当GMM遇见异方差：一份关于效率与稳健性的技术权衡指南

当GMM遇见异方差：一份关于效率与稳健性的技术权衡指南

引言：内生性问题的计量经济学困局

在实证研究领域，我们常常面临一个核心挑战：当解释变量与误差项相关时，传统最小二乘估计(OLS)会失去一致性。这种被称为"内生性"的问题，如同隐藏在数据背后的幽灵，悄无声息地扭曲着我们的研究结论。想象一下，你正在研究教育对收入的影响，却发现那些"能力"更高的人往往选择接受更多教育——这种无法观测的"能力"因素同时影响着教育选择和收入水平，使得我们难以分离出纯粹的教育回报效应。

内生性问题的来源多种多样：可能是遗漏变量（如上述的能力因素）、测量误差、样本选择偏差，或是双向因果关系。面对这些挑战，计量经济学家发展出了两大有力武器：两阶段最小二乘法(TSLS)和广义矩估计(GMM)。这两种方法都依赖于工具变量(IV)的技术，但它们在处理数据特性——特别是异方差性时，展现出截然不同的性能表现。

1. 工具变量法的核心逻辑与实现路径

1.1 工具变量的双重要求

有效的工具变量必须满足两个黄金准则：

1. 相关性：工具变量Z与内生解释变量X存在统计上显著的相关性
2. 外生性：工具变量Z与误差项u不相关，即E(Zu)=0

在实际操作中，我们常用以下统计检验来验证这些条件：

* 第一阶段回归检验工具变量相关性
reg educ motheduc fatheduc exper expersq
test motheduc fatheduc  // F检验应大于10避免弱工具变量问题

* 过度识别检验验证外生性(需要工具变量数>内生变量数)
ivregress 2sls lwage exper expersq (educ = motheduc fatheduc), vce(robust)
estat overid  // Hansen J检验p值应大于0.05

1.2 TSLS与GMM的算法差异

两阶段最小二乘法(TSLS)采用分步策略：

1. 内生变量对工具变量回归，得到预测值X̂
2. 用X̂替代原模型中的X进行OLS回归

而GMM则通过最小化样本矩条件与理论矩条件的加权距离来估计参数：

GMM目标函数： Q(β) = [1/n ΣZ'(Y-Xβ)]'W[1/n ΣZ'(Y-Xβ)] 其中W是最优权重矩阵，在异方差情况下为S⁻¹=(Z'ΩZ)⁻¹

下表对比了两种方法的关键特性：