MerQuR+Başvuru Kitabı

140. Zayıf araca sağlam araç değişkeni çıkarımı

Şablon kimliği: zayif_arac_saglam · Kategori: nedensel çıkarım · Dil: R · Dosya: pro/sablonlar/nedensel/zayif_arac_saglam.R (satır 1–211; üstbilgi 1–77) · Örnek veri: _ornek/card.csv · Paketler: ivmodel 1.9.1 (R 4.5.3) · Python eşi: Bölüm 141 · Yan dosya: yok

140.1 Ne işe yarar

Şablon, tek içsel değişkenli bir yapısal denklemde etkiyi araç değişkenlerle (instrument) kestirir ve araçlar zayıf olsa da geçerli kalan çıkarım verir:

Y=\beta D+X'\alpha+\varepsilon,\qquad D=Z'\pi+X'\gamma+v
  • Y: sonuç; D: içsel değişken (tedavi, maruziyet; \varepsilon ile ilişkili olabilir); Z: L araç; X: dışsal ortak değişkenler ve sabit terim (p sütun; şablonda p sabiti saymaz).
  • Aracın geçerliliği iki koşula dayanır: ilgililik (\pi\ne0, araç D'yi açıklar) ve dışsallık (Z, \varepsilon ile ilişkisiz ve Y'ye yalnız D üzerinden etkir). İkincisi veriden sınanamaz; tek bir araçta hiç sınanamaz.

Zayıf araçta (\pi sıfıra yakın) iki aşamalı en küçük kareler (TSLS) EKK'ye doğru yanlı olur ve Wald aralıkları nominal güven düzeyini tutturamaz (Bound ve ark., 1995; Staiger ve Stock, 1997). Şablon bunun karşısında üç şey verir: (1) ilk aşama kısmi F istatistiği; (2) k-sınıfı kestiriciler (EKK k=0, TSLS k=1, LIML, Fuller) ve Wald aralıkları; (3) araç gücünden bağımsız olarak doğru kapsama sağlayan Anderson-Rubin (AR) ve koşullu olabilirlik oranı (CLR) testleri ile güven kümeleri (Anderson ve Rubin, 1949; Moreira, 2003). Güven kümesi sınırsız ya da iki parçalı olabilir; bu bir kusur değil, aracın bilgisizliğinin dürüst bir ifadesidir. Birden çok araçta Sargan aşırı tanımlama testi de verilir.

Ne zaman kullanılır?

  • Bir içsel değişken, en az bir araç ve gerekirse dışsal ortak değişkenler var; araç gücü şüpheli (F sınır değerin altında ya da çevresinde).
  • Raporda TSLS'e ek olarak araç gücünden bağımsız bir güven kümesi isteniyor.
  • Sağlam standart hata (heteroskedastisiteye dayanıklı ya da kümeye göre) isteniyor (k-sınıfı SH için; 140.8'deki sınıra bakın).

Ne zaman kullanılmaz?

  • Tedavi gözlenen karıştırıcılarla dengelenebiliyorsa (araç gerekmez): Bölüm 125 cift_saglam_aipw, Bölüm 127 dengeleme_agirliklari, Bölüm 139 tmle.
  • Süreksizlik tasarımı: Bölüm 137 regresyon_sureksizligi; panel ve fark-içinde-fark: Bölüm 133 kademeli_did.
  • Birden çok içsel değişken ya da zamana göre değişen içsel değişken: şablon tek içsel değişkenlidir.
  • Gözlenmeyen karıştırıcıya duyarlılık (araç yok): Bölüm 131 ihmal_duyarlilik.

Temel programla ilişki. Temel programdaki iki aşamalı en küçük kareler paneli TSLS ve ilk aşama tanılarını verir; zayıf araca sağlam AR/CLR kümeleri, LIML ve Fuller yalnız bu şablondadır.

140.2 Şablonun girdileri

Form, üstbilgideki 10 [[param]] bloğundan kurulur (zayif_arac_saglam.R:10–76). Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Sonuç Y · y sayısal sütun · Değişkenler ilk sayısal sütun sayısal, sabit değil Y (10–14, 111, 118).
İçsel değişken D · d sayısal sütun · Değişkenler ilk sayısal sütun sayısal, sabit değil D (15–19, 111, 118).
Araç değişken(ler) Z · z sütunlar · Değişkenler yok en az 1 sütun Z (20–25, 83–86, 112).
Dışsal ortak değişkenler X · x sütunlar · Değişkenler yok (isteğe bağlı) herhangi sütunlar X (26–31, 87, 113).
Anlamlılık düzeyi \alpha · alfa ondalık · Seçenekler 0,05 0,001–0,5 GA ve testler (32–39, 119).
Fuller düzeltme sabiti b · fuller_b ondalık · Model 1 0–10 Fuller k (40–47, 129–130).
k-sınıfı standart hataları · sh_turu seçim · Seçenekler homo homo, hetero, kume SH türü (48–54, 90–93, 123).
Küme sütunu · kume kategorik sütun · Değişkenler yok sh_turu = kume ise zorunlu clusterID (55–60, 90–93, 126).
Sıfır hipotezi değeri \beta_0 · beta0 ondalık · Seçenekler 0 \pm10^9 t, AR, CLR testleri (61–69, 120, 127).
LIML ve Fuller için çok sayıda zayıf araç SH'si · cok_zayif_sh onay · Gelişmiş işaretsiz işaretli / değil manyweakSE (70–76, 124).

Şablonun kendi denetimleri (mq_hata):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 81
Sonuç ve içsel değişken aynı sütun "Sonuç ve içsel değişken farklı olmalı." 82
Sonuç ve içselden farklı araç yok "… en az bir araç seçin." 83–86
sh_turu = kume ve küme sütunu yok "Küme dayanıklı SH için bir küme sütunu seçin." 90–93
Tam satır sayısı <10 "En az 10 tam satır gerekli." 97
Kategorik sütun tek düzeyli "'…' sabit (tek düzeyli); çıkarın." 103
Sayısal sütun sabit "'…' sabit; çıkarın." 108
Sonuç ya da içsel değişken sayısal değil ya da sabit "'…' sayısal ve değişken olmalı." 111
Araçlar ve ortak değişkenler eş doğrusal "Araçlar ve ortak değişkenler doğrusal bağımlı …" 116
n-L-p-1<3 "Gözlem sayısı araç ve ortak değişken sayısına göre çok az." 117
ivmodel hata verdi "Model kurulamadı: …" 132

Eksik değerli satırlar sessizce atılır (complete.cases, 95); çıktıdaki n atıldıktan sonraki sayıdır. Sonuç ya da içsel değişken z listesindeyse, sonuç, içsel değişken ya da araç x listesindeyse bu sütunlar listeden çıkarılır (83–85, 87–89) ve çıkarılan sütunlar "Not: … çıkarıldı" satırıyla yazılır (135–139). Ortak değişken seçilmezse şablon yine çalışır: sabit terim tek sütunlu X1 olarak kurulur (143). Kategorik ya da metin araç ve ortak değişkenler ilk düzey dışındaki göstergelere çevrilir (102–110). Hesap belirlenimcidir; Bölüm 1.3'teki Tohum alanı sonucu etkilemez.

Örnek ayar (ornek_param, satır 9): y = lwage, d = educ, z = nearc4, x = exper, expersq, black, south, smsa; öteki alanlar varsayılandır.

140.3 Örnek veri

card.csv: Card'ın (1995) 1976 Ulusal Boylamsal Gençlik Araştırması örneği (Kang ve ark., 2021'deki örnek): 3010 gözlem, 11 sütun, eksik değer yok. Soru, bir yıllık ek eğitimin ücrete getirisidir; eğitim (D) yeteneğe ve aile arka planına bağlı olduğundan içseldir, araç dört yıllık bir kolejin yakınında büyümektir.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
lwage sonuç Y sayısal log saatlik ücret; ort. 6{,}262, SS 0{,}444
educ içsel D sayısal eğitim yılı; ort. 13{,}26, SS 2{,}68 (1–18)
nearc4 araç Z ikili kolej yakınında (0{,}682)
exper, expersq ortak değişken sayısal deneyim ve karesi
black, south, smsa ortak değişken ikili ırk, Güney, şehir bölgesi
nearc2 ikinci araç (isteğe bağlı) ikili iki yıllık kolej yakınında (0{,}441)
id, age kullanılmaz sayısal age 24–34

Düzey sırası: Kategorik sütun yoktur; ikili sütunlar 0/1 sayısal okunur. Metin araç ya da ortak değişken olduğunda düzey sırası sonuçları değiştirmez: araç ve ortak değişkenler kesişimli tam gösterge kodludur, TSLS, LIML ve AR başvuru düzeyinden bağımsızdır (z olarak 3 düzeyli bolge: aynı sonuç ve düzey sırası fark etmez; zs_bolge_arac).

