高级计量经济分析及Stata应用 课件 第8章 处理效应分析拓展

《高级计量经济分析及stata应用》上海师范大学商学院第8章处理效应分析拓展第8章处理效应分析拓展8.1

内生处理的控制函数估计法8.2

内生处理的极大似然估计8.3

处理效应的含内生变量和样本选择的扩展线性回归分析8.4

内生处理的扩展probit回归分析8.5

处理效应的扩展有序probit回归分析8.6

处理效应的含内生变量和样本选择的区间回归模型分析8.7

处理效应的随机效应回归分析8.8

处理效应的随机效应probit回归分析8.9

处理效应的面板随机效应有序probit回归分析8.10

处理效应的随机效应区间回归分析2025/4/1438.1内生处理的控制函数估计法当处理分配与潜在结果相关时，eteffects命令根据观察数据估计平均处理效果（ATE）、平均处理效果（ATET）和潜在结果均值（POM）。它允许连续、二元、计数、分数和非负结果，并需要二元处理。为了控制处理分配的内生性，估计法将处理模型的残差包含在潜在结果的模型中，称为控制函数方法。2025/4/1448.1内生处理的控制函数估计法内生性处理效果估计的eteffects命令中考虑的处理效果模型如下所示：2025/4/145(8.6)(8.1)(8.2)(8.3)(8.4)(8.5)8.1内生处理的控制函数估计法

2025/4/1468.1内生处理的控制函数估计法2025/4/147

(8.7)对于probit和指数平均情况，则有：(8.8)(8.9)8.1内生处理的控制函数估计法2025/4/148

(8.10)(8.11)(8.12)(8.13)(8.14)8.1内生处理的控制函数估计法2025/4/149

(8.15)(8.16)8.1内生处理的控制函数估计法内生性处理效果估计的命令语法格式为：eteffects(ovaromvarlist[,omodelnoconstant])(tvartmvarlist[,noconstant])[if][in][weight][,statoptions]其中，ovar是结果模型的depvar；omvarlist是结果模型中的外生索引列表；tvar是二进制处理变量；tmvarlist是预测处理分配的协变量列表；omodel的选项有：linear：线性结果模型（默认值）；fractional：分数概率结果模型；probit：probit结果模型；exponential：指数平均结果模型；stat的选项有：ate：估计人群中的平均处理效果（默认值）；atet：评估受试者的平均处理效果；Pomens估计潜在结果平均值。8.1内生处理的控制函数估计法菜单操作为:Statistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>Continuousoutcomes

Statistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>BinaryoutcomesStatistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>Countoutcomes

Statistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>FractionaloutcomesStatistics>Treatmenteffects>Endogenoustreatment>Controlfunctionestimator>Nonnegativeoutcomes8.1内生处理的控制函数估计法当处理分配与潜在结果相关时，eteffects根据观察数据估计平均处理效果(ATE)、平均处理效果(ATET)和潜在结果均值(POM)。信息技术允许连续、二元、计数、分数和非负结果，并且需要二元处理。为了控制处理分配的内生性，估计量将处理模型的残差包含在潜在结果，称为控制功能方法(control-functionapproach)。8.1内生处理的控制函数估计法例8.1内生处理的控制函数估计法假设我们想知道母亲怀孕期间吸烟对婴儿出生体重的影响。我们使用了Cattaneo（2010）的一个摘录，其中bweight记录了婴儿的出生体重，mbsmoke是一个变量（0或1），表示母亲在怀孕期间是否吸烟。我们可能认为，出生体重(潜在结果)受母亲是否在怀孕前三个月进行过产前检查、母亲是否已婚、母亲年龄、是否为第一胎以及父亲的教育水平的影响。我们也可以相信吸烟的决定(处理)受母亲的婚姻状况、母亲的教育水平、年龄、是否在怀孕前三个月进行了产前检查以及该婴儿是否是她的第一个婴儿的影响。8.1内生处理的控制函数估计法例8.1内生处理的控制函数估计法如果我们认为存在影响处理分配和潜在结果的不可观察因素，我们必须选择另一个估计法。例如，我们没有观察到母亲的健康意识，这会通过其他因素影响吸烟决定和每个潜在的出生体重、产前维生素摄入等行为。在这些假设下，eteffects中的估计量一致地估计了ATE，但teeffects中的估计量会产生了不一致的估计。.*下载数据.clearall.webusecattaneo2(ExcerptfromCattaneo(2010)JournalofEconometrics155:138–154)8.1内生处理的控制函数估计法例8.1内生处理的控制函数估计法.*吸烟状况对婴儿出生体重的影响.eteffects(bweighti.prenatal1i.mmarriedmagei.fbaby)(mbsmokei.mmarriedmagei.fbabymedufedu)8.1内生处理的控制函数估计法例8.1内生处理的控制函数估计法.*同上，但估计ATET

