MerQuR+Başvuru Kitabı

141. Zayıf araca sağlam araç değişkeni çıkarımı (Python)

Şablon kimliği: zayif_arac_saglam_py · Kategori: nedensel çıkarım · Dil: Python · Dosya: pro/sablonlar/nedensel/zayif_arac_saglam_py.py (satır 1–237; üstbilgi 1–58) · Örnek veri: _ornek/card.csv · Paketler: numpy 2.4.6, pandas 2.3.3, scipy 1.16.3, matplotlib 3.10.9 (Python 3.13.1) · R eşi: Bölüm 140

141.1 Ne işe yarar

Şablon, Bölüm 140'taki zayif_arac_saglam şablonunun Python karşılığıdır ve aynı soruyu yanıtlar: tek içsel değişkenli Y=\beta D+X'\alpha+\varepsilon modelinde araç değişkenlerle \beta'yı kestirmek ve araçlar zayıf olsa bile geçerli kalan bir güven kümesi vermek. Çıktısı da aynıdır: ilk aşama kısmi F; EKK, TSLS, LIML ve Fuller; Anderson-Rubin (AR) testi ve güven kümesi; L>1 ise Sargan testi. Hesap ivmodel yerine numpy ve scipy ile yazılmıştır. Kavramların ayrıntılı anlatımı (araç geçerliliği, k-sınıfı kestiriciler, AR'ın tersine çevrilmesi, CLR, Sargan) Bölüm 140.1 ve 140.4'tedir; bu bölüm kendi başına okunabilmesi için hesabı özetler ve Python'a özgü noktaları anlatır.

Önemli: Aynı veri ve ayarda iki şablon, ilk aşama F, k-sınıfı kestirimleri ve standart hataları, AR istatistiği ve AR kümesi için 10^{-9} göreli içinde aynı sayıları verir (141.6.2). Python şablonu R şablonundan şu noktalarda ayrılır: (1) CLR yalnız tek araçta verilir (orada AR'ın kopyasıdır); birden çok araçta satır NaN'dır; (2) standart hatalar yalnız klasiktir: heteroskedastisiteye dayanıklı, kümeye göre ve çok zayıf araç SH'si seçenekleri yoktur; (3) dışsal ortak değişkensiz model her iki şablonda da çalışır (aynı sonuç); (4) p değerleri her iki şablonda da üst kuyruktan hesaplanır ve 0'a yuvarlanmaz.

Ne zaman kullanılır?

  • R'nin kurulu olmadığı ya da kullanıcının Python yorumlayıcısıyla çalıştığı bilgisayarlarda.
  • Ortak değişken kullanılmayan basit modellerde ya da hızlı bir çapraz denetim istendiğinde.
  • AR, LIML ve Fuller yeterliyse; sağlam SH ve çok araçlı CLR gerekmiyorsa.

Ne zaman kullanılmaz?

  • Çok araçlı CLR kümesi, dayanıklı ya da kümeli SH, Bekker SH'si: Bölüm 140 zayif_arac_saglam (R).
  • Tedavi gözlenen karıştırıcılarla dengelenebiliyorsa: Bölüm 125 cift_saglam_aipw, Bölüm 127 dengeleme_agirliklari, Bölüm 139 tmle.
  • Süreksizlik tasarımı: Bölüm 137 regresyon_sureksizligi.
  • Birden çok içsel değişken: şablon tek içsel değişkenlidir.

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

141.2 Şablonun girdileri

Form, üstbilgideki 7 [[param]] bloğundan kurulur (zayif_arac_saglam_py.py:11–57); alanlar R eşinin ilk yedi alanından sh_turu, kume ve cok_zayif_sh çıkarılmış hâlidir. Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir. Üstbilgideki yan dosya alanı (10. satır) kitabın konusu değildir (Bölüm 1.1).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Sonuç Y · y sayısal sütun · Değişkenler ilk sayısal sütun sayısal, sabit değil Y (11–15, 71, 102–104).
İçsel değişken D · d sayısal sütun · Değişkenler ilk sayısal sütun sayısal, sabit değil D (16–20, 71, 102–104).
Araç değişken(ler) Z · z sütunlar · Değişkenler yok en az 1 sütun Z (21–26, 73–78, 105).
Dışsal ortak değişkenler X · x sütunlar · Değişkenler yok (isteğe bağlı) herhangi sütunlar X (27–32, 79, 106).
Anlamlılık düzeyi \alpha · alfa ondalık · Seçenekler 0,05 0,001–0,5 GA ve testler (33–40, 114).
Fuller düzeltme sabiti b · fuller_b ondalık · Model 1 0–10 Fuller k (41–48, 146).
Sıfır hipotezi değeri \beta_0 · beta0 ondalık · Seçenekler 0 \pm10^9 t ve AR testleri (49–57, 151, 159, 173–178).

