍐呯敓鎬ч棶棰樸4. 鍐呯敓鎬ч棶棰樼殑鎴愬洜锛- 閬楁紡鍙橀噺锛氬湪妯″瀷鏋勫缓鏃讹紝鑻ユ湭鍖呭惈鏌愪簺鍏抽敭鍙橀噺锛岃繖浜涘彉閲忓彲鑳戒笌璇樊椤圭浉鍏筹紝寮曞彂鍐呯敓...
绛旓細5. 瑙ｅ喅鍐呯敓鎬ч棶棰樼殑鏂规硶鍖呮嫭宸ュ叿鍙橀噺娉锛圛V锛夈丠eckman涓ゆ娉曘佸尮閰嶆柟娉曪紙matching锛夈佸樊鍒-宸垎娉曪紙DID锛夌瓑銆傚湪閫夋嫨鏂规硶鍓嶏紝鐮旂┒鑰呭簲鍏堢悊瑙ｅ唴鐢熸ч棶棰樹骇鐢熺殑鍘熷洜銆6. 璁￠噺缁忔祹瀛︾殑榄呭姏鍦ㄤ簬鍏舵晠浜嬫у拰閫昏緫鎬с傚鏋滅爺绌惰呬粎鏈烘鍦板簲鐢ㄦ柟娉曪紝鑰屽拷鐣ヤ簡瀹屾暣鐨勫鐞嗛昏緫锛岄偅涔堢爺绌跺皢澶卞幓鍏舵牳蹇冦7. 宸ュ叿鍙橀噺...
绛旓細瀵艰嚧鍐呯敓鎬ч棶棰銆瑙ｅ喅杩欎竴闂鍙互閫氳繃宸ュ叿鍙橀噺锛圛V锛鏂规硶銆4. 鍔ㄦ侀潰鏉垮亸宸細鍔ㄦ侀潰鏉挎ā鍨嬩腑锛岀敱浜庤В閲婂彉閲忎腑鍖呭惈浜嗚瑙ｉ噴鍙橀噺鐨勬粸鍚庨」锛屽彲鑳戒細寮曞叆鍋忓樊銆傚鏋滆宸」瀛樺湪鑷浉鍏筹紝閭ｄ箞婊炲悗椤逛笌璇樊椤圭浉鍏筹紝杩涜屽鑷村唴鐢熸ч棶棰樸傚樊鍒嗗箍涔夌煩鏂规硶锛圙MM锛夊拰绯荤粺骞夸箟鐭╂柟娉曪紙GMM锛夋槸澶勭悊杩欑被鍋忓樊鐨勬湁鏁堝伐鍏枫
绛旓細鍐呯敓鎬ч棶棰橀氬父鐢变互涓嬩笁绉嶆儏鍐靛紩璧凤細1. 鍐呯敓鍙橀噺涓庤宸」鐩稿叧锛屼笌涔嬬浉瀵圭殑鏄鐢熷彉閲忥紝瀹冧笌璇樊椤逛笉鐩稿叧銆傚垽鏂唴鐢熸ч棶棰橀氬父浣跨敤Durbin-Wu-Hausman妫楠岋紝浣嗕粎鍑楠岀粨鏋滀笉瓒充互鍒ゆ柇锛岃繕闇缁撳悎涓撲笟鐞嗚鐭ヨ瘑銆2. 鍐呯敓鎬ч棶棰樼殑瑙ｅ喅閫氬父閲囩敤宸ュ叿鍙橀噺娉锛岃鏂规硶閫夊彇鐨勫伐鍏峰彉閲忓簲涓庡唴鐢熷彉閲忕浉鍏充絾涓庤瑙ｉ噴...
绛旓細鍐呯敓鎬ч棶棰閫氬父鐢变互涓嬩笁涓師鍥犲紩璧凤細1. 閬楁紡閲嶈瑙ｉ噴鍙橀噺锛氶仐婕忓彉閲忓彲鑳藉鑷翠及璁＄粨鏋滅殑涓嶅噯纭傚敖绠″彲浠ュ皾璇曞姞鍏ヨ瑙ｉ噴鍙橀噺鐨勬粸鍚庨」锛屼絾杩欏彲鑳藉鑷寸粨鏋滅殑涓嶇簿纭拰鍏朵粬闂銆傝嚜閫夋嫨闂鍙互閫氳繃Heckman涓ら樁娈垫楠屾潵澶勭悊锛岃屽叕鍙稿紓璐ㄦу彲浠ラ氳繃鍥哄畾鏁堝簲妯″瀷鏉ユ帶鍒躲傜劧鑰岋紝鍥哄畾鏁堝簲妯″瀷鍙兘鎹曟崏鍒板叕鍙搁殢鏃堕棿涓嶅彉鐨...