Bu bölümde kullanılan çalıştırmalar (R; zs_…): ornek (örnek ayar), iki_arac (nearc4, nearc2), fuller4, beta0_01, alfa10, hetero, kume (küme: age), cok_zayif (iki araç + çok zayıf araç SH'si), iki_arac_hetero, zayif, orta, gurultu (türetilmiş araçlar z_zayif, z_orta, z_gurultu: sırasıyla F\approx4{,}6, 11{,}0, 0{,}8), x_yok, iki_zayif, bolge_arac, olcek, ters, eksik, virgul, sabit, esdogrusal, n12, n9, y_d_ayni, z_y_icinde, x_z_ortak, x_metin, z_ayni_d, exper_kat, educ_kat, bolge_x. Türetilmiş veriler dogrulama/zayif_arac_saglam/veri_uret.py ile üretilmiştir.

140.4 Yöntem: formüller ve hesap adımları

Hesap sırası: veri ve tasarım matrisleri Z, X kurulur (81–117); ivmodel::ivmodel çağrılır (122–133): içinde AR, k-sınıfı, LIML, Fuller ve CLR kestirilir; ilk aşama kısmi F ayrıca şablonda hesaplanır (142–154); tablolar yazılır (156–199); AR istatistiği \beta ızgarasında çizilir (201–210).

140.4.1 Kısmi çıkarma ve ilk aşama

Frisch–Waugh gereği X etkisi çıkarılır: \tilde y=M_XY, \tilde d=M_XD, \tilde Z=M_XZ (M_X=I-X(X'X)^{-1}X'). İlk aşama kısmi F, araçların D'yi X'e ek olarak açıklama gücüdür:

F_1=\frac{(\mathrm{RSS}_X-\mathrm{RSS}_{X,Z})/L}{\mathrm{RSS}_{X,Z}/(n-L-p-1)},\qquad R^2_{\rm kısmi}=\frac{\mathrm{RSS}_X-\mathrm{RSS}_{X,Z}}{\mathrm{RSS}_X}
  • \mathrm{RSS}_X: D'nin yalnız X (ve sabit) üzerine regresyonunun artık kareler toplamı; \mathrm{RSS}_{X,Z}: X ve Z üzerine.
  • p: sabit dışındaki dışsal ortak değişken sayısı; -1 sabit terimi sayar. Serbestlik dereceleri L ve n-L-p-1 (sd1, sd2; 135–140).

Şablon F_1<10 iken uyarı yazar (153–154). Eşik 10, tek içsel değişken ve tek araçta "zayıf araç" için eski bir pratik kuraldır (Staiger ve Stock, 1997; Stock ve Yogo, 2005); heteroskedastik ya da kümeli veride etkin F ile değerlendirmek gerekir (Andrews ve ark., 2019). Şablon F_1'i her zaman klasik (homoskedastik) hesaplar, sh_turu'ndan bağımsızdır (bulgular B7).

140.4.2 k-sınıfı kestiriciler

W=(D,X) olmak üzere k-sınıfı kestirici

\hat\theta(k)=\big[W'W-k\,W'M_{Z,X}W\big]^{-1}\big[W'Y-k\,W'M_{Z,X}Y\big]
  • M_{Z,X}: (Z,X) üzerine dik izdüşüm tamamlayıcısı (=I-P_{Z,X}).
  • \hat\beta=\hat\theta(k)_1. k=0: EKK; k=1: TSLS; k=k_{\rm LIML}: LIML; k=k_{\rm LIML}-b/(n-L-p-1): Fuller (varsayılan b=1; 125–126).

LIML'in k'si, (Y,D) matrisinin iki izdüşümünün oranının en küçük özdeğeridir: k_{\rm LIML}=\lambda_{\min}\big\{[(Y,D)'M_X(Y,D)]\,[(Y,D)'M_{Z,X}(Y,D)]^{-1}\big\}; aynı sayı \kappa(\beta)=\mathrm{RSS}_X(Y-\beta D)/\mathrm{RSS}_{Z,X}(Y-\beta D)'nın \beta'ya göre en küçük değeridir. Bu bir AR istatistiğinin en küçüklemesidir: LIML, AR'nin en az reddettiği \beta'dır. Tek araçta (L=1) LIML = TSLS'tir (k_{\rm LIML}=1). Fuller, LIML'i b ile kaydırır: sonlu momentleri vardır ve ortalama yanlılığı küçüktür (Fuller, 1977). Klasik (homoskedastik) varyans

\widehat{\mathrm{Var}}(\hat\beta_k)=\hat\sigma^2\Big[\big(W'W-kW'M_{Z,X}W\big)^{-1}\Big]_{11},\quad \hat\sigma^2=\frac{e'e}{n-\mathrm{ncol}(W)},\quad e=Y-W\hat\theta(k)

ve Wald aralığı \hat\beta\pm t_{1-\alpha/2,\,n-\mathrm{ncol}(W)}\,\mathrm{SH}'dir; t istatistiği (\hat\beta-\beta_0)/\mathrm{SH}, p değeri t dağılımındandır. Not: t dağılımının serbestlik derecesi n-p-2 (sabit ve D dahil sütun sayısı), AR için kullanılan n-L-p-1'den farklıdır; L=1'de sayılar eşittir.

sh_turu = hetero seçilirse sandviç \widehat{\mathrm{Var}}=A^{-1}\big(\sum_ie_i^2\,a_ia_i'\big)A^{-1} kullanılır (a_i=W_i-k(M_{Z,X}W)_i, A=W'W-kW'M_{Z,X}W; HC0, düzeltme çarpanı yok); kume seçilirse \sum_g s_gs_g' (s_g=\sum_{i\in g}e_ia_i; küme düzeltmesi yok). cok_zayif_sh işaretliyse LIML ve Fuller için Bekker (1994) çok zayıf araç varyansı, EKK için sandviç kullanılır (ivmodel::KClass).

Dayanıklı SH yalnız k-sınıfı tablosunu etkiler

sh_turu, yalnız EKK, TSLS, LIML ve Fuller satırlarının SH, t, p ve Wald aralığını değiştirir. AR ve CLR testleri, güven kümeleri ve Sargan testi her zaman homoskedastik varsayımlıdır (aynı AR F 6{,}881108, ornek ve hetero; 140.8). Heteroskedastik ya da kümeli veride "zayıf araca sağlam" etiketli kümeler de yalnız zayıf araca sağlamdır, heteroskedastisiteye değil. Şablon bunu iki yerde belirtir: sh_turu homo değilse konsola "Not: standart hata türü seçimi yalnız k-sınıfı tablosunu … değiştirir" yazar (140–142), ve AR/CLR tablosunun başlığı "klasik hata varsayımı" ifadesini taşır (184).

140.4.3 Anderson-Rubin testi ve güven kümesi

H_0:\beta=\beta_0 altında e_0=Y-\beta_0D, X ile açıklanabilen kısım dışında Z ile ilişkisizdir: Z'nin e_0'ı X'e ek olarak açıklamadığını sınayan klasik F testi

\mathrm{AR}(\beta_0)=\frac{\|P_{\tilde Z}(\tilde y-\beta_0\tilde d)\|^2/L}{\|M_{\tilde Z}(\tilde y-\beta_0\tilde d)\|^2/(n-L-p-1)}\ \sim\ F_{L,\ n-L-p-1}

dağılımına sahiptir (sapmasız normal hata altında kesin). Araç gücünden bağımsızdır, çünkü \beta_0 doğruysa D'nin Z ile ilişkisi dağılımı etkilemez. Güven kümesi \{\beta:\mathrm{AR}(\beta)\le F_{1-\alpha;L,n-L-p-1}\} testin tersine çevrilmesidir. c_v=F_{1-\alpha}\,L/(n-L-p-1) ile bu küme \{\beta:\ c_v\|\tilde y-\beta\tilde d\|^2-(1+c_v)\|P(\tilde y-\beta\tilde d)\|^2\ge0\} olur; \beta'da ikinci derece:

a_2\beta^2+a_1\beta+a_0\ge0,\quad a_2=c_v\|\tilde d\|^2-(1+c_v)\|P\tilde d\|^2,\quad a_1=-2c_v\,\tilde d'\tilde y+2(1+c_v)\,\tilde d'P\tilde y,\quad a_0=c_v\|\tilde y\|^2-(1+c_v)\|P\tilde y\|^2

(P=P_{\tilde Z}.) a_2<0 ve tabanlı ayırıcı >0 ise küme sınırlı bir aralıktır (güçlü araç); a_2>0 ise küme bir yarım doğrunun tersi, yani iki parçalı ve sınırsız ((-\infty,r_1]\cup[r_2,\infty)) olur; ayırıcı \le0 ve a_2>0 ise bütün gerçel doğru; a_2<0 ve ayırıcı \le0 ise boş küme (aşırı tanımlı modelde araçlar birbiriyle çelişir; R şablonu bu durumda "[NA; NA]" yazar, bulgular B8). Şablon bunları aynen yazar (ivmodel::AR.test; kümeyi 169–171'de metin olarak verir, tablodaki alt ve üst değerler zarftır: parçaların en küçük alt ve en büyük üst sınırı).