Şablonun kendi denetimleri (mq.hata):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 69–70
Sonuç ve içsel değişken aynı sütun "Sonuç ve içsel değişken farklı olmalı." 71–72
Sonuç ve içselden farklı araç yok "… en az bir araç seçin." 73–78
Tam satır sayısı <10 "En az 10 tam satır gerekli." 84–85
Sayısal sütun sabit "'…' sabit; çıkarın." 92–93
Kategorik sütun tek düzeyli "'…' sabit (tek düzeyli); çıkarın." 96–97
Sonuç ya da içsel değişken sayısal değil ya da sabit "Sonuç ve içsel değişken sayısal ve değişken olmalı." 102–104
Araçlar ve ortak değişkenler eş doğrusal "Araçlar ve ortak değişkenler doğrusal bağımlı …" 108–110
n-L-p<3 (p sabit dahil) "Gözlem sayısı araç ve ortak değişken sayısına göre çok az." 111–113

Eksik değerli satırlar sessizce atılır (dropna, 82); çıktıdaki n atıldıktan sonraki sayıdır. Sonuç ya da içsel değişken z listesindeyse, sonuç, içsel değişken ya da araç x listesindeyse listeden çıkarılır (73–75, 79–81) ve çıkarılan sütunlar "Not: … çıkarıldı" satırıyla yazılır (117–121). Sayısal tür testi pandas'ın türüne dayanır (88–91): bool dışındaki sayısal sütun sayıdır; metin, kategorik ve mantıksal sütun, alfabetik sıralanmış düzeylerinin ilk dışındakilerin göstergelerine çevrilir (91–95; R eşi ilk görülme sırasını kullanır, sonucu etkilemez). 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; R eşiyle aynıdır.

141.3 Örnek veri

card.csv, R eşiyle aynı dosyadır (Bölüm 140.3; Card, 1995): 3010 gözlem, 11 sütun, eksik değer yok; lwage sonuç, educ içsel değişken, nearc4 (ve isteğe bağlı nearc2) araç, exper, expersq, black, south, smsa ortak değişken. Veri sekmesinin türleri: nearc4, nearc2, black, south, smsa ikili; öteki sayısal.

Düzey sırası. Kategorik araç ya da ortak değişkenler bu şablonda metne çevrilip alfabetik sıralanır ve alfabetik ilk düzey başvuru olur; başvuru düzeyi TSLS, LIML ve AR sonucunu değiştirmez (kesişimli tam gösterge kodlaması; bolge metin aracı için L=2 gösterge sütunu: F_1=20{,}78 ve TSLS 0{,}4457 iki şablonda aynı).

Bu bölümde kullanılan çalıştırmalar R eşiyle aynı adlıdır (adı zp_…): ornek, iki_arac, fuller4, beta0_01, alfa10, zayif, orta, gurultu, 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, gecersiz. Türetilmiş veriler Bölüm 140.3'te tanıtılmıştır.

141.4 Yöntem: formüller ve hesap adımları

Hesap sırası: veri, Y, D, Z ve X kurulur (69–113); X etkisi çıkarılır, ilk aşama F hesaplanır (124–142); LIML ve Fuller k'leri bulunur, k-sınıfı tablosu yazılır (143–165); AR istatistiği ve kümesi kurulur (167–215); Sargan testi yazılır (216–221); AR profili çizilir (222–237).

141.4.1 Kısmi çıkarma ve ilk aşama

\tilde y=M_XY, \tilde d=M_XD, \tilde Z=M_XZ (artik: numpy.linalg.lstsq ile; 113–119; X kesişim sütununu içerir). İlk aşama kısmi F ve kısmi R^2:

F_1=\frac{(\mathrm{RSS}_X-\mathrm{RSS}_{X,Z})/L}{\mathrm{RSS}_{X,Z}/(n-L-p)},\qquad R^2_{\rm kısmi}=\frac{\mathrm{RSS}_X-\mathrm{RSS}_{X,Z}}{\mathrm{RSS}_X}
  • p burada kesişim dahil sütun sayısıdır (X.shape[1], 107); R eşinin p-1'i çıktıdaki dışsal ortak değişken sayısı p satırında yazılır (138). Bu yüzden iki şablonda n-L-p ve n-L-p-1 aynı sayıdır.
  • \mathrm{RSS}_{X,Z} kısmi F'te \tilde d'nin \tilde Z üzerine artığıdır (131–133).

F_1<10 ise uyarı yazılır (129–131; metin R eşinden farklı olarak yalnız "AR güven kümesi"ni önerir); eşik pratik kuraldır (Bölüm 140.4.1).

141.4.2 k-sınıfı kestiriciler

LIML'in k'si, V=(\tilde y,\tilde d) ve V_r=M_{\tilde Z}V için genelleştirilmiş özdeğer probleminin en küçüğüdür:

k_{\rm LIML}=\min\ \mathrm{eig}\big(V'V,\ V_r'V_r\big)\ \ (\text{genelleştirilmiş}),\qquad k_{\rm Fuller}=k_{\rm LIML}-\frac{b}{n-L-p}

(scipy.linalg.eigh(V.T @ V, Vr.T @ Vr, eigvals_only=True), 143–146). k-sınıfı kestirici (W=(D,X), M=M_{(Z,X)}):