.eteffects(bweighti.prenatal1i.mmarriedmagei.fbaby)(mbsmokei.mmarriedmagei.fbabymedufedu),atet8.1内生处理的控制函数估计法2025/4/1417例8.1内生处理的控制函数估计法.*显示用于计算ATET的辅助参数.eteffects,aeq8.2内生处理的极大似然估计2025/4/14188.2.1约束模型及其估计

(8.17)(8.18)(8.19)8.2内生处理的极大似然估计2025/4/14198.2.1约束模型及其估计(8.20)则观测j的对数似然为：8.2内生处理的极大似然估计2025/4/1420

(8.21)8.2内生处理的极大似然估计2025/4/1421

(8.22)8.2内生处理的极大似然估计2025/4/1422

8.2.2一般潜在效果模型该模型估计的对数似然函数为：(8.23)(8.24)

8.2内生处理的极大似然估计

2025/4/14238.2.3平均处理效应ATE是处理潜在结果和对照潜在结果的平均差异。根据迭代期望定律，ATE是:(8.25)8.2内生处理的极大似然估计

2025/4/1424

(8.26)(8.27)8.2内生处理的极大似然估计

2025/4/14258.2.5实现内生处理的极大似然估计的命令语法格式为:(1)基本语法:etregressdepvar[indepvars],treat(depvar_t=indepvars_t)[twostep|cfunction](2)仅用于最大似然估计的完整语法:etregressdepvar[indepvars][if][in][weight],treat(depvar_t=indepvars_t[,noconstant])[etregress_ml_options]

8.2内生处理的极大似然估计8.2.5实现(3)仅用于两步一致估计的完整语法:etregressdepvar[indepvars][if][in],treat(depvar_t=indepvars_t[,noconstant])twostep[etregress_ts_options]

(4)仅用于控制函数估计的完整语法:etregressdepvar[indepvars][if][in],treat(depvar_t=indepvars_t[,noconstant])cfunction[etregress_cf_options]2025/4/14268.2内生处理的极大似然估计8.2.5实现菜单操作为:Statistics>Treatmenteffects>Endogenoustreatment>Maximumlikelihoodestimator>Continuousoutcomesetregress命令估计平均处理效果(ATE)和使用内生二元处理变量进行增强的线性回归模型的其他参数，其估计方法采用全最大似然估计、两步一致估计或控制函数估计。除ATE外，当结果可能不是有条件独立于处理时，etregress还可用于估计处理的平均处理效果(ATET)。2025/4/14278.2内生处理的极大似然估计例8.3内生处理的极大似然估计(1)。我们根据1968年对14-26岁年轻女性进行的全国纵向调查的代表性摘录，估算了1972年成为工会成员对女性工资的影响。我们将使用变量工资(工资)、年级(完成学业的年限)、smsa(居住在SMSA(标准都市统计区)的指标)、黑人(作为非裔美国人的指标)、终身制(当前工作的终身制)和南方(生活在南方的指标)。2025/4/14288.2内生处理的极大似然估计例8.3内生处理的极大似然估计(1)。.*下载数据.clearall

.webuseunion3

(NLSWomen14-24in1968)

.*获得完整的ML估计

.etregresswageagegradesmsablacktenure,treat(union=southblacktenure)2025/4/14298.2内生处理的极大似然估计例8.3内生处理的极大似然估计(1)。2025/4/1430似然比检验表明，我们可以拒绝处理分配错误与结果错误之间无相关性的无效假设。处理分配错误与结果错误之间的估计相关性为-0.575。负面关系表明提高观察工资的不可观察因素往往与降低工会成员资格的不可观察因素同时发生。

8.2内生处理的极大似然估计例8.3内生处理的极大似然估计(1)。

.*获得两步一致估计.etregresswageagegradesmsablacktenure,treat(union=southblacktenure)twostep