140.4.4 Koşullu olabilirlik oranı (CLR)

S ve T istatistikleri: \hat\Sigma=\tilde V'M_{\tilde Z}\tilde V/(n-L-p-1), \tilde V=(\tilde y,\tilde d), a_0=(\beta_0{,}1)', b_0=(1,-\beta_0)' ile Q_S=\|P\tilde Vb_0\|^2/(b_0'\hat\Sigma b_0), Q_T=\|P\tilde V\hat\Sigma^{-1}a_0\|^2/(a_0'\hat\Sigma^{-1}a_0), Q_{ST} çarpımsal terimdir. Moreira'nın (2003) olabilirlik oranı

\mathrm{LR}=\tfrac12\Big[Q_S-Q_T+\sqrt{(Q_S+Q_T)^2-4\,(Q_SQ_T-Q_{ST}^2)}\Big]

ve p değeri, Q_T'ye koşullu olarak P(\mathrm{LR}>\mathrm{lr}\mid Q_T)'dir. Q_S=Q_1+Q_2, Q_1=Q_{ST}^2/Q_T\sim\chi^2_1, Q_2\sim\chi^2_{L-1} olduğundan bu olasılık tek boyutlu bir integraldir: p=\int_0^{\rm lr}\bar F_{\chi^2_{L-1}}\!\big((\mathrm{lr}+Q_T)(1-q/\mathrm{lr})\big)f_{\chi^2_1}(q)\,dq+\bar F_{\chi^2_1}(\mathrm{lr}) (\bar F: artık dağılım; L\ge2). Tek araçta (L=1) CLR, AR ile aynıdır: şablon bu durumda p=1-F_{1,\,n-L-p-1}(\mathrm{lr}) yazar ve istatistik AR'ın F'sine eşittir. CLR güven kümesi p(\beta)\ge\alpha olan \beta'dır (ivmodel::CLR: p(\beta)=\alpha'yı sağlayan kritik değer uniroot ile bulunur ve küme ikinci derece ile çözülür). CLR'nin çok araçlı modelde gücü genellikle AR'ınkinden yüksektir (Moreira, 2003; Andrews ve ark., 2019); ama iki küme birbirinin içinde olmak zorunda değildir (aşağıdaki örnekte CLR [0{,}0789;\ 0{,}3368], AR [0{,}0863;\ 0{,}3166]).

140.4.5 Sargan aşırı tanımlama testi

L>1 ise LIML artıkları e=Y-D\hat\beta_{\rm LIML}, X'ten arındırılır ve \tilde Z üzerine regres edilir:

S=n\Big(1-\frac{\mathrm{RSS}(e\sim\tilde Z)}{e'e}\Big)\ \overset{a}{\sim}\ \chi^2_{L-1}

(191–198). Sınanan, "bütün araçlar aynı \beta'yı verir mi" önermesidir; reddedilirse araçlardan en az biri geçerli değildir. Kabul, araçların geçerli olduğunu kanıtlamaz (özellikle hepsi aynı yönde sapmışsa). Test homoskedastik artık varsayar.

140.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–77 Üstbilgi: 10 parametre, örnek veri, ayar. Yan dosya alanı yoktur.
78–79 .m dil yardımcısı; ivmodel yüklenir. Paket yoksa şablon başlamaz.
81–97 Veri, sonuç \ne içsel, araç, ortak değişken, küme sütunu, n\ge10. Eksik satırlar atılır (95).
98–114 sayisal_mi: kategorik/metin → ilk düzey dışı göstergeler; sabit sütun hatası. Düzey sırası etkisizdir. L ve p sayılır.
115–117 Eş doğrusallık (qr) ve n-L-p-1\ge3. Sabit terim 1 olarak eklenir.
118–133 ivmodel(Y, D, Z, X, alpha, heteroSE, manyweakSE, clusterID, beta0); Fuller için b\ne1 ise yeniden hesap. Uyarılar toplanır (133, 199).
142–154 İlk aşama tablosu ve F_1<10 uyarısı. F_1 şablonda ayrıca hesaplanır; sd2 =n-L-p-1.
156–167 k-sınıfı tablosu (EKK, TSLS, LIML, Fuller). Başlıktaki "%95" alfa'ya göre yazılır; p değerleri üst kuyruktan hesaplanır, 10^{-16} altında da sıfıra yuvarlanmaz (164).
169–190 AR ve CLR tablosu; küme metni (parça parça, "∪"). Kümenin zarfı tabloda; sınırsız uç "∞", boş küme "boş küme" ve parca_sayisi = 0.
191–198 Sargan testi (L>1). LIML artıkları; homoskedastik.
199 ivmodel uyarıları.
201–210 AR F(\beta) profili ve kritik değer çizgisi. \beta ızgarası TSLS \pm en çok \{4\,\mathrm{SH},\ \text{AR genişliği}\} (202–203). Şekil 140.1.

Süre: örnek ayarda çalıştırma 6{,}3 s.

140.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/zayif_arac_saglam/elle_hesap.py (yalnız numpy/scipy) ve r_dogrulama.R (taban R; TSLS için ayrıca AER::ivreg ve sandwich) ile hesaplanmıştır; ivmodel ve şablonun hiçbir işlevi kullanılmaz. LIML'in k'si özdeğerden değil \kappa(\beta)'nın en küçüklemesinden, AR kümesi ikinci derece kökünden değil p(\beta)=\alpha eşitliğinin kök bulmasından, CLR p değeri Moreira'nın koşullu integralinden hesaplanmıştır.

Adım 1 — İlk aşama. \mathrm{RSS}_X ve \mathrm{RSS}_{X,Z}'den F_1=16{,}717591 (yayımlanan 16{,}71759), p=4{,}45\times10^{-5}, R^2_{\rm kısmi}=0{,}005536: araç ilgili ama zayıfa yakın (F_1 eşiğin biraz üstünde, R^2 yarım yüzde).

Adım 2 — k-sınıfı. EKK 0{,}074009 (SH 0{,}0035054). TSLS 0{,}132289 (SH 0{,}049233; yayımlanan 0{,}132289 ve 0{,}049233; ivreg 0{,}132289 ve 0{,}049233). LIML = TSLS (L=1; k=1; en küçükleme \hat\beta_{\arg\min\kappa}=0{,}132289). Fuller k=0{,}999667, \hat\beta=0{,}128981 (SH 0{,}047601; yayımlanan 0{,}128981, 0{,}047601). Eğitimin bir yıl artması log ücreti 0{,}132 artırır (yaklaşık \%14); araçlı kestirim EKK'nin 1{,}8 katıdır.

Adım 3 — AR. F=6{,}881108 (1 ve 3003 sd), p=0{,}008755; küme [0{,}0383986;\ 0{,}2611837] (yayımlanan [0{,}0383986;\ 0{,}2611837]). Wald aralığı [0{,}0358;\ 0{,}2288] ve AR aralığı birbirine yakın ama aynı değildir: AR aralığı sağa doğru uzar.

Adım 4 — CLR. Tek araçta CLR = AR: istatistik 6{,}881108, p=0{,}008755, küme AR ile aynı.

Adım 5 — İki araç. nearc4, nearc2: F_1=9{,}4527 (uyarı çıkar). TSLS 0{,}160849, LIML 0{,}174638 (k=1{,}0008583), Fuller 0{,}168799. AR F=7{,}155019 (2 ve 3002 sd), p=0{,}0007943, küme [0{,}0863437;\ 0{,}3165591]. CLR istatistiği 11{,}733426, p=0{,}0009108, küme [0{,}0789044;\ 0{,}3368162]. Sargan 2{,}581263 (1 sd), p=0{,}108135: iki araç tutarlı.