\hat\theta(k)=\big[W'W-kW'MW\big]^{-1}\big[W'Y-kW'MY\big],\qquad \widehat{\mathrm{SH}}=\sqrt{\frac{e'e}{n-\mathrm{ncol}(W)}\big[(W'W-kW'MW)^{-1}\big]_{11}}

(k=0 EKK, k=1 TSLS; 136–151). Wald aralığı ve p değeri t dağılımından alınır; t'nin serbestlik derecesi n-L-p'dir (df2, 125 ve 150–161). R eşi aynı yerde n-\mathrm{ncol}(W)=n-p-1 kullanır; L=1'de iki sayı eşittir, L>1'de Python'da L-1 sd azdır (ör. L=2, n=3010: 3002 ve 3003); fark t niceliğinde 10^{-7} göreli ve sayılar (10^{-6} ölçütü içinde) aynıdır (bulgular B4). Yalnız klasik (homoskedastik) SH vardır; sh_turu alanı yoktur.

141.4.3 Anderson-Rubin testi ve güven kümesi

\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)}\ \sim\ F_{L,\,n-L-p}

(arF, 167–179; beta0 \ne0 iken \tilde y yerine \tilde y-\beta_0\tilde d kullanılır, 173–177). Güven kümesi ikinci derece eşitsizlikle kurulur: c_v=F_{1-\alpha;L,n-L-p}L/(n-L-p) ve a_2=c_v\|\tilde d\|^2-(1+c_v)\|P\tilde d\|^2, a_1=-2c_v\,\tilde d'\tilde y+2(1+c_v)\,\tilde d'P\tilde y, a_0=c_v\|\tilde y\|^2-(1+c_v)\|P\tilde y\|^2 için \{\beta:a_2\beta^2+a_1\beta+a_0\ge0\} (169–173; ayrıntı Bölüm 140.4.3). Ayırıcı \Delta=a_1^2-4a_0a_2:

Koşul Küme Python'da (185–191)
a_2<0, \Delta>0 [r_1,r_2] parcalar = [(r1, r2)]
a_2>0, \Delta>0 (-\infty,r_1]\cup[r_2,\infty) iki parça
a_2\ne0, \Delta\le0, a_2>0 bütün gerçel doğru [(-inf, inf)]
a_2\ne0, \Delta\le0, a_2<0 boş küme []
a_2=0 yarım doğru ya da bütün doğru a_1'in işaretine göre

Tablodaki GA_alt ve GA_ust, parçaların en küçük alt ve en büyük üst sınırı olan zarftır (192–193); küme boşsa NaN ve parca_sayisi = 0 olur ve "AR güven kümesi boş: … araçlar birbiriyle ya da modelle çelişiyor" uyarısı yazılır (211–213). Konsol metni parçaları ∪ ile listeler (204–210); sınırsız uç "∞" ve "-∞" olarak, sonlu sayılar ise aynı tire ile yazılır. Tek araçta CLR AR'ın kopyasıdır: tablonun CLR satırı L=1 iken AR'ın istatistiğini (F\cdot L, 194), p değerini ve kümesini tekrarlar; L>1 iken NaN'dır ve metin "Birden çok araçta CLR yalnız R şablonunda" der.

141.4.4 Sargan testi

L>1 ise LIML artıkları e=\tilde Y-\tilde D\hat\beta_{\rm LIML} (X'ten arındırılmış) \tilde Z üzerine regres edilir ve S=n\big(1-\mathrm{RSS}/e'e\big)\sim\chi^2_{L-1} yazılır (216–221; Bölüm 140.4.5). Test homoskedastik hata varsayar. AR/CLR tablosunun başlığı da "klasik hata varsayımı" ifadesini taşır (200).

141.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–58 Üstbilgi: 7 parametre, örnek veri, ayar. Yan dosya alanı (10. satır) kitap dışıdır.
59–66 İçe aktarmalar; _m dil yardımcısı. scipy yoksa şablon çalışmaz.
69–85 Veri, sonuç \ne içsel, araç ve ortak değişken listeleri, n\ge10. Eksik satırlar çıkarılır (82).
88–99 sutun: sayısal olduğu gibi, öteki alfabetik ilk düzey dışı göstergeler. Sabit sütun hatası.
102–114 Y, D, Z, X (kesişimli), L, p, eş doğrusallık, n-L-p\ge3, alfa. p kesişimi sayar.
124–142 artik; F_1, R^2; ilk aşama tablosu; F_1<10 uyarısı. sd2 =n-L-p.
143–165 LIML ve Fuller k; EKK, TSLS, LIML, Fuller; k-sınıfı tablosu. t ve p için df =n-L-p (150).
167–194 AR F, p, ikinci derece katsayıları, parçalar, zarf, CLR satırı. L>1: CLR NaN.
195–215 AR/CLR tablosu ve küme metni. Metinde "-∞" ve "∞" (tek eksi biçimi).
216–221 Sargan (L>1). LIML artıkları.
222–237 AR F(\beta) profili ve kritik değer çizgisi. Şekil 141.1.

Süre: örnek ayarda çalıştırma 4{,}9 s (R eşi 6{,}3 s).