2025/4/14312025/4/14328.3处理效应的含内生变量和样本选择的扩展线性回归分析

(8.28)

2025/4/14338.3处理效应的含内生变量和样本选择的扩展线性回归分析

(8.29)(8.30)2025/4/14348.3处理效应的含内生变量和样本选择的扩展线性回归分析

(8.31)(8.32)(8.33)(8.34)(8.35)2025/4/14358.3处理效应的含内生变量和样本选择的扩展线性回归分析

(8.36)2025/4/14368.3处理效应的含内生变量和样本选择的扩展线性回归分析

(8.37)则模型的对数似然值为：平均处理效应为：(8.38)2025/4/14378.3处理效应的含内生变量和样本选择的扩展线性回归分析

(1)具有内生处理分配的基本线性回归

eregressdepvar[indepvars],entreat(depvar_tr[=varlist_tr])[options](2)外生处理分配的基本线性回归

eregressdepvar[indepvars],extreat(tvar)[options](3)结合内生协变量、处理和选择的线性回归

eregressdepvar[indepvars][if][in][weight][,extensionsoptions]

含内生变量和样本选择的处理效应线性回归模型是线性回归模型的拓展，其估计的命令语法格式为:2025/4/14388.3处理效应的含内生变量和样本选择的扩展线性回归分析

其中模型拓展选项(extensionsoptions)有:

entreat(entrspec):内源性处理分配的entreat(entrspec)模型;extreat(Extrespec):外生性处理;

entrspec是depvar\utr[=varlist\utr][，entropts]。其中，depvar\utr是一个表示处理分配的变量。varlist\utr是预测处理分配的协变量列表。

extrspec是tvar[，extropts]。其中，tvar是表示处理分配的变量。其他更多选项查询eregress命令帮助文件。

2025/4/14398.3处理效应的含内生变量和样本选择的扩展线性回归分析

菜单操作为:Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Linearregressioneregress拟合了一个线性回归模型，该模型可容纳内生协变量、非随机处理分配和内生样本选择的任意组合。允许使用连续、二元和有序的内生协变量。处理分配可以是内生的，也可以是外生的。probit或tobit模型可用于解释内生样本选择。

2025/4/14408.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。假设我们想研究大学学历对工资的影响。解决这个问题的一种方法是查看个人是否拥有大学学位的指标上的系数。这让我们了解到，拥有大学学历的个人与没有大学学历的个人的平均工资有多大不同。然而，正如【ERM】示例1a中所述，我们怀疑诸如能力等未观察到的因素会影响大学毕业概率和工资水平。因此，我们需要考虑大学学位指标的潜在内生性。

2025/4/14418.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。在我们虚构的研究中，我们收集了6000名成年人的小时工资(工资)和教育程度(大学)数据。我们认为，工作任期(任期)和年龄(年龄)的差异也可能影响工资。我们可以通过在主方程中指定这些协变量来控制这些协变量。我们在内生()选项中指定college，但这次我们还包括probit子选项，以指示变量是二进制的。我们将毕业建模为父母教育水平(peduc)的函数，我们假设这对工资没有直接影响。

2025/4/14428.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。.*下载数据

.clearall

.webusewageed

(Wagesfor20to74yearolds,2015)

.*二元内生协变量college的线性回归

.eregresswagec.age##c.agetenure,endogenous(college=i.peduc,probit)

2025/4/14438.3处理效应的含内生变量和样本选择的扩展线性回归分析

2025/4/14448.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。主方程和辅助方程误差之间的估计相关性为0.55，与0显著不同。我们得出结论，拥有大学学位是内生的，增加大学毕业概率的不可观察因素往往也会增加工资。我们发现，考虑到一个人的年龄和工作年限，大学毕业会使预期工资增加5.24美元。这一估计与比较大学毕业生和非大学毕业生的平均工资不同。

2025/4/14458.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。

.*含外生处理变量college的线性回归

.eregresswagec.age##c.agetenure,extreat(college)2025/4/14468.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。

.estatteffects,atet2025/4/14478.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。

.*用稳健标准误差

.eregresswagec.age##c.agetenure,extreat(college)vce(robust)

