解释变量

解释变量内生性检验首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。reg ldi lofdiestimates store olsxtivreg ldi (lofdi=l.lofdi ldep lexr)estimates store ivhausman iv ols（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp二、异方差与自相关检验在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，面板异方差检验：xtgls enc invs exp imp esc mrl,igls panel(het)estimates store heteroxtgls enc invs exp imp esc mrl,iglsestimates store homolocal df = e(N_g) - 1lrtest hetero homo, df(`df")面板自相关：xtserial enc invs exp imp esc mrl则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid三、工具变量效果验证工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。需要做的检验：检验工具变量的有效性：（1） 检验工具变量与解释变量的相关性如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）（2） 检验工具变量的外生性（接受原假设好）在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0HSargan统计量，Stata命令：estat overid四、GMM过程在Stata输入以下命令，就可以进行对面板数据的GMM估计。. ssc install ivreg2 （安装程序ivreg2 ）. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）. use "traffic.dta"（打开面板数据）. xtset panelvar timevar （设置面板变量及时间变量）. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

这要看你的数据是选取的是1998-2010年单一某地碳排放量（Y）和GDP（X）的数据，还是多个地方的数据了。前者是时间序列数据后者是面板数据（时间序列数据是指同一解释变量在不同时点上同一地点的观测值，简单来讲就是仅仅是某地的Y和X的数据；而面板数据指的是同一解释变量在不同时点上多个地点的观测值，比如Y和X选的是多个省的数据）。应该能看懂吧。对于第二个问题：协整性检验和平稳性检验选取的变量是一样的。协整分析需要首先检验各个序列的平稳性，即进行单位根检验。对多变量来说一般可以用ADF检验和PP检验。其次，再进行各个变量之间的协整检验。协整检验的方法有EG两步法和JJ检验法。EG两步法一般是针对两个变量之间的协整关系进行检验，对于3个或以上的变量一般采用JJ检验法。再次，利用向量误差修正模型(VECM)建立各个变量之间的短期均衡关系，将长期均衡关系作为误差纠正项纳人方程中，以反应短期波动偏离长期均衡的程度。接着，可以利用Wald检验对误差修正模型各方程系数的显著性进行联合检验，从而判别各变量因果关系的方向。

在传统计量当中，控制变量和解释变量的地位通常不做特别区分。然而在因果研究的框架下，对二者的要求有显著的不同。 在研究当中，解释变量是我们所关注的“因”。对于这个因，必需确保其因果链足够单纯（因与果不是第三方的共同结果，同时，因果两项不是某控制变量的共同原因）。控制变量不能是因果链中的中介，因为控制了中介，因就无法有效地影响果，也不能是因果的共同结果，在共同结果的影响下，我们无法判断因果间的关系链条还是否是二者间的纯粹联系。 在OLS模型假定中要求无内生性，即要求所有解释变量均与扰动项不相关。这个假定太强，因为解释变量一般很多，要保证都是外生，比较困难。当解释变量可以区分为核心变量与控制变量两类时，可以弱化该条件。 通常，回归方程中有一个 “核心变量” 或 “感兴趣的变量”，我们特别希望得到对其系数的一致估计，并将其解释为核心变量对于被解释变量的因果效应。对于方程中的其他变量，我们可能对于这些变量本身并无太大兴趣，之所以把它们也放入回归方程，主要是为了 “控制住” 那些对被解释变量有影响的遗漏因素，以避免遗漏变量偏差，故称这些次要变量为 “控制变量” 。 对于控制变量本身并不感兴趣，或许就可以容忍对于控制变量系数的不一致估计，而只要核心变量的系数估计一致即可。此时，就可以不要求控制变量外生（即允许控制变量与扰动项相关），而只要在给定控制变量的条件下，核心变量与扰动项不相关即可。换言之，只要求核心变量与扰动项在某种意义上 “条件不相关” 即可。 此“条件不相关”一般以“条件均值独立”的形式给出，在相互独立和不相关中间，有个均值独立。 关于条件均值独立 “条件均值独立” 即 “均值独立” 的基础上加了一个条件。 条件均值的效果： 对于非线性的条件期望 参考资料： 1. 新派学者主张的初等计量经济学教学 | 五个重要知识点 2. 再论OLS：核心变量与控制变量的区别

变量就是数据会变得量控制变量就是数据控制一起不让它发生改变

解释变量是,原因；被解释变量是,结果；控制变量是,参数（即外部因素） 例如：y=a*x+b.其中x为解释变量,y为被解释变量,ab就是控制变量!