Adım 6 — Zayıf araç. F_1=4{,}585 (z_{\rm zayif}): TSLS 0{,}2097 (SH 0{,}1099; Wald [-0{,}0058;\ 0{,}4252]), AR p=0{,}0292 ve küme [0{,}0290;\ 1{,}8014]: Wald aralığı sıfırı içerirken AR sıfırı dışlar; küme çok geniştir. Gürültü aracı (F_1=0{,}837): AR kümesi bütün gerçel doğru. İki zayıf araç (F_1=2{,}73): AR kümesi (-\infty;\ -2{,}1013]\cup[-0{,}0439;\ \infty) (iki parçalı), CLR kümesi [-0{,}01986;\ 24{,}614].

Adım 7 — Dayanıklı SH. hetero: TSLS SH 0{,}048521 (klasik 0{,}049233); kume (11 küme, yaş): 0{,}039223; ivreg + sandwich aynı sayıları verir.

140.6.1 Doğrulama: MerQuR+, R ve Python

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
örnek ayar (nearc4): ilk aşama F 16,71759144 16,71759144 16,71759144 2,0e−12 ✓
örnek ayar (nearc4): ilk aşama p 4,451508·10−5 4,451508·10−5 4,451508·10−5 7,9e−16 ✓
örnek ayar (nearc4): kısmi R^2 0,00553614 0,00553614 0,00553614 1,1e−14 ✓
örnek ayar (nearc4): OLS kestirimi 0,07400899 0,07400899 0,07400899 1,1e−14 ✓
örnek ayar (nearc4): OLS SH 0,00350543 0,00350543 0,00350543 4,0e−17 ✓
örnek ayar (nearc4): OLS p 0 2,279883·10−92 2,279883·10−92 2,3e−92 ✓
örnek ayar (nearc4): OLS GA alt 0,0671357 0,0671357 0,0671357 1,1e−14 ✓
örnek ayar (nearc4): OLS GA üst 0,08088229 0,08088229 0,08088229 1,1e−14 ✓
örnek ayar (nearc4): TSLS kestirimi 0,13228884 0,13228884 0,13228884 7,2e−13 ✓
örnek ayar (nearc4): TSLS SH 0,04923324 0,04923324 0,04923324 9,6e−14 ✓
örnek ayar (nearc4): TSLS p 0,00724981 0,00724981 0,00724981 2,0e−13 ✓
örnek ayar (nearc4): TSLS GA alt 0,03575456 0,03575456 0,03575456 5,3e−13 ✓
örnek ayar (nearc4): TSLS GA üst 0,22882312 0,22882312 0,22882312 9,1e−13 ✓
örnek ayar (nearc4): LIML kestirimi 0,13228884 0,13228884 0,13228884 7,2e−13 ✓
örnek ayar (nearc4): LIML SH 0,04923324 0,04923324 0,04923324 9,6e−14 ✓
örnek ayar (nearc4): LIML p 0,00724981 0,00724981 0,00724981 2,0e−13 ✓
örnek ayar (nearc4): LIML GA alt 0,03575456 0,03575456 0,03575456 5,3e−13 ✓
örnek ayar (nearc4): LIML GA üst 0,22882312 0,22882312 0,22882312 9,1e−13 ✓
örnek ayar (nearc4): Fuller kestirimi 0,12898115 0,12898115 0,12898115 4,4e−12 ✓
örnek ayar (nearc4): Fuller SH 0,04760087 0,04760087 0,04760087 3,0e−13 ✓
örnek ayar (nearc4): Fuller p 0,00677392 0,00677392 0,00677392 1,5e−12 ✓
örnek ayar (nearc4): Fuller GA alt 0,03564754 0,03564754 0,03564754 3,8e−12 ✓
örnek ayar (nearc4): Fuller GA üst 0,22231476 0,22231476 0,22231476 5,0e−12 ✓
örnek ayar (nearc4): LIML k 1 1 1 1,0e−15 ✓
örnek ayar (nearc4): Fuller k 0,999667 0,999667 0,999667 1,0e−15 ✓
örnek ayar (nearc4): AR F 6,88110831 6,88110831 6,88110831 4,6e−14 ✓
örnek ayar (nearc4): AR p 0,00875521 0,00875521 0,00875521 2,0e−15 ✓
örnek ayar (nearc4): AR GA alt (zarf) 0,0383986 0,0383986 0,0383986 5,6e−15 ✓
örnek ayar (nearc4): AR GA üst (zarf) 0,26118365 0,26118365 0,26118365 2,2e−14 ✓
örnek ayar (nearc4): CLR p 0,00875521 0,00875521 0,00875521 2,0e−15 ✓
iki araç (nearc4, nearc2): ilk aşama F 9,45268853 9,45268853 9,45268853 2,1e−12 ✓
iki araç (nearc4, nearc2): TSLS kestirimi 0,16084873 0,16084873 0,16084873 2,6e−12 ✓
iki araç (nearc4, nearc2): TSLS SH 0,04862909 0,04862909 0,04862909 2,3e−13 ✓
iki araç (nearc4, nearc2): LIML kestirimi 0,17463797 0,17463797 0,17463797 4,6e−12 ✓
iki araç (nearc4, nearc2): LIML SH 0,05382563 0,05382563 0,05382563 5,7e−13 ✓
iki araç (nearc4, nearc2): Fuller kestirimi 0,16879937 0,16879937 0,16879937 1,5e−12 ✓
iki araç (nearc4, nearc2): Fuller SH 0,05161175 0,05161175 0,05161175 1,4e−13 ✓
iki araç (nearc4, nearc2): LIML k 1,0008583 1,0008583 1,0008583 6,7e−16 ✓
iki araç (nearc4, nearc2): Fuller k 1,00052519 1,00052519 1,00052519 1,1e−15 ✓
iki araç (nearc4, nearc2): AR F 7,15501881 7,15501881 7,15501881 8,4e−14 ✓
iki araç (nearc4, nearc2): AR p 7,943238·10−4 7,943238·10−4 7,943238·10−4 1,5e−15 ✓
iki araç (nearc4, nearc2): AR GA alt (zarf) 0,08634374 0,08634374 0,08634374 2,2e−14 ✓
iki araç (nearc4, nearc2): AR GA üst (zarf) 0,31655909 0,31655909 0,31655909 7,8e−14 ✓
iki araç (nearc4, nearc2): CLR p 9,107810·10−4 9,107810·10−4 9,107810·10−4 4,8e−16 ✓
iki araç (nearc4, nearc2): CLR GA alt (zarf) 0,07890439 0,07890423 — 1,6e−7 ✓
iki araç (nearc4, nearc2): CLR GA üst (zarf) 0,33681623 0,33681669 — 4,6e−7 ✓
iki araç (nearc4, nearc2): Sargan 2,58126252 2,58126252 2,58126252 1,3e−13 ✓
iki araç (nearc4, nearc2): Sargan p 0,10813538 0,10813538 0,10813538 2,5e−14 ✓
Fuller b=4: ilk aşama F 16,71759144 16,71759144 16,71759144 2,0e−12 ✓
Fuller b=4: TSLS kestirimi 0,13228884 0,13228884 0,13228884 7,2e−13 ✓
Fuller b=4: TSLS SH 0,04923324 0,04923324 0,04923324 9,6e−14 ✓
Fuller b=4: LIML kestirimi 0,13228884 0,13228884 0,13228884 7,2e−13 ✓
Fuller b=4: LIML SH 0,04923324 0,04923324 0,04923324 9,6e−14 ✓
Fuller b=4: Fuller kestirimi 0,12097396 0,12097396 0,12097396 1,5e−12 ✓
Fuller b=4: Fuller SH 0,04356743 0,04356743 0,04356743 8,0e−14 ✓
Fuller b=4: LIML k 1 1 1 1,0e−15 ✓
Fuller b=4: Fuller k 0,998668 0,998668 0,998668 1,0e−15 ✓
Fuller b=4: AR F 6,88110831 6,88110831 6,88110831 4,6e−14 ✓
Fuller b=4: AR p 0,00875521 0,00875521 0,00875521 2,0e−15 ✓
Fuller b=4: AR GA alt (zarf) 0,0383986 0,0383986 0,0383986 5,6e−15 ✓
Fuller b=4: AR GA üst (zarf) 0,26118365 0,26118365 0,26118365 2,2e−14 ✓
Fuller b=4: CLR p 0,00875521 0,00875521 0,00875521 2,0e−15 ✓
\beta_0=0{,}1: ilk aşama F 16,71759144 16,71759144 16,71759144 2,0e−12 ✓