141.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler Bölüm 140.6'daki aynı betiklerle hesaplanmıştır (dogrulama/zayif_arac_saglam/elle_hesap.py ve r_dogrulama.R; numpy/scipy ve taban R; şablonun hiçbir işlevi kullanılmaz; LIML'in k'si \kappa(\beta) en küçüklemesiyle, AR kümesi kök bulmayla bulunur). Girdi bu şablonun çıktılarıdır (zp_* çalıştırmaları).

Adım 1 — İlk aşama. F_1=16{,}717591 (yayımlanan 16{,}71759), p=4{,}45\times10^{-5}, R^2_{\rm kısmi}=0{,}005536.

Adım 2 — k-sınıfı. EKK 0{,}074009 (SH 0{,}0035054), TSLS 0{,}132289 (SH 0{,}049233, t=2{,}686982, p=0{,}00724981), LIML = TSLS (k=1), Fuller 0{,}128981 (SH 0{,}047601; k=0{,}999667).

Adım 3 — AR. F=6{,}881108 (1 ve 3003 sd), p=0{,}008755, küme [0{,}0383986;\ 0{,}2611837] (yayımlanan [0{,}0383986;\ 0{,}2611837]); tek araçta CLR satırı aynı.

Adım 4 — İki araç. F_1=9{,}4527; TSLS 0{,}160849, LIML 0{,}174638 (k=1{,}0008583), Fuller 0{,}168799. AR F=7{,}155019, küme [0{,}0863437;\ 0{,}3165591]. Sargan 2{,}581263 (p=0{,}108135). R şablonu aynı veride CLR kümesini [0{,}0789044;\ 0{,}3368162] olarak verir; Python'da bu satır yoktur.

Adım 5 — Zayıf araç. F_1=4{,}585: TSLS 0{,}2097 (Wald [-0{,}0058;\ 0{,}4252]), AR kümesi [0{,}0290;\ 1{,}8014]. Gürültü aracı (F_1=0{,}837): AR kümesi [-\infty;\ \infty]. İki zayıf araç (F_1=2{,}73): (-\infty;\ -2{,}1013]\cup[-0{,}0439;\ \infty).

Adım 6 — Başka ayarlar. \beta_0=0{,}1: AR kümesi değişmez, t ve AR testi \beta_0'a göre güncellenir. b=4: Fuller 0{,}120974. \alpha=0{,}10: AR kümesi [0{,}0544;\ 0{,}2328]. Ortak değişken yok: F_1=63{,}912, TSLS 0{,}188063, AR kümesi [0{,}1430;\ 0{,}2509].