2025/4/14488.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。

.*内生处理的线性回归Linearregressionwithendogenoustreatment

.eregresswagec.age##c.agetenure,entreat(college=i.peduc)vce(robust)2025/4/14498.3处理效应的含内生变量和样本选择的扩展线性回归分析

2025/4/14508.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。

.*放宽平行假设，通过在选项entreat()中，指定子期权povariance，为两种潜在结果建立不同的方差模型

.eregresswagec.age##c.agetenure,entreat(college=i.peduc,povariancepocorrelation)vce(robust)2025/4/14518.3处理效应的含内生变量和样本选择的扩展线性回归分析

2025/4/14528.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。.*估计大学学位对工资的平均影响.estatteffects,atet.labeldroptengrp

.labeldefinetengrp0"0-3yearstenure"4"3-7yearstenure"8"Over7yearstenure"

.labelvaluestenuregrptengrp

.marginscollege,over(agegrptenuregrp)subpop(ifcollege==1&peduc==1)vce(unconditional)2025/4/14538.3处理效应的含内生变量和样本选择的扩展线性回归分析

2025/4/14548.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。.marginsplot,by(college)

Variablesthatuniquelyidentifymargins:collegeagegrptenuregrp

2025/4/14558.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。.marginsr.college,over(agegrptenuregrp)subpop(ifcollege==1&peduc==1)vce(unconditional)

2025/4/14568.3处理效应的含内生变量和样本选择的扩展线性回归分析

例8.5处理效应的二元内生协变量线性回归分析。.marginsplot

Variablesthatuniquelyidentifymargins:agegrptenuregrp

8.4内生处理的扩展probit回归分析

2025/4/1457

(8.39)8.4内生处理的扩展probit回归分析

2025/4/1458

(8.40)(8.41)8.4内生处理的扩展probit回归分析

2025/4/1459

8.4内生处理的扩展probit回归分析

2025/4/1460

(8.42)(8.43)8.4内生处理的扩展probit回归分析

2025/4/1461

(8.44)(8.45)(8.46)8.4内生处理的扩展probit回归分析

2025/4/1462

(8.47)(8.48)8.4内生处理的扩展probit回归分析

2025/4/1463(8.49)

(8.50)

8.4内生处理的扩展probit回归分析我们可以利用这些条件预测对协变量的期望来获得总体平均参数。一旦模型与eprobit相匹配，margins命令用于将期望值估计为预测利润。处理组j的POM为2025/4/1464处理组j的ATE为(8.51)(8.52)对于处理组j，处理组h的平均处理效果（ATET）为(8.53)8.4内生处理的扩展probit回归分析2025/4/1465

(8.54)

(8.55)8.4内生处理的扩展probit回归分析2025/4/1466处理效果的制定与单一相关案例相同，但要使用这些更新的POM定义。我们可以利用这些条件预测对协变量的期望来获得总体平均参数。estatteffects或margins命令用于估计期望值即为预测边际，一旦模型与eprobit相匹配。

(8.56)8.4内生处理的扩展probit回归分析2025/4/1467内生处理效应的扩展probit回归的命令语法格式为:(1)具有内生处理分配的基本probit回归eprobitdepvar[indepvars],entreat(depvar_tr[=varlist_tr])[options](2)外生处理分配的基本probit回归eprobitdepvar[indepvars],extreat(tvar)[options](3)结合内生协变量、处理和选择的Probit回归eprobitdepvar[indepvars][if][in][weight][,extensionsoptions]8.4内生处理的扩展probit回归分析2025/4/1468扩展模型选项有:entreat(entrspec):内生处理分配的模型;extreat(Extrespec):外生处理;其他更多选项查看eprobit帮助文件。菜单操作:Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Probitregressioneprobit拟合probit回归模型，该模型可容纳内生协变量、非随机处理分配和内生样本选择的任意组合。允许使用连续、二元和有序的内生协变量。处理分配可以是内源性的，也可以是外源性的。probit或tobit模型可用于解释内生样本选择。

8.4内生处理的扩展probit回归分析2025/4/1469例8.6内生处理的扩展probit回归分析。我们展示了虚构州立大学的研究人员如何调查该大学录取学生的高中平均成绩(GPA)与其最终大学平均成绩(GPA)之间的关系。假设相反他们想知道大学毕业概率与高中GPA的关系。他们再次怀疑，在大学毕业概率模型中，高中GPA是内生的。

8.4内生处理的扩展probit回归分析2025/4/1470例8.6内生处理的扩展probit回归分析。.