\beta_0=0{,}1: TSLS kestirimi 0,13228884 0,13228884 0,13228884 7,2e−13 ✓
\beta_0=0{,}1: TSLS SH 0,04923324 0,04923324 0,04923324 9,6e−14 ✓
\beta_0=0{,}1: LIML kestirimi 0,13228884 0,13228884 0,13228884 7,2e−13 ✓
\beta_0=0{,}1: LIML SH 0,04923324 0,04923324 0,04923324 9,6e−14 ✓
\beta_0=0{,}1: Fuller kestirimi 0,12898115 0,12898115 0,12898115 4,4e−12 ✓
\beta_0=0{,}1: Fuller SH 0,04760087 0,04760087 0,04760087 3,0e−13 ✓
\beta_0=0{,}1: LIML k 1 1 1 1,0e−15 ✓
\beta_0=0{,}1: Fuller k 0,999667 0,999667 0,999667 1,0e−15 ✓
\beta_0=0{,}1: AR F 0,46133521 0,46133521 0,46133521 1,3e−13 ✓
\beta_0=0{,}1: AR p 0,49705297 0,49705297 0,49705297 3,1e−13 ✓
\beta_0=0{,}1: AR GA alt (zarf) 0,0383986 0,0383986 0,0383986 5,6e−15 ✓
\beta_0=0{,}1: AR GA üst (zarf) 0,26118365 0,26118365 0,26118365 2,2e−14 ✓
\beta_0=0{,}1: CLR p 0,49705297 0,49705297 0,49705297 1,6e−13 ✓
\alpha=0{,}10: ilk aşama F 16,71759144 16,71759144 16,71759144 2,0e−12 ✓
\alpha=0{,}10: TSLS kestirimi 0,13228884 0,13228884 0,13228884 7,2e−13 ✓
\alpha=0{,}10: TSLS SH 0,04923324 0,04923324 0,04923324 9,6e−14 ✓
\alpha=0{,}10: LIML kestirimi 0,13228884 0,13228884 0,13228884 7,2e−13 ✓
\alpha=0{,}10: LIML SH 0,04923324 0,04923324 0,04923324 9,6e−14 ✓
\alpha=0{,}10: Fuller kestirimi 0,12898115 0,12898115 0,12898115 4,4e−12 ✓
\alpha=0{,}10: Fuller SH 0,04760087 0,04760087 0,04760087 3,0e−13 ✓
\alpha=0{,}10: LIML k 1 1 1 1,0e−15 ✓
\alpha=0{,}10: Fuller k 0,999667 0,999667 0,999667 1,0e−15 ✓
\alpha=0{,}10: AR F 6,88110831 6,88110831 6,88110831 4,6e−14 ✓
\alpha=0{,}10: AR p 0,00875521 0,00875521 0,00875521 2,0e−15 ✓
\alpha=0{,}10: AR GA alt (zarf) 0,05440382 0,05440382 0,05440382 7,5e−15 ✓
\alpha=0{,}10: AR GA üst (zarf) 0,23282197 0,23282197 0,23282197 3,0e−14 ✓
\alpha=0{,}10: CLR p 0,00875521 0,00875521 0,00875521 2,0e−15 ✓
zayıf araç (F\approx4{,}6): ilk aşama F 4,58512037 4,58512037 4,58512037 2,1e−12 ✓
zayıf araç (F\approx4{,}6): TSLS kestirimi 0,20969807 0,20969807 0,20969807 8,9e−12 ✓
zayıf araç (F\approx4{,}6): TSLS SH 0,1099178 0,1099178 0,1099178 2,5e−12 ✓
zayıf araç (F\approx4{,}6): LIML kestirimi 0,20969807 0,20969807 0,20969807 8,9e−12 ✓
zayıf araç (F\approx4{,}6): LIML SH 0,1099178 0,1099178 0,1099178 2,5e−12 ✓
zayıf araç (F\approx4{,}6): Fuller kestirimi 0,18536623 0,18536623 0,18536623 1,1e−11 ✓
zayıf araç (F\approx4{,}6): Fuller SH 0,0940254 0,0940254 0,0940254 2,3e−12 ✓
zayıf araç (F\approx4{,}6): LIML k 1 1 1 2,2e−16 ✓
zayıf araç (F\approx4{,}6): Fuller k 0,999667 0,999667 0,999667 1,0e−15 ✓
zayıf araç (F\approx4{,}6): AR F 4,75794931 4,75794931 4,75794931 7,7e−14 ✓
zayıf araç (F\approx4{,}6): AR p 0,02924059 0,02924059 0,02924059 5,8e−15 ✓
zayıf araç (F\approx4{,}6): AR GA alt (zarf) 0,02901438 0,02901438 0,02901438 9,5e−15 ✓
zayıf araç (F\approx4{,}6): AR GA üst (zarf) 1,80136464 1,80136464 1,80136464 3,0e−13 ✓
zayıf araç (F\approx4{,}6): CLR p 0,02924059 0,02924059 0,02924059 1,1e−14 ✓
sınırda araç (F\approx11): ilk aşama F 11,02332123 11,02332123 11,02332123 8,3e−13 ✓
sınırda araç (F\approx11): TSLS kestirimi 0,17848072 0,17848072 0,17848072 4,0e−12 ✓
sınırda araç (F\approx11): TSLS SH 0,06598169 0,06598169 0,06598169 5,8e−13 ✓
sınırda araç (F\approx11): LIML kestirimi 0,17848072 0,17848072 0,17848072 4,0e−12 ✓
sınırda araç (F\approx11): LIML SH 0,06598169 0,06598169 0,06598169 5,8e−13 ✓
sınırda araç (F\approx11): Fuller kestirimi 0,16975973 0,16975973 0,16975973 9,9e−13 ✓
sınırda araç (F\approx11): Fuller SH 0,06201392 0,06201392 0,06201392 3,7e−13 ✓
sınırda araç (F\approx11): LIML k 1 1 1 2,2e−16 ✓
sınırda araç (F\approx11): Fuller k 0,999667 0,999667 0,999667 5,6e−16 ✓
sınırda araç (F\approx11): AR F 8,27855702 8,27855702 8,27855702 4,8e−14 ✓
sınırda araç (F\approx11): AR p 0,00403991 0,00403991 0,00403991 1,9e−15 ✓
sınırda araç (F\approx11): AR GA alt (zarf) 0,06476874 0,06476874 0,06476874 3,6e−15 ✓
sınırda araç (F\approx11): AR GA üst (zarf) 0,40450224 0,40450224 0,40450224 4,6e−14 ✓
sınırda araç (F\approx11): CLR p 0,00403991 0,00403991 0,00403991 1,5e−15 ✓
gürültü aracı (F\approx0{,}8): ilk aşama F 0,83701315 0,83701315 0,83701315 1,1e−11 ✓
gürültü aracı (F\approx0{,}8): TSLS kestirimi 0,05814308 0,05814308 0,05814308 2,8e−11 ✓
gürültü aracı (F\approx0{,}8): TSLS SH 0,21071247 0,21071247 0,21071247 5,0e−12 ✓
gürültü aracı (F\approx0{,}8): LIML kestirimi 0,05814308 0,05814308 0,05814308 2,8e−11 ✓
gürültü aracı (F\approx0{,}8): LIML SH 0,21071247 0,21071247 0,21071247 5,0e−12 ✓
gürültü aracı (F\approx0{,}8): Fuller kestirimi 0,06678229 0,06678229 0,06678229 1,5e−11 ✓
gürültü aracı (F\approx0{,}8): Fuller SH 0,14185056 0,14185056 0,14185056 5,2e−13 ✓
gürültü aracı (F\approx0{,}8): LIML k 1 1 1 2,0e−15 ✓
gürültü aracı (F\approx0{,}8): Fuller k 0,999667 0,999667 0,999667 2,0e−15 ✓
gürültü aracı (F\approx0{,}8): AR F 0,06675322 0,06675322 0,06675322 2,5e−13 ✓
gürültü aracı (F\approx0{,}8): AR p 0,79614182 0,79614182 0,79614182 3,7e−13 ✓
gürültü aracı (F\approx0{,}8): CLR p 0,79614182 0,79614182 0,79614182 8,7e−14 ✓
iki zayıf araç: ilk aşama F 2,7316373 2,7316373 2,7316373 1,8e−12 ✓
iki zayıf araç: TSLS kestirimi 0,18589686 0,18589686 0,18589686 1,5e−12 ✓
iki zayıf araç: TSLS SH 0,09518034 0,09518034 0,09518034 3,3e−13 ✓
iki zayıf araç: LIML kestirimi 0,19289984 0,19289984 0,19289984 5,9e−12 ✓