141.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
örnek ayar (nearc4): ilk aşama F 16,71759144 16,71759144 16,71759144 2,1e−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 2,0e−15 ✓
örnek ayar (nearc4): OLS SH 0,00350543 0,00350543 0,00350543 4,0e−17 ✓
örnek ayar (nearc4): OLS p 2,279883·10−92 2,279883·10−92 2,279883·10−92 2,4e−103 ✓
örnek ayar (nearc4): OLS GA alt 0,0671357 0,0671357 0,0671357 2,0e−15 ✓
örnek ayar (nearc4): OLS GA üst 0,08088229 0,08088229 0,08088229 2,0e−15 ✓
örnek ayar (nearc4): TSLS kestirimi 0,13228884 0,13228884 0,13228884 8,6e−13 ✓
örnek ayar (nearc4): TSLS SH 0,04923324 0,04923324 0,04923324 1,0e−13 ✓
örnek ayar (nearc4): TSLS p 0,00724981 0,00724981 0,00724981 2,6e−13 ✓
örnek ayar (nearc4): TSLS GA alt 0,03575456 0,03575456 0,03575456 6,6e−13 ✓
örnek ayar (nearc4): TSLS GA üst 0,22882312 0,22882312 0,22882312 1,1e−12 ✓
örnek ayar (nearc4): LIML kestirimi 0,13228884 0,13228884 0,13228884 8,6e−13 ✓
örnek ayar (nearc4): LIML SH 0,04923324 0,04923324 0,04923324 1,0e−13 ✓
örnek ayar (nearc4): LIML p 0,00724981 0,00724981 0,00724981 2,6e−13 ✓
örnek ayar (nearc4): LIML GA alt 0,03575456 0,03575456 0,03575456 6,6e−13 ✓
örnek ayar (nearc4): LIML GA üst 0,22882312 0,22882312 0,22882312 1,1e−12 ✓
örnek ayar (nearc4): Fuller kestirimi 0,12898115 0,12898115 0,12898115 3,1e−12 ✓
örnek ayar (nearc4): Fuller SH 0,04760087 0,04760087 0,04760087 2,2e−13 ✓
örnek ayar (nearc4): Fuller p 0,00677392 0,00677392 0,00677392 1,1e−12 ✓
örnek ayar (nearc4): Fuller GA alt 0,03564754 0,03564754 0,03564754 2,7e−12 ✓
örnek ayar (nearc4): Fuller GA üst 0,22231476 0,22231476 0,22231476 3,5e−12 ✓
örnek ayar (nearc4): LIML k 1 1 1 1,9e−15 ✓
örnek ayar (nearc4): Fuller k 0,999667 0,999667 0,999667 1,6e−15 ✓
örnek ayar (nearc4): AR F 6,88110831 6,88110831 6,88110831 6,8e−14 ✓
örnek ayar (nearc4): AR p 0,00875521 0,00875521 0,00875521 1,8e−15 ✓
örnek ayar (nearc4): AR GA alt (zarf) 0,0383986 0,0383986 0,0383986 4,1e−15 ✓
örnek ayar (nearc4): AR GA üst (zarf) 0,26118365 0,26118365 0,26118365 9,3e−15 ✓
örnek ayar (nearc4): CLR p 0,00875521 0,00875521 0,00875521 2,7e−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 2,7e−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 4,8e−12 ✓
iki araç (nearc4, nearc2): LIML SH 0,05382563 0,05382563 0,05382563 5,9e−13 ✓
iki araç (nearc4, nearc2): Fuller kestirimi 0,16879937 0,16879937 0,16879937 7,7e−13 ✓
iki araç (nearc4, nearc2): Fuller SH 0,05161175 0,05161175 0,05161175 6,6e−14 ✓
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 6,7e−16 ✓
iki araç (nearc4, nearc2): AR F 7,15501881 7,15501881 7,15501881 3,6e−14 ✓
iki araç (nearc4, nearc2): AR p 7,943238·10−4 7,943238·10−4 7,943238·10−4 1,0e−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 9,4e−14 ✓
iki araç (nearc4, nearc2): Sargan 2,58126252 2,58126252 2,58126252 1,5e−15 ✓
iki araç (nearc4, nearc2): Sargan p 0,10813538 0,10813538 0,10813538 1,6e−15 ✓
Fuller b=4: ilk aşama F 16,71759144 16,71759144 16,71759144 2,1e−12 ✓
Fuller b=4: TSLS kestirimi 0,13228884 0,13228884 0,13228884 8,6e−13 ✓
Fuller b=4: TSLS SH 0,04923324 0,04923324 0,04923324 1,0e−13 ✓
Fuller b=4: LIML kestirimi 0,13228884 0,13228884 0,13228884 8,6e−13 ✓
Fuller b=4: LIML SH 0,04923324 0,04923324 0,04923324 1,0e−13 ✓
Fuller b=4: Fuller kestirimi 0,12097396 0,12097396 0,12097396 1,2e−12 ✓
Fuller b=4: Fuller SH 0,04356743 0,04356743 0,04356743 5,2e−14 ✓
Fuller b=4: LIML k 1 1 1 1,9e−15 ✓
Fuller b=4: Fuller k 0,998668 0,998668 0,998668 1,6e−15 ✓
Fuller b=4: AR F 6,88110831 6,88110831 6,88110831 6,8e−14 ✓
Fuller b=4: AR p 0,00875521 0,00875521 0,00875521 1,8e−15 ✓
Fuller b=4: AR GA alt (zarf) 0,0383986 0,0383986 0,0383986 4,1e−15 ✓
Fuller b=4: AR GA üst (zarf) 0,26118365 0,26118365 0,26118365 9,3e−15 ✓
Fuller b=4: CLR p 0,00875521 0,00875521 0,00875521 2,7e−15 ✓
\beta_0=0{,}1: ilk aşama F 16,71759144 16,71759144 16,71759144 2,1e−12 ✓
\beta_0=0{,}1: TSLS kestirimi 0,13228884 0,13228884 0,13228884 8,6e−13 ✓
\beta_0=0{,}1: TSLS SH 0,04923324 0,04923324 0,04923324 1,0e−13 ✓
\beta_0=0{,}1: LIML kestirimi 0,13228884 0,13228884 0,13228884 8,6e−13 ✓
\beta_0=0{,}1: LIML SH 0,04923324 0,04923324 0,04923324 1,0e−13 ✓
\beta_0=0{,}1: Fuller kestirimi 0,12898115 0,12898115 0,12898115 3,1e−12 ✓
\beta_0=0{,}1: Fuller SH 0,04760087 0,04760087 0,04760087 2,2e−13 ✓
\beta_0=0{,}1: LIML k 1 1 1 1,9e−15 ✓
\beta_0=0{,}1: Fuller k 0,999667 0,999667 0,999667 1,6e−15 ✓
\beta_0=0{,}1: AR F 0,46133521 0,46133521 0,46133521 4,4e−14 ✓
\beta_0=0{,}1: AR p 0,49705297 0,49705297 0,49705297 1,6e−13 ✓