解释变量与控制变量都是自变量，为了突出研究的问题进行了区分。解释变量是指着重研究的自变量，是研究者重点考查对因变量有何影响的变量。而控制变量是指与特定研究目标无关的非研究变量，即除了研究者重点研究的解释变量和需要测定的因变量之外的变量，是研究者不想研究，但会影响研究结果的，需要加以考虑的变量。

解释变量与控制变量都是自变量,为了突出研究的问题进行了区分. 解释变量是指着重研究的自变量,是研究者重点考查对因变量有何影响的变量. 而控制变量是指与特定研究目标无关的非研究变量,即除了研究者重点研究的解释变量和需要测定的因变量之外的变量,是研究者不想研究,但会影响研究结果的,需要加以考虑的变量.

1、解释变量是我们所关注的“因”。对于这个因，必需确保其因果链足够单纯（因与果不是第三方的共同结果，同时，因果两项不是某控制变量的共同原因）。控制变量不能是因果链中的中介，因为控制了中介，因就无法有效地影响果，也不能是因果的共同结果，在共同结果的影响下，我们无法判断因果间的关系链条还是否是二者间的纯粹联系。2、控制变量本身并不感兴趣，或许就可以容忍对于控制变量系数的不一致估计，而只要核心变量的系数估计一致即可。此时，就可以不要求控制变量外生（即允许控制变量与扰动项相关），而只要在给定控制变量的条件下，核心变量与扰动项不相关即可。换言之，只要求核心变量与扰动项在某种意义上“条件不相关”即可。

解释变量是,原因；被解释变量是,结果；控制变量是,参数（即外部因素） 例如：y=a*x+b.其中x为解释变量,y为被解释变量,ab就是控制变量!

从数理关系上看，控制变量和解释变量是一回事，只是说法不同。通常所说的被解释变量也有不同的称呼，比如：应变量、预测子、回归子、响应变量、内生变量；同样，相对应的解释变量对应的称呼有：自变量、 预测元、回归元、 控制变量、外生变量。 解释变量与控制变量都是作为自变量放在方程的右边，二者为了突出研究的问题进行了区分。解释变量是指着重研究的自变量，是研究者重点考查对因变量有何影响的变量。而控制变量是指与特定研究目标无关的非研究变量，即除了研究者重点研究的解释变量和需要测定的因变量之外的变量，是研究者不想研究，但会影响研究结果的，需要加以考虑的变量。 在研究事故大股东持股与市场累积超额收益率关系的例子中，大股东持股等相关变量为解释变量；公司规模，行业类别等虽不在研究重点，但他们也是影响因变量的重要因素，必须进入回归方程，是为控制变量。在运用计量软件做回归的过程中，它们都作为自变量进行回归，也就是说：控制变量与解释变量的操作一样，而且控制变量应该和解释变量一起进入方程，否则会有遗漏误差。但在对回归结果的进行解释时，我们关心的是解释变量的参数大小和方向，而不是控制变量的参数。 在数学上解释变量与控制变量可以是一回事，但是如果控制变量是调节变量，回归方程在理论上的解释就不一样了，解释变量是解释与被解释变量的因果关系，调节变量则是确定因果关系的边界条件。 对于调节变量而言，其目的是强调它的出现对一个或几个解释变量在某一问题中影响，因而，需要将调节变量与所要调节的解释变量相乘，将其乘积作为一个回归变量。例如，路况与交通事故的关系研究。假设路况好坏影响交通事故的发生。而下雨天促使交通事故发生的可能大大增大。那么下雨天就成为了调节变量。回归方程就写为：y=a+路况Z1＋路况×下雨天Z2＋u。 ——从人大经济论坛上总结链接地址： https://blog.sciencenet.cn/blog-334577-426759.html

解释变量与控制变量都是自变量,为了突出研究的问题进行了区分. 解释变量是指着重研究的自变量,是研究者重点考查对因变量有何影响的变量. 而控制变量是指与特定研究目标无关的非研究变量,即除了研究者重点研究的解释变量和需要测定的因变量之外的变量,是研究者不想研究,但会影响研究结果的,需要加以考虑的变量.

需要。工具变量（英语：instrumental variable，简称“IV”）也称为“仪器变量”或“辅助变量”，是经济学，计量经济学，流行病学和相关学科中无法实现可控实验的时，用于估计模型因果关系的方法。在回归模型中，当解释变量与误差项存在相关性（内生性问题），使用工具变量法能够得到一致的估计量。内生性问题一般产生于被忽略变量问题或者测量误差问题。当内生性问题出现时，常见的线性回归模型会出现不一致的估计量。此时，如果存在工具变量，那么人们仍然可以得到一致的估计量。