iki zayıf araç: LIML SH 0,0996998 0,0996998 0,0996998 1,4e−12 ✓
iki zayıf araç: Fuller kestirimi 0,17350973 0,17350973 0,17350973 7,5e−12 ✓
iki zayıf araç: Fuller SH 0,08735677 0,08735677 0,08735677 1,5e−12 ✓
iki zayıf araç: LIML k 1,00010701 1,00010701 1,00010701 4,0e−15 ✓
iki zayıf araç: Fuller k 0,9997739 0,9997739 0,9997739 6,7e−16 ✓
iki zayıf araç: AR F 2,41762956 2,41762956 2,41762956 6,2e−14 ✓
iki zayıf araç: AR p 0,08930618 0,08930618 0,08930618 1,1e−13 ✓
iki zayıf araç: CLR p 0,06234812 0,06234812 0,06234812 7,3e−15 ✓
iki zayıf araç: CLR GA alt (zarf) −0,01986454 −0,01986494 — 4,0e−7 ✓
iki zayıf araç: CLR GA üst (zarf) 24,61376966 24,61906272 — 2,2e−4 ✓
iki zayıf araç: Sargan 0,32207234 0,32207234 0,32207234 2,2e−16 ✓
iki zayıf araç: Sargan p 0,5703649 0,5703649 0,5703649 2,2e−16 ✓
metin araç (bolge, 3 düzey): ilk aşama F 20,77824448 20,77824448 20,77824448 6,2e−13 ✓
metin araç (bolge, 3 düzey): TSLS kestirimi 0,44565509 0,44565509 0,44565509 7,6e−13 ✓
metin araç (bolge, 3 düzey): TSLS SH 0,064572 0,064572 0,064572 1,3e−13 ✓
metin araç (bolge, 3 düzey): LIML kestirimi 0,44755102 0,44755102 0,44755102 2,2e−13 ✓
metin araç (bolge, 3 düzey): LIML SH 0,0649991 0,0649991 0,0649991 6,7e−14 ✓
metin araç (bolge, 3 düzey): Fuller kestirimi 0,43879363 0,43879363 0,43879363 4,9e−13 ✓
metin araç (bolge, 3 düzey): Fuller SH 0,0630365 0,0630365 0,0630365 8,9e−14 ✓
metin araç (bolge, 3 düzey): LIML k 1,00007073 1,00007073 1,00007073 1,0e−14 ✓
metin araç (bolge, 3 düzey): Fuller k 0,99973784 0,99973784 0,99973784 3,0e−15 ✓
metin araç (bolge, 3 düzey): AR F 96,18358855 96,18358855 96,18358855 5,3e−14 ✓
metin araç (bolge, 3 düzey): AR p 0 3,243288·10−41 3,243288·10−41 3,2e−41 ✓
metin araç (bolge, 3 düzey): AR GA alt (zarf) 0,32881482 0,32881482 0,32881482 6,5e−15 ✓
metin araç (bolge, 3 düzey): AR GA üst (zarf) 0,68694297 0,68694297 0,68694297 9,6e−14 ✓
metin araç (bolge, 3 düzey): CLR p 0 1,167434·10−42 1,167434·10−42 1,2e−42 ✓
metin araç (bolge, 3 düzey): CLR GA alt (zarf) 0,34625634 0,34625632 — 1,9e−8 ✓
metin araç (bolge, 3 düzey): CLR GA üst (zarf) 0,62525281 0,62525287 — 5,8e−8 ✓
metin araç (bolge, 3 düzey): Sargan 0,21287743 0,21287743 0,21287743 3,3e−13 ✓
metin araç (bolge, 3 düzey): Sargan p 0,64452139 0,64452139 0,64452139 2,6e−13 ✓
sonuç \times100: ilk aşama F 16,71759144 16,71759144 16,71759144 2,0e−12 ✓
sonuç \times100: TSLS kestirimi 13,228884 13,228884 13,228884 9,6e−12 ✓
sonuç \times100: TSLS SH 4,92332361 4,92332361 4,92332361 2,7e−12 ✓
sonuç \times100: LIML kestirimi 13,228884 13,228884 13,228884 9,6e−12 ✓
sonuç \times100: LIML SH 4,92332361 4,92332361 4,92332361 2,7e−12 ✓
sonuç \times100: Fuller kestirimi 12,89811507 12,89811507 12,89811507 4,0e−11 ✓
sonuç \times100: Fuller SH 4,76008685 4,76008685 4,76008685 7,4e−12 ✓
sonuç \times100: LIML k 1 1 1 2,0e−15 ✓
sonuç \times100: Fuller k 0,999667 0,999667 0,999667 2,0e−15 ✓
sonuç \times100: AR F 6,88110831 6,88110831 6,88110831 9,6e−14 ✓
sonuç \times100: AR p 0,00875521 0,00875521 0,00875521 3,3e−15 ✓
sonuç \times100: AR GA alt (zarf) 3,83986008 3,83986008 3,83986008 3,2e−13 ✓
sonuç \times100: AR GA üst (zarf) 26,11836536 26,11836536 26,11836536 7,3e−14 ✓
sonuç \times100: CLR p 0,00875521 0,00875521 0,00875521 4,0e−15 ✓
araç ters kodlu: ilk aşama F 16,71759144 16,71759144 16,71759144 9,6e−13 ✓
araç ters kodlu: TSLS kestirimi 0,13228884 0,13228884 0,13228884 5,7e−14 ✓
araç ters kodlu: TSLS SH 0,04923324 0,04923324 0,04923324 4,1e−14 ✓
araç ters kodlu: LIML kestirimi 0,13228884 0,13228884 0,13228884 3,3e−12 ✓
araç ters kodlu: LIML SH 0,04923324 0,04923324 0,04923324 1,8e−13 ✓
araç ters kodlu: Fuller kestirimi 0,12898115 0,12898115 0,12898115 4,7e−13 ✓
araç ters kodlu: Fuller SH 0,04760087 0,04760087 0,04760087 3,9e−14 ✓
araç ters kodlu: LIML k 1 1 1 2,2e−16 ✓
araç ters kodlu: Fuller k 0,999667 0,999667 0,999667 4,0e−15 ✓
araç ters kodlu: AR F 6,88110831 6,88110831 6,88110831 3,7e−14 ✓
araç ters kodlu: AR p 0,00875521 0,00875521 0,00875521 2,2e−15 ✓
araç ters kodlu: AR GA alt (zarf) 0,0383986 0,0383986 0,0383986 4,4e−15 ✓
araç ters kodlu: AR GA üst (zarf) 0,26118365 0,26118365 0,26118365 1,1e−14 ✓
araç ters kodlu: CLR p 0,00875521 0,00875521 0,00875521 2,3e−15 ✓
heteroskedastisiteye dayanıklı SH: OLS SH 0,0036378 0,0036378 0,0036378 8,6e−16 ✓
heteroskedastisiteye dayanıklı SH: TSLS SH 0,04852134 0,04852134 0,04852134 8,4e−13 ✓
heteroskedastisiteye dayanıklı SH: LIML SH 0,04852134 0,04852134 0,04852134 8,2e−13 ✓
heteroskedastisiteye dayanıklı SH: Fuller SH 0,04553674 0,04553674 0,04553674 1,4e−12 ✓
heteroskedastisiteye dayanıklı SH: TSLS SH (ivreg + sandwich) 0,04852134 0,04852134 — 1,4e−12 ✓
heteroskedastisiteye dayanıklı SH: AR F (SH türünden bağımsız) 6,88110831 6,88110831 6,88110831 4,6e−14 ✓
küme dayanıklı SH (küme: yaş): OLS SH 0,00344918 0,00344918 0,00344918 3,8e−15 ✓
küme dayanıklı SH (küme: yaş): TSLS SH 0,03922299 0,03922299 0,03922299 3,5e−12 ✓
küme dayanıklı SH (küme: yaş): LIML SH 0,03922299 0,03922299 0,03922299 3,1e−12 ✓
küme dayanıklı SH (küme: yaş): Fuller SH 0,03695878 0,03695878 0,03695878 7,7e−13 ✓
küme dayanıklı SH (küme: yaş): TSLS SH (ivreg + sandwich) 0,03922299 0,03922299 — 1,7e−13 ✓
küme dayanıklı SH (küme: yaş): AR F (SH türünden bağımsız) 6,88110831 6,88110831 6,88110831 4,6e−14 ✓