\beta_0=0{,}1: AR GA alt (zarf) 0,0383986 0,0383986 0,0383986 4,1e−15 ✓
\beta_0=0{,}1: AR GA üst (zarf) 0,26118365 0,26118365 0,26118365 9,3e−15 ✓
\beta_0=0{,}1: CLR p 0,49705297 0,49705297 0,49705297 1,1e−13 ✓
\alpha=0{,}10: ilk aşama F 16,71759144 16,71759144 16,71759144 2,1e−12 ✓
\alpha=0{,}10: TSLS kestirimi 0,13228884 0,13228884 0,13228884 8,6e−13 ✓
\alpha=0{,}10: TSLS SH 0,04923324 0,04923324 0,04923324 1,0e−13 ✓
\alpha=0{,}10: LIML kestirimi 0,13228884 0,13228884 0,13228884 8,6e−13 ✓
\alpha=0{,}10: LIML SH 0,04923324 0,04923324 0,04923324 1,0e−13 ✓
\alpha=0{,}10: Fuller kestirimi 0,12898115 0,12898115 0,12898115 3,1e−12 ✓
\alpha=0{,}10: Fuller SH 0,04760087 0,04760087 0,04760087 2,2e−13 ✓
\alpha=0{,}10: LIML k 1 1 1 1,9e−15 ✓
\alpha=0{,}10: Fuller k 0,999667 0,999667 0,999667 1,6e−15 ✓
\alpha=0{,}10: AR F 6,88110831 6,88110831 6,88110831 6,8e−14 ✓
\alpha=0{,}10: AR p 0,00875521 0,00875521 0,00875521 1,8e−15 ✓
\alpha=0{,}10: AR GA alt (zarf) 0,05440382 0,05440382 0,05440382 1,4e−14 ✓
\alpha=0{,}10: AR GA üst (zarf) 0,23282197 0,23282197 0,23282197 1,2e−14 ✓
\alpha=0{,}10: CLR p 0,00875521 0,00875521 0,00875521 2,7e−15 ✓
zayıf araç (F\approx4{,}6): ilk aşama F 4,58512037 4,58512037 4,58512037 2,4e−12 ✓
zayıf araç (F\approx4{,}6): TSLS kestirimi 0,20969807 0,20969807 0,20969807 7,5e−12 ✓
zayıf araç (F\approx4{,}6): TSLS SH 0,1099178 0,1099178 0,1099178 2,3e−12 ✓
zayıf araç (F\approx4{,}6): LIML kestirimi 0,20969807 0,20969807 0,20969807 7,5e−12 ✓
zayıf araç (F\approx4{,}6): LIML SH 0,1099178 0,1099178 0,1099178 2,3e−12 ✓
zayıf araç (F\approx4{,}6): Fuller kestirimi 0,18536623 0,18536623 0,18536623 5,3e−12 ✓
zayıf araç (F\approx4{,}6): Fuller SH 0,0940254 0,0940254 0,0940254 1,1e−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 5,6e−16 ✓
zayıf araç (F\approx4{,}6): AR F 4,75794931 4,75794931 4,75794931 1,2e−13 ✓
zayıf araç (F\approx4{,}6): AR p 0,02924059 0,02924059 0,02924059 1,5e−14 ✓
zayıf araç (F\approx4{,}6): AR GA alt (zarf) 0,02901438 0,02901438 0,02901438 1,0e−14 ✓
zayıf araç (F\approx4{,}6): AR GA üst (zarf) 1,80136464 1,80136464 1,80136464 4,5e−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 9,1e−13 ✓
sınırda araç (F\approx11): TSLS kestirimi 0,17848072 0,17848072 0,17848072 3,2e−13 ✓
sınırda araç (F\approx11): TSLS SH 0,06598169 0,06598169 0,06598169 1,1e−13 ✓
sınırda araç (F\approx11): LIML kestirimi 0,17848072 0,17848072 0,17848072 3,2e−13 ✓
sınırda araç (F\approx11): LIML SH 0,06598169 0,06598169 0,06598169 1,1e−13 ✓
sınırda araç (F\approx11): Fuller kestirimi 0,16975973 0,16975973 0,16975973 1,3e−12 ✓
sınırda araç (F\approx11): Fuller SH 0,06201392 0,06201392 0,06201392 2,1e−13 ✓
sınırda araç (F\approx11): LIML k 1 1 1 1,3e−15 ✓
sınırda araç (F\approx11): Fuller k 0,999667 0,999667 0,999667 1,3e−15 ✓
sınırda araç (F\approx11): AR F 8,27855702 8,27855702 8,27855702 4,3e−14 ✓
sınırda araç (F\approx11): AR p 0,00403991 0,00403991 0,00403991 6,7e−16 ✓
sınırda araç (F\approx11): AR GA alt (zarf) 0,06476874 0,06476874 0,06476874 3,1e−15 ✓
sınırda araç (F\approx11): AR GA üst (zarf) 0,40450224 0,40450224 0,40450224 3,4e−14 ✓
sınırda araç (F\approx11): CLR p 0,00403991 0,00403991 0,00403991 1,1e−15 ✓
gürültü aracı (F\approx0{,}8): ilk aşama F 0,83701315 0,83701315 0,83701315 1,2e−11 ✓
gürültü aracı (F\approx0{,}8): TSLS kestirimi 0,05814308 0,05814308 0,05814308 3,1e−11 ✓
gürültü aracı (F\approx0{,}8): TSLS SH 0,21071247 0,21071247 0,21071247 5,4e−12 ✓
gürültü aracı (F\approx0{,}8): LIML kestirimi 0,05814308 0,05814308 0,05814308 1,9e−11 ✓
gürültü aracı (F\approx0{,}8): LIML SH 0,21071247 0,21071247 0,21071247 6,3e−12 ✓
gürültü aracı (F\approx0{,}8): Fuller kestirimi 0,06678229 0,06678229 0,06678229 3,9e−12 ✓
gürültü aracı (F\approx0{,}8): Fuller SH 0,14185056 0,14185056 0,14185056 6,2e−14 ✓
gürültü aracı (F\approx0{,}8): LIML k 1 1 1 2,2e−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 2,4e−13 ✓
gürültü aracı (F\approx0{,}8): AR p 0,79614182 0,79614182 0,79614182 4,6e−13 ✓
gürültü aracı (F\approx0{,}8): CLR p 0,79614182 0,79614182 0,79614182 4,1e−14 ✓
dışsal ortak değişken yok: ilk aşama F 63,91185678 63,91185678 63,91185678 5,2e−13 ✓
dışsal ortak değişken yok: TSLS kestirimi 0,18806263 0,18806263 0,18806263 3,1e−13 ✓
dışsal ortak değişken yok: TSLS SH 0,02629134 0,02629134 0,02629134 4,0e−14 ✓
dışsal ortak değişken yok: LIML kestirimi 0,18806263 0,18806263 0,18806263 3,1e−13 ✓
dışsal ortak değişken yok: LIML SH 0,02629134 0,02629134 0,02629134 3,8e−14 ✓
dışsal ortak değişken yok: Fuller kestirimi 0,18592346 0,18592346 0,18592346 1,4e−13 ✓
