R 中 ivreg() 診斷的解釋

我正試圖ivreg()從 {AER} 包中解釋 R 中命令的診斷。運行幫助頁面中提供的示例代碼：

## data
data("CigarettesSW", package = "AER")
CigarettesSW$rprice <- with(CigarettesSW, price/cpi)
CigarettesSW$rincome <- with(CigarettesSW, income/population/cpi)
CigarettesSW$tdiff <- with(CigarettesSW, (taxs - tax)/cpi)

## model 
fm <- ivreg(log(packs) ~ log(rprice) + log(rincome) | log(rincome) + tdiff + I(tax/cpi), data = CigarettesSW, subset = year == "1995")
summary(fm, vcov = sandwich, df = Inf, diagnostics = TRUE)

您會得到以下輸出：

Call:
ivreg(formula = log(packs) ~ log(rprice) + log(rincome) | log(rincome) + 
tdiff + I(tax/cpi), data = CigarettesSW, subset = year == 
"1995")

Residuals:
  Min         1Q     Median         3Q        Max 
-0.6006931 -0.0862222 -0.0009999  0.1164699  0.3734227 

Coefficients:
        Estimate Std. Error z value Pr(>|z|)    
(Intercept)    9.8950     0.9288  10.654  < 2e-16 ***
log(rprice)   -1.2774     0.2417  -5.286 1.25e-07 ***
log(rincome)   0.2804     0.2458   1.141    0.254    

Diagnostic tests:
            df1 df2 statistic p-value    
Weak instruments   2  44   228.738  <2e-16 ***
Wu-Hausman         1  44     3.823  0.0569 .  
Sargan             1  NA     0.333  0.5641    

我對診斷測試的解釋很感興趣。這是否意味著這些工具很弱或沒有？考慮到它在 10% 的水平上顯著，Wu-Hausman 是什麼意思？Sargan 不重要意味著什麼？

該演示文稿通過工作示例提供了一個不錯的概述。

弱工具是指該工具與內生解釋變量的相關性較低。這可能導致係數的較大方差和嚴重的有限樣本偏差。“治療可能比疾病更糟”（Bound, Jaeger, Baker, 1993/1995）。有關更多詳細信息，請參見此處。從 AER 的幫助文件中，它說它對第一階段回歸進行了 F 檢驗；我相信空值是儀器很弱。對於您報告的模型，空值被拒絕，因此您可以繼續假設該工具足夠強大。

Wu-Hausman測試 IV 與 OLS 一樣一致，並且由於 OLS 更有效，因此更可取。這裡的空值是它們同樣一致；在這個輸出中，Wu-Hausman 在 p<0.1 的水平上是顯著的，所以如果你對這個置信水平沒問題，那就意味著 IV 是一致的，而 OLS 不是。

Sargan測試過度識別限制。這個想法是，如果每個內生變量有一個以上的工具，則模型被過度識別，並且您有一些多餘的信息。所有工具都必須是有效的，才能使推論正確。因此它測試所有外生工具實際上都是外生的，並且與模型殘差不相關。如果它很重要，則意味著您沒有有效的工具（在那裡的某個地方，因為這是一項全球測試）。在這種情況下，這不是問題。這可能會變得更加複雜，研究人員建議進行進一步的分析（見此）。

引用自：https://stats.stackexchange.com/questions/134789