Ölçütü karşılayan: 204/204. Ölçüt satır başına 10^{-6} (değer 1'den büyükse göreli). Bağımsız Python: numpy/scipy; LIML'in k'si özdeğer çözümü yerine \kappa(\beta)=\mathrm{RSS}_X(y-\beta d)/\mathrm{RSS}_{X,Z}(y-\beta d)'nin en küçüklemesiyle, AR güven kümesi p(\beta_0)=\alpha eşitliğinin köklerinden, CLR p değeri Moreira'nın koşullu dağılımının sayısal integralinden (Q_1\sim\chi^2_1, Q_2\sim\chi^2_{L-1}) bulunmuştur. R: taban R, TSLS için ayrıca AER::ivreg ile sandwich; ivmodel çağrılmaz. Çok araçlı CLR güven kümesi sınırlarında ölçüt 5\times10^{-4}. Dışsal ortak değişkensiz model R şablonunda çalışmaz (bulgu B1); bu satır yalnız Python bölümündedir. Sonsuz sınırlı kümelerde yalnız sonlu sınırlar karşılaştırılmıştır.

140.7 Çıktıyı okuma

Örnek ayarda şablonun üç tablosu ve konsol notu (zs_ornek; sayılar olduğu gibi):

İlk aşama regresyonu (araçların kısmi F'si)
  olcut                                 deger
  n                                  3010
  araç sayısı L                         1
  dışsal ortak değişken sayısı p        5
  ilk aşama F                       16.717591
  sd1                                   1
  sd2                                3003
  p                                  4.45e-05
  ilk aşama kısmi R² (X arındırılmış)   0.005536

k-sınıfı kestiriciler: educ'nin lwage üzerindeki etkisi (Wald %95 GA)
  kestirici       k    kestirim        SH         t         p    GA_alt    GA_ust
  EKK (OLS)  0.000000  0.074009  0.003505  21.11264  2.279883e-92  0.067136  0.080882
  TSLS       1.000000  0.132289  0.049233   2.68698  7.249813e-03  0.035755  0.228823
  LIML       1.000000  0.132289  0.049233   2.68698  7.249813e-03  0.035755  0.228823
  Fuller     0.999667  0.128981  0.047601   2.70964  6.773916e-03  0.035648  0.222315

Zayıf araca sağlam testler (klasik hata varsayımı; H0: β = 0) ve %95 güven kümeleri
  test                              istatistik sd1  sd2        p    GA_alt    GA_ust parca_sayisi
  Anderson-Rubin (F)                  6.881108   1 3003 0.008755  0.038399  0.261184            1
  Koşullu olabilirlik oranı (CLR)     6.881108  NaN  NaN 0.008755  0.038399  0.261184            1

AR güven kümesi: [0,0383986; 0,2611837]; CLR güven kümesi: [0,03839858; 0,2611837]. ...

Şekil 140.1. Şablonun şekli: AR F istatistiğinin \beta'ya göre profili (taban R `plot`; mor çizgi: F(\beta), kesikli yatay çizgi: kritik değer F_{1-\alpha;L,df_2}, gri dikey çizgi: TSLS kestirimi). Kritik çizginin altında kalan \beta aralığı AR güven kümesidir.

Öğe Ne yazar Nasıl yorumlanır
İlk aşama tablosu n, L, p, kısmi F_1, serbestlik dereceleri, p, kısmi R^2. F_1=16{,}7>10; R^2_{\rm kısmi}=0{,}55\%: araç, eğitimin değişkenliğinin küçük ama anlamlı bir kısmını açıklar.
Uyarı satırı F_1<10 ise yazılır. Wald (TSLS) aralığı yerine AR/CLR kümesine bakın; örnek ayarda çıkmaz.
k-sınıfı tablosu k, kestirim, SH, t, p, Wald GA. EKK 0{,}074; TSLS 0{,}132: araç düzeltmesi etkiyi neredeyse ikiye katlar. L=1 olduğunda LIML ve TSLS aynıdır.
AR satırı F, sd1, sd2, p, küme sınırları, parça sayısı. p=0{,}0088: \beta=0 reddedilir; küme \beta'nın makul değerleridir.
CLR satırı LR istatistiği, p, küme. Tek araçta AR'ın kopyası; çok araçta ayrı bilgi taşır.
Sargan S, sd, p (L>1). Küçük p: araçlar çelişiyor.
Küme metni Parçaların listesi (∪). İki parçalı ya da "∞" içeren küme: araç bilgisiz; boş küme: araçlar çelişiyor (uyarı yazılır).

Eğitimin ücret üzerindeki getirisi, dört yıllık kolej yakınlığı araç değişkeni olarak kullanılarak ve deneyim, deneyim karesi, ırk, Güney ve şehir bölgesi kontrol edilerek kestirilmiştir (iki aşamalı en küçük kareler: 0{,}132, SH 0{,}049; n=3010). İlk aşama F=16{,}72'dir. Zayıf araca sağlam Anderson-Rubin %95 güven kümesi [0{,}038;\ 0{,}261]'dir (F_{1{,}3003}=6{,}88; p=0{,}0088); koşullu olabilirlik oranı kümesi aynıdır.

140.8 Sık hatalar ve tuzaklar

  • Ortak değişkensiz model. x seçilmezse şablon, sabit terimle (X boş) çalışır; örnekte TSLS 0{,}188, F_1=63{,}9 (zs_x_yok; Python eşiyle aynı sonuç; bulgular B1).
  • Dayanıklı SH, AR ve CLR'yi dayanıklı yapmaz. sh_turu = hetero ya da kume yalnız k-sınıfı SH'sini değiştirir; AR, CLR ve Sargan homoskedastiktir (zs_hetero, zs_kume: AR F 6{,}881108, küme [0{,}0384;\ 0{,}2612] sabit). Şablon bunu çıktıda açıkça not eder (140–142; bulgular B2). Heteroskedastik ya da kümeli veride AR'ın nominal kapsaması bozulur; sağlam F ve AR için başka araç gerekir.
  • Zayıf araç ve Wald aralığı. F_1=4{,}6'da TSLS Wald aralığı [-0{,}006;\ 0{,}425] sıfırı içerir, AR kümesi [0{,}029;\ 1{,}80] dışlar; ikisi çelişir ve Wald'a güvenilmez. Güven kümesinin sınırsız olması beklenen sonuçtur, hata değil. AR kümesini raporlayın.
  • "Zarf" sınırlarını aralık sanmak. Kümenin birden çok parçası varsa tablodaki GA alt/üst zarftır; Inf (tabloda sayısal sonsuz) sınırı sonsuz anlamına gelir. İki parçalı kümede (z_{\rm zayif} + z_gurultu) tablodaki [-\infty,\infty] aralığı hiçbir şey söylemez; konsoldaki küme metnine bakın: "[-∞; -2,101343] ∪ [-0,04388673; ∞]" (172–177; bulgular B4).
  • Araç sayısı arttıkça F_1 düşer ama güç artabilir. İki araçla (F_1=9{,}45) AR küme genişliği 0{,}23; tek araçla 0{,}22; LIML (0{,}1746) TSLS'ten (0{,}1608) uzaktır. Çok sayıda zayıf araç TSLS'i EKK'ye çeker; LIML ve Fuller bunu azaltır (cok_zayif_sh yalnız SH'yi değiştirir).
  • Araç ve ortak değişken listesi düzeltilir ve yazılır. Aracı x'e de işaretlerseniz araç x'ten çıkarılır (p=2, beklenen 3 değil; zs_x_z_ortak); sonucu z'ye koyarsanız çıkarılır (zs_z_y_icinde). Şablon çıkarılan sütunları "Araçlardan çıkarılan: …; ortak değişkenlerden çıkarılan: …" notuyla yazar (bulgular B5).
  • Eksik değer. Sessizce atılır (n=3005, TSLS 0{,}1296); çıktıdaki n'yi veri sayınızla karşılaştırın.
  • Küçük örneklem. n=12 (2 ortak değişken): F_1=0{,}0006 ve TSLS 5{,}25 (SH 213) çıkar; n=9 durur (en az 10 satır). Küçük örneklemde kapsama için normal hata varsayımı önemlidir.
  • Ölçek. Sonuç 100 ile çarpılırsa kestirimler ve SH'ler 100 kat, AR F, p ve F_1 değişmez (zs_olcek).
  • Araç kodlaması. Araç 1-Z ile değiştirilirse kestirim ve AR sonuçları değişmez (zs_ters).
  • AR kümesi boş çıkabilir. Araçlardan biri geçersizse (ikinci araç z=\mathrm{nearc4}+4(\mathrm{lwage}-\overline{\mathrm{lwage}})+ gürültü) AR F=43373 ve küme boştur; şablon "AR güven kümesi: boş küme" yazar, parca_sayisi = 0 verir ve "AR ya da CLR güven kümesi boş: … araçlar birbiriyle ya da modelle çelişiyor" uyarısını ekler (zs_gecersiz, zp_gecersiz; bulgular B8). Aynı çalıştırmada CLR kümesi boş değildir ([0{,}5208;\ 0{,}6286]): aşırı tanımlı modelde iki kümenin çelişmesi araçların uyumsuzluğuna işarettir; Sargan'a ve araçların dışsallığına bakın.
  • CLR kümesinin sınırları yaklaşık dört anlamlı basamaklıdır. Kritik değer uniroot ile bulunur; çok araçta sınırları 10^{-4} göreli duyarlığın ötesinde bildirmeyin (bulgular B9).
  • Aracın dışsallığı. Şablon dışsallığı sınamaz; Sargan yalnız aşırı tanımlı modelde ve yalnız araçlar arası tutarlılığı sınar.