dışsal ortak değişken yok: Fuller SH 0,02591343 0,02591343 0,02591343 2,2e−14 ✓
dışsal ortak değişken yok: LIML k 1 1 1 3,0e−15 ✓
dışsal ortak değişken yok: Fuller k 0,99966755 0,99966755 0,99966755 3,3e−15 ✓
dışsal ortak değişken yok: AR F 82,74453242 82,74453242 82,74453242 9,1e−15 ✓
dışsal ortak değişken yok: AR p 1,654907·10−19 1,654907·10−19 1,654907·10−19 4,9e−31 ✓
dışsal ortak değişken yok: AR GA alt (zarf) 0,1430375 0,1430375 0,1430375 3,0e−14 ✓
dışsal ortak değişken yok: AR GA üst (zarf) 0,25086263 0,25086263 0,25086263 5,3e−14 ✓
dışsal ortak değişken yok: CLR p 1,654907·10−19 1,654907·10−19 1,654907·10−19 4,7e−31 ✓
iki zayıf araç: ilk aşama F 2,7316373 2,7316373 2,7316373 1,9e−12 ✓
iki zayıf araç: TSLS kestirimi 0,18589686 0,18589686 0,18589686 2,2e−12 ✓
iki zayıf araç: TSLS SH 0,09518034 0,09518034 0,09518034 5,4e−13 ✓
iki zayıf araç: LIML kestirimi 0,19289984 0,19289984 0,19289984 7,1e−12 ✓
iki zayıf araç: LIML SH 0,0996998 0,0996998 0,0996998 1,7e−12 ✓
iki zayıf araç: Fuller kestirimi 0,17350973 0,17350973 0,17350973 8,7e−12 ✓
iki zayıf araç: Fuller SH 0,08735677 0,08735677 0,08735677 1,6e−12 ✓
iki zayıf araç: LIML k 1,00010701 1,00010701 1,00010701 3,6e−15 ✓
iki zayıf araç: Fuller k 0,9997739 0,9997739 0,9997739 4,4e−16 ✓
iki zayıf araç: AR F 2,41762956 2,41762956 2,41762956 1,0e−13 ✓
iki zayıf araç: AR p 0,08930618 0,08930618 0,08930618 1,2e−13 ✓
iki zayıf araç: Sargan 0,32207234 0,32207234 0,32207234 1,7e−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 6,5e−13 ✓
metin araç (bolge, 3 düzey): TSLS kestirimi 0,44565509 0,44565509 0,44565509 1,5e−12 ✓
metin araç (bolge, 3 düzey): TSLS SH 0,064572 0,064572 0,064572 2,5e−13 ✓
metin araç (bolge, 3 düzey): LIML kestirimi 0,44755102 0,44755102 0,44755102 2,9e−13 ✓
metin araç (bolge, 3 düzey): LIML SH 0,0649991 0,0649991 0,0649991 9,4e−14 ✓
metin araç (bolge, 3 düzey): Fuller kestirimi 0,43879363 0,43879363 0,43879363 2,8e−13 ✓
metin araç (bolge, 3 düzey): Fuller SH 0,0630365 0,0630365 0,0630365 8,1e−14 ✓
metin araç (bolge, 3 düzey): LIML k 1,00007073 1,00007073 1,00007073 8,2e−15 ✓
metin araç (bolge, 3 düzey): Fuller k 0,99973784 0,99973784 0,99973784 3,6e−15 ✓
metin araç (bolge, 3 düzey): AR F 96,18358855 96,18358855 96,18358855 6,1e−15 ✓
metin araç (bolge, 3 düzey): AR p 3,243288·10−41 3,243288·10−41 3,243288·10−41 2,7e−53 ✓
metin araç (bolge, 3 düzey): AR GA alt (zarf) 0,32881482 0,32881482 0,32881482 2,2e−15 ✓
metin araç (bolge, 3 düzey): AR GA üst (zarf) 0,68694297 0,68694297 0,68694297 1,3e−14 ✓
metin araç (bolge, 3 düzey): Sargan 0,21287743 0,21287743 0,21287743 3,1e−16 ✓
metin araç (bolge, 3 düzey): Sargan p 0,64452139 0,64452139 0,64452139 3,3e−16 ✓
sonuç \times100: ilk aşama F 16,71759144 16,71759144 16,71759144 2,1e−12 ✓
sonuç \times100: TSLS kestirimi 13,228884 13,228884 13,228884 1,3e−11 ✓
sonuç \times100: TSLS SH 4,92332361 4,92332361 4,92332361 3,3e−12 ✓
sonuç \times100: LIML kestirimi 13,228884 13,228884 13,228884 1,3e−11 ✓
sonuç \times100: LIML SH 4,92332361 4,92332361 4,92332361 3,3e−12 ✓
sonuç \times100: Fuller kestirimi 12,89811507 12,89811507 12,89811507 2,6e−11 ✓
sonuç \times100: Fuller SH 4,76008685 4,76008685 4,76008685 5,4e−12 ✓
sonuç \times100: LIML k 1 1 1 1,4e−15 ✓
sonuç \times100: Fuller k 0,999667 0,999667 0,999667 1,2e−15 ✓
sonuç \times100: AR F 6,88110831 6,88110831 6,88110831 4,0e−14 ✓
sonuç \times100: AR p 0,00875521 0,00875521 0,00875521 5,5e−15 ✓
sonuç \times100: AR GA alt (zarf) 3,83986008 3,83986008 3,83986008 3,7e−13 ✓
sonuç \times100: AR GA üst (zarf) 26,11836536 26,11836536 26,11836536 2,8e−14 ✓
sonuç \times100: CLR p 0,00875521 0,00875521 0,00875521 6,2e−15 ✓
araç ters kodlu: ilk aşama F 16,71759144 16,71759144 16,71759144 8,1e−13 ✓
araç ters kodlu: TSLS kestirimi 0,13228884 0,13228884 0,13228884 8,5e−14 ✓
araç ters kodlu: TSLS SH 0,04923324 0,04923324 0,04923324 9,5e−15 ✓
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 2,2e−13 ✓
araç ters kodlu: Fuller kestirimi 0,12898115 0,12898115 0,12898115 6,7e−13 ✓
araç ters kodlu: Fuller SH 0,04760087 0,04760087 0,04760087 2,4e−14 ✓
araç ters kodlu: LIML k 1 1 1 1,1e−15 ✓
araç ters kodlu: Fuller k 0,999667 0,999667 0,999667 3,6e−15 ✓
araç ters kodlu: AR F 6,88110831 6,88110831 6,88110831 6,8e−14 ✓
araç ters kodlu: AR p 0,00875521 0,00875521 0,00875521 1,8e−15 ✓
araç ters kodlu: AR GA alt (zarf) 0,0383986 0,0383986 0,0383986 4,6e−15 ✓
araç ters kodlu: AR GA üst (zarf) 0,26118365 0,26118365 0,26118365 7,2e−16 ✓
araç ters kodlu: CLR p 0,00875521 0,00875521 0,00875521 2,9e−15 ✓