*下载数据.

clearall.

webuseclass10

(Classof2010profile)

.*具有内生协变量hsgpa的Probit回归.eprobitgraduateincomei.roommate,endogenous(hsgpa=incomei.hscomp)vce(robust)

8.4内生处理的扩展probit回归分析2025/4/1471例8.6内生处理的扩展probit回归分析。

8.4内生处理的扩展probit回归分析2025/4/1472例8.6内生处理的扩展probit回归分析。.*我们希望通过使用默认的平均结构函数预测，将每个学生的不可观察特征保持为其当前数据所隐含的特征。

.margins,at(hsgpa=generate(hsgpa))

at(hsgpa=generate(hsgpa+1))subpop(ifhsgpa<=3)vce(unconditional)

8.4内生处理的扩展probit回归分析2025/4/1473例8.6内生处理的扩展probit回归分析。.*添加了用于添加测试统计信息的效果，以及用于清理输出的nowald。

.margins,at(hsgpa=generate(hsgpa))at(hsgpa=generate(hsgpa+1))subpop(ifhsgpa<=3)contrast(at(r)nowaldeffects)noatlegendvce(unconditional)over(incomegrp)

8.4内生处理的扩展probit回归分析2025/4/1474例8.6内生处理的扩展probit回归分析。.marginsplot

Variablesthatuniquelyidentifymargins:incomegrpMultipleat()optionsspecified:

_atoption=1:hsgpa=generate(hsgpa)

_atoption=2:hsgpa=generate(hsgpa+1)

8.4内生处理的扩展probit回归分析2025/4/1475例8.6内生处理的扩展probit回归分析。*我们修改数据以简化分析。

generatesmpl=roommate==1&(income<3|income>10)generatebytehlincome=1ifincome<3

replacehlincome=2ifincome>10

labeldefinehiloinc1"Income<$30,000"2"Income>$100,000"labelvalueshlincomehiloinc

8.4内生处理的扩展probit回归分析2025/4/1476例8.6内生处理的扩展probit回归分析。*让我们估计每个收入分组的影响

margins,subpop(smpl)over(hsgpagrphlincome)vce(unconditional)

8.4内生处理的扩展probit回归分析2025/4/1477例8.6内生处理的扩展probit回归分析。.*如果我们将结果绘制成图表，我们可以更清楚地看到这种关系。.marginsplot

8.4内生处理的扩展probit回归分析2025/4/1478例8.6内生处理的扩展probit回归分析。.*我们想知道高中GPA分组中高收入和低收入人群的预期毕业率。

.margins,subpop(smpl)over(hsgpagrphlincome)at(income=10)vce(unconditional).marginsplot结果略

8.4内生处理的扩展probit回归分析2025/4/1479例8.6内生处理的扩展probit回归分析。.*具有稳健的标准误差估计

.eprobitgraduateincomei.roommate,endogenous(hsgpa=incomei.hscomp)vce(robust)

8.4内生处理的扩展probit回归分析2025/4/1480例8.6内生处理的扩展probit回归分析。

.*如上所述，并考虑内生处理

.eprobitgraduateincomei.roommate,endogenous(hsgpa=incomei.hscomp)entreat(program=i.campusi.scholarincome)vce(robust)

8.5处理效应的扩展有序probit回归分析

2025/4/1481

8.5处理效应的扩展有序probit回归分析

2025/4/1482

则模型的对数似然为:(8.57)8.5处理效应的扩展有序probit回归分析

2025/4/1483

处理组j和结果类别h的条件POM为(8.57)(8.58)(8.59)8.5处理效应的扩展有序probit回归分析

2025/4/1484

对于处理组j，以xi和zti为条件的处理组m对h类受试者(TET)的处理效果为(8.61)处理组j和结果类别h的条件POM为(8.60)(8.62)8.5处理效应的扩展有序probit回归分析

2025/4/1485扩展有序probit回归的命令语法格式为:(2)具有内生处理分配的基本有序probit回归eoprobitdepvar[indepvars],entreat(depvar_tr[=varlist_tr])[options]