140.9 Uzman soruları

S1. AR testi neden araç gücünden bağımsızdır?

H_0:\beta=\beta_0 altında Y-\beta_0D=X'\alpha+\varepsilon olur; Z'nin bu bileşeni açıklamaması, Z'nin dışsallığından başka bir şey gerektirmez. D'nin Z ile ilişkisi (aracın gücü) bu dağılımda yer almaz. Bu yüzden AR testi F dağılımıyla, kesin boyutta çalışır; bedeli, çok araçta gücün (aşırı tanımlamada her araç için serbestlik derecesi harcanmasından) düşmesidir.

S2. LIML neden zayıf araçta TSLS'ten üstündür?

TSLS, D'yi ilk aşamada \hat D=P_ZD ile değiştirir; araç zayıfsa \hat D içselliğin bir kısmını taşır ve kestirim EKK'ye çekilir. LIML ise AR istatistiğinin en küçüklemesidir: araçla en tutarlı \beta'yı seçer ve \hat D'ye bağlı değildir. Bedeli, aşırı tanımlı modelde sonlu momentlerinin bulunmamasıdır; Fuller'in düzeltmesi (b>0) bunu giderir (Fuller, 1977). Örnekte L=2'de TSLS 0{,}1608, LIML 0{,}1746, Fuller 0{,}1688'dir.

S3. CLR neden AR'dan daha güçlüdür ve tek araçta neden aynıdır?

CLR, T istatistiğine koşullu olarak olabilirlik oranına dayanır; aşırı tanımlı modelde AR'ın L serbestlik derecesinin getirdiği güç kaybını genellikle azaltır (Moreira, 2003). Tek araçta Q_S tek boyutludur ve S ile T'nin ortak dağılımı CLR'yi AR'a indirger; bu yüzden şablonun CLR satırı L=1'de AR'ın birebir kopyasıdır. L=2 örnekte CLR kümesi [0{,}0789;\ 0{,}3368], AR kümesi [0{,}0863;\ 0{,}3166]'dır: CLR'nin kümesi AR'ınkini kapsayıcı olmak zorunda değildir.

S4. Güven kümesi bütün gerçel doğru çıkarsa ne demektir?

Araç bu veride \beta hakkında bilgi vermez: her \beta_0 reddedilemez (gürültü aracında F_1=0{,}84: AR kümesi (-\infty,\infty)). Bu bir hata değildir; Wald aralığı yine de sonlu görünür, ama yanıltıcıdır. Rapor "etki araçla belirlenemedi" olmalıdır.

S5. F_1<10 kuralı ne zaman yanıltır?

Kural homoskedastik ve tek içsel değişkenli, tek araçlı modelde "TSLS'in göreli yanlılığı \le\%10" için türetilmiştir. Çok araçta Stock ve Yogo (2005) eşikleri araç sayısına bağlıdır ve daha yüksektir; heteroskedastik ya da kümeli veride etkin F (Andrews ve ark., 2019) gerekir. Şablonun eşiği her zaman 10'dur ve klasik F_1'e uygulanır. AR/CLR kümeleri bu kurala ihtiyaç duymaz; birincil raporlama bunlar olmalıdır.

S6. Sınır durumu: aracın yalnızca bir kısmı zayıfsa?

Aşırı tanımlı modelde bir güçlü ve bir zayıf araç F_1'i orta düzeye çeker; güçlü araç tek başına yeterliyse zayıf aracı eklemek AR gücünü düşürür ve LIML/Fuller'i oynatır. iki_arac (F_1=9{,}45; AR kümesi [0{,}086;\ 0{,}317]) ile ornek (F_1=16{,}7; [0{,}038;\ 0{,}261]) karşılaştırın: ikinci araç kümeyi daraltmadı, yalnız sağa kaydırdı. Sargan (p=0{,}108) araçlar arası çelişki göstermiyor.

S7. Başka bir uygulamayla (`ivreg`, `ivpack`) ne zaman ayrışır?

TSLS kestirimi ve klasik SH, AER::ivreg ile aynıdır (10^{-6} içinde; hetero ve kume için sandwich::vcovHC HC0 ve vcovCL kümeleme çarpanı olmadan). AR kümesi iki bağımsız hesapta aynıdır. Ayrışma noktaları: (1) sandviç türü: şablon HC0 kullanır; küçük örneklemde kullanılan HC1–HC3 düzeltmeleri başka sayı verir; (2) küme SH'sinde G/(G-1) gibi küçük örneklem düzeltmesi şablonda yoktur; (3) AR ve CLR dayanıklı SH ile değişmez.

S8. Sargan testi LIML artıklarını neden kullanır?

Bu şablonun tercihidir (191–198); Sargan'ın (1958) özgün testi TSLS artıklarıyla kurulur. İki tanım aynı \chi^2_{L-1} sınama ailesindedir ama sayıları farklıdır: örnekte LIML artıklarıyla 2{,}5813, TSLS artıklarıyla 2{,}6508. İkisi de nR^2 biçimindedir ve yalnız homoskedastik hata altında \chi^2_{L-1} dağılımlıdır (bulgular B3).

140.10 Kaynaklar

  • Anderson, T. W., & Rubin, H. (1949). Estimation of the parameters of a single equation in a complete system of stochastic equations. The Annals of Mathematical Statistics, 20(1), 46–63. https://doi.org/10.1214/aoms/1177730090
  • Andrews, I., Stock, J. H., & Sun, L. (2019). Weak instruments in instrumental variables regression: Theory and practice. Annual Review of Economics, 11, 727–753. https://doi.org/10.1146/annurev-economics-080218-025643
  • Bekker, P. A. (1994). Alternative approximations to the distributions of instrumental variable estimators. Econometrica, 62(3), 657–681. https://doi.org/10.2307/2951662
  • Bound, J., Jaeger, D. A., & Baker, R. M. (1995). Problems with instrumental variables estimation when the correlation between the instruments and the endogenous explanatory variable is weak. Journal of the American Statistical Association, 90(430), 443–450. https://doi.org/10.1080/01621459.1995.10476536
  • Card, D. (1995). Using geographic variation in college proximity to estimate the return to schooling. In L. N. Christofides, E. K. Grant, & R. Swidinsky (Eds.), Aspects of labour market behaviour: Essays in honour of John Vanderkamp (pp. 201–222). University of Toronto Press.
  • Fuller, W. A. (1977). Some properties of a modification of the limited information estimator. Econometrica, 45(4), 939–953. https://doi.org/10.2307/1912683
  • Kang, H., Jiang, Y., Zhao, Q., & Small, D. S. (2021). ivmodel: Statistical inference and sensitivity analysis for instrumental variables model (R paketi). Örnek ve doğrulama değerleri şablonun üstbilgisinde verilmiştir; paket kaydı: https://doi.org/10.32614/CRAN.package.ivmodel
  • Moreira, M. J. (2003). A conditional likelihood ratio test for structural models. Econometrica, 71(4), 1027–1048. https://doi.org/10.1111/1468-0262.00438
  • Sargan, J. D. (1958). The estimation of economic relationships using instrumental variables. Econometrica, 26(3), 393–415. https://doi.org/10.2307/1907619
  • Staiger, D., & Stock, J. H. (1997). Instrumental variables regression with weak instruments. Econometrica, 65(3), 557–586. https://doi.org/10.2307/2171753
  • Stock, J. H., & Yogo, M. (2005). Testing for weak instruments in linear IV regression. In D. W. K. Andrews & J. H. Stock (Eds.), Identification and inference for econometric models: Essays in honor of Thomas Rothenberg (pp. 80–108). Cambridge University Press. https://doi.org/10.1017/CBO9780511614491.006
  • Yazılım kaydı (şablonun ozet.json çıktısı): R 4.5.3; ivmodel 1.9.1 (Kang ve ark., 2023, https://doi.org/10.32614/CRAN.package.ivmodel). Bağımsız hesapta AER 1.2-17 (Kleiber ve Zeileis, 2008, https://doi.org/10.1007/978-0-387-77318-6), ivreg 0.6-8, sandwich 3.1-3.