(3)外生处理分配的基本有序probit回归eoprobitdepvar[indepvars],extreat(tvar)[options](6)结合内生协变量、处理和选择的有序probit回归eoprobitdepvar[indepvars][if][in][weight][,extensionsoptions]8.5处理效应的扩展有序probit回归分析

2025/4/1486菜单操作:Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Orderedprobitregressioneoprobit符合有序probit回归模型，该模型可容纳内生协变量、非随机处理分配和内生样本选择的任意组合。允许使用连续、二元和有序的内生协变量。处理分配可以是内源性的，也可以是外源性的。probit或tobit模型可用于解释内生样本选择。8.5处理效应的扩展有序probit回归分析

2025/4/1487例8.7内生处理的含样本选择的有序probit回归分析。以womenhlth数据集为例，我们研究健康保险对女性健康状况的影响，我们用1分(差)到5分(优)来衡量健康状况。我们想估计保险的平均处理效果(ATE)对五种状态中每种状态的概率。我们怀疑我们的模型需要说明健康保险是一种内源性处理。在我们虚构的研究中，我们收集了6000名年龄在25岁至30岁之间的女性的样本数据。除了保险指标外，我们还将女性是否定期锻炼以及她完成的教育年限(年级)作为外生协变量。在我们的处理模式中，我们使用年级和指标来衡量女性目前是否在工作或上学(工作学校)，这被排除在结果模型之外。8.5处理效应的扩展有序probit回归分析

2025/4/1488.*下载数据.

clearall.

webusewomenhlth(Women'shealthstatus)

.*有序probit回归与内生处理

.eoprobithealthi.exercisegrade,entreat(insured=gradei.workschool)例8.7内生处理的含样本选择的有序probit回归分析。

8.5处理效应的扩展有序probit回归分析

2025/4/1489例8.7内生处理的含样本选择的有序probit回归分析。

8.5处理效应的扩展有序probit回归分析

2025/4/1490例8.7内生处理的含样本选择的有序probit回归分析。健康状况方程的误差与健康保险方程的误差之间的估计相关性为0.34。这与零显著不同，因此投保的处理选择是内生的。因为这是积极的，我们得出结论，增加健康保险机会的未观察因素往往也会增加处于高健康状态的机会。

.*具有稳健的标准误差.eoprobithealthi.exercisegrade,entreat(insured=gradei.workschool)vce(robust)

8.5处理效应的扩展有序probit回归分析

2025/4/1491例8.7内生处理的含样本选择的有序probit回归分析。

8.5处理效应的扩展有序probit回归分析

2025/4/1492例8.7内生处理的含样本选择的有序probit回归分析。.*如上所述，并考虑内生样本选择

.eoprobithealthi.exercisec.grade,entreat(insured=gradei.workschool)select(select=i.insuredi.regcheck)vce(robust)

2025/4/14938.5处理效应的扩展有序probit回归分析

8.5处理效应的扩展有序probit回归分析

2025/4/1494例8.7内生处理的含样本选择的有序probit回归分析。.*估计处理效应

.estatteffects2025/4/14958.6处理效应的含内生变量和样本选择的区间回归模型分析

(8.63)2025/4/14968.6处理效应的含内生变量和样本选择的区间回归模型分析

对于经审查的观测值，定义则对数似然函数为:(8.64)2025/4/14978.6处理效应的含内生变量和样本选择的区间回归模型分析

(8.66)(8.67)(8.68)(8.69)(8.65)2025/4/14988.6处理效应的含内生变量和样本选择的区间回归模型分析

如果方差和相关参数是特定于潜在结果的(8.70)2025/4/14998.6处理效应的含内生变量和样本选择的区间回归模型分析

含内生变量和样本选择的处理效应区间回归模型估计的命令语法格式为:

(2)具有内生处理分配的基本区间回归:eintregdepvar_1depvar_2[indepvars],entreat(depvar_tr[=varlist_tr])[options](3)外生处理分配的基本区间回归:eintregdepvar_1depvar_2[indepvars],extreat(tvar)[options](6)结合内生协变量、处理和选择的区间回归:eintregdepvar_1depvar_2[indepvars][if][in][weight][,extensionsoptions]2025/4/141008.6处理效应的含内生变量和样本选择的区间回归模型分析

extensions选项有:

entreat(entrspec):内生性处理分配的模型

extreat(Extrespec):外生性处理

其余更多选项查阅eintreg命令帮助文件。2025/4/141018.6处理效应的含内生变量和样本选择的区间回归模型分析

菜单操作为:

Statistics>Endogenouscovariates>Modelsaddingselectionandtreatment>Intervalregressioneintreg拟合了一个区间回归模型，该模型可容纳内生协变量、非随机处理分配和内生样本选择的任意组合。允许使用连续、二元和有序的内生协变量。处理分配可以是内生的，也可以是外生的。probit或tobit模型可用于解释内生样本选择。8.7处理效应的随机效应回归分析

2025/4/14102

(8.71)8.7处理效应的随机效应回归分析

2025/4/14103

(8.72)

(8.73)8.7处理效应的随机效应回归分析

2025/4/14104处理效应的面板随机效应回归分析的命令语法格式为:(1)具有随机效应的基本线性回归xteregressdepvar[indepvars][,options](2)结合随机效应、内生协变量、处理和选择的线性回归xteregressdepvar[indepvars][if][in][,extensionsoptions]菜单操作为:Statistics>Longitudinal/paneldata>Endogenouscovariates>Modelsaddingselectionandtreatment>Linearregression(RE)

xteregress拟合了一个随机效应线性回归模型，该模型以与eregress相同的方式容纳了内生协变量、处理和样本选择，并解释了小组或组内观察值的相关性。8.7处理效应的随机效应回归分析

2025/4/14105例8.8具有连续内生协变量的随机效应回归。

我们将使用nlswork.dta，关于1968年14-24岁的年轻女性的NLSY数据的一个子样本(人力资源研究中心1989)。假设我们想研究工资的自然对数(ln工资)与工作年限(任期)之间的关系。我们还利用个人年龄(年龄和c.age#c.age)、居住在大都市地区(而非smsa)以及个人是否为非裔美国人(2.种族)的二次效应对ln工资进行建模。我们怀疑影响个人的工作任期和影响其工资的未观察到的因素相关，所以我们将工作任期视为内生协变量。我们使用个人的工会地位(工会)和她是否居住在美国南部(南方)作为终身教职的工具协变量。我们还想解释数据中的面板内相关性，因此我们使用xteregress拟合了一个随机效应模型。在适应模型之前，必须使用xtset指定面板标识符变量，在本例中为idcode。我们的数据已经被设置为xtset，所以我们键入xtset来显示设置。

8.7处理效应的随机效应回归分析

2025/4/14106例8.8具有连续内生协变量的随机效应回归。.*下载数据.clearall

.use/data/r17/nlswork

(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968).xtset

Panelvariable:idcode(unbalanced)Timevariable:year,68to88,butwithgapsDelta:1unit2025/4/141078.7处理效应的随机效应回归分析

.*随机效应回归

.xteregressln_wageagec.age#c.agei.not_smsa2.race,endogenous(tenure=agec.age#c.agei.union2.racei.south)vce(robust)8.7处理效应的随机效应回归分析

2025/4/14108例8.8具有连续内生协变量的随机效应回归。输出的前两部分提供了lnwage和tenure(任期)方程中的估计系数。因为这是一个线性回归，我们可以用通常的方式解释系数。接下来，我们将看到观测水平误差方差的估计及其与因变量的相关性。随后是对随机效应方差的估计以及它们与因变量的相关性的估计。如果这些相关性中至少有一个与零显著不同，那么我们可以得出结论，任期是内生的。在我们的例子中，观测水平误差之间的相关性为-0.91，随机效应之间的相关性为-0.83。由于两者均为负值，且与零显著不同，我们得出结论，任期是内生的，未观察到的个人层面的因素会增加工作任期降低对数工资。此外，增加工作任期的未观察到的观察水平(时变)因素往往也会降低对数工资。

8.7处理效应的随机效应回归分析

2025/4/14109例8.8具有连续内生协变量的随机效应回归。我们可能还想问一些关于人口中特定群体的问题。下面，我们考虑不同年龄组的对数工资差异。我们将研究18到40岁之间的人。他们这样做的原因是，利润率取决于内生性水平。我们录入:.margins,over(age)subpop(if(age>=18)*(age<=40))vce(unconditional)8.7处理效应的随机效应回归分析

2025/4/141108.7处理效应的随机效应回归分析

2025/4/14111例8.8具有连续内生协变量的随机效应回归。*画边际效应图

.marginsplot

Variablesthatuniquelyidentifymargins:age8.7处理效应的随机效应回归分析

2025/4/14112例8.8具有连续内生协变量的随机效应回归。如果我们没有考虑到内生性的水平呢?

下面，我们通过添加选项预测(xb)，使用线性预测xit，使用边距计算效果。线性预测不受内生性的制约。.margins,over(age)predict(xb)subpop(if(age>=18)*(age<=40))vce(unconditional)8.7处理效应的随机效应回归分析

2025/4/141138.7处理效应的随机效应回归分析

2025/4/14114例8.8具有连续内生协变量的随机效应回归。*画边际效应图.marginsplot8.8处理效应的随机效应probit回归分析

2025/4/14115

(8.74)8.8处理效应的随机效应probit回归分析

2025/4/14116(8.75)

使用正交近似后，对数似然(8.75)近似为(8.76)

(8.77)8.8处理效应的随机效应probit回归分析

2025/4/14117处理效应的随机效应回归分析的命令语法格式为:(1)随机效应的基本probit回归xteprobitdepvar[indepvars][,options](2)结合随机效应、内生协变量、处理和选择的概率回归xteprobitdepvar[indepvars][if][in][,extensionsoptions]

8.8处理效应的随机效应probit回归分析

2025/4/14118菜单操作:Statistics>Longitudinal/paneldata>Endogenouscovariates>Modelsaddingselectionandtreatment>Probitregression(RE)xteprobit拟合随机效应probit回归模型，该模型以与eprobit相同的方式容纳内生协变量、处理和样本选择，并解释小组或组内观察值的相关性。

8.8处理效应的随机效应probit回归分析

2025/4/14119例8.10内生处理的含样本选择的随机效应probit回归分析接着以例8.7中数据集为例说明实现。.*下载数据

.clearall

.webusewomenhlthre

(Women'shealthstatuspanel)

.xtsetpersonidyear

Panelvariable:personid(stronglybalanced)Timevariable:year,2010to2013Delta:1unit.generategoodhlth=health>3

8.8处理效应的随机效应probit回归分析2025/4/14120例8.10内生处理的含样本选择的随机效应probit回归分析

.*随机效应probit回归

.xteprobitgoodhlthexercisegrade8.8处理效应的随机效应probit回归分析

2025/4/14121例8.10内生处理的含样本选择的随机效应probit回归分析

.*含内生处理的随机效应probit回归.xteprobitgoodhlthexercisegrade,entreat(insured=gradei.workschool)8.8处理效应的随机效应probit回归分析2025/4/14122例8.10内生处理的含样本选择的随机效应probit回归分析

.

*估计ATE.

estatteffects

8.8处理效应的随机效应probit回归分析2025/4/14123例8.10内生处理的含样本选择的随机效应probit回归分析

.

*内生样本选择的随机效应概率.

xteprobitgoodhlthexercisegrade,select(select=gradei.regcheck)

8.9处理效应的面板随机效应有序probit回归分析2025/4/14124

(8.78)8.9处理效应的面板随机效应有序probit回归分析2025/4/14125

(8.79)(8.80)8.9处理效应的面板随机效应有序probit回归分析2025/4/14126处理效应的扩展面板有序probit回归(1)具有随机效应的基本有序probit回归xteoprobitdepvar[indepvars][,options](2)结合随机效应、内生协变量、处理和选择的有序probit回归xteoprobitdepvar[indepvars][if][in][,extensionsoptions]菜单操作:Statistics>Longitudinal/paneldata>Endogenouscovariates>Modelsaddingselectionandtreatment>Orderedprobitregression(RE)xteoprobit拟合随机效应有序概率回归模型，该模型以与eoprobit相同的方式容纳内生协变量、处理和样本选择，并解释小组或组内观察值的相关性。8.9处理效应的面板随机效应有序probit回归分析2025/4/14127例8.11具有内生处理的随机效应有序probit回归。接着以例8.7中数据集为例说明实现。

.*下载数据

.clearall

.webusewomenhlthre(Women'shealthstatuspanel)

.xtsetpersonidyear

Panelvariable:personid(stronglybalanced)Timevariable:year,2010to2013Delta:1unit.*随机效应有序probit回归

.x