Ölçütü karşılayan: 197/197. 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}. Çok araçta Python şablonu CLR satırını NaN yazar; CLR satırları yalnız tek araçta karşılaştırılmıştır. Sonsuz sınırlı kümelerde yalnız sonlu sınırlar karşılaştırılmıştır.

141.6.2 R şablonuyla karşılaştırma (ikiz)

Aşağıdaki tablo iki şablonu aynı veri ve ayarla çalıştırır (dogrulama/zayif_arac_saglam/karsilastir.py). Farklar göreli, |a-b|/|a|; "durur" şablonun hata iletisiyle bittiği anlamına gelir.

Çalıştırma R şablonu Python şablonu TSLS farkı (göreli) TSLS SH farkı Fuller SH farkı AR GA farkı Not
örnek ayar (nearc4) tamam tamam 5,4e−12 1,9e−12 6,4e−12 4,8e−14
iki araç (nearc4, nearc2) tamam tamam 1,6e−11 4,6e−12 2,7e−12 2,9e−13 CLR yalnız R'de
Fuller b=4 tamam tamam 5,4e−12 1,9e−12 6,3e−13 4,8e−14
\beta_0=0{,}1 tamam tamam 5,4e−12 1,9e−12 6,4e−12 4,8e−14
\alpha=0{,}10 tamam tamam 5,4e−12 1,9e−12 6,4e−12 2,2e−13
zayıf araç (F\approx4{,}6) tamam tamam 6,3e−12 1,3e−12 1,3e−11 3,3e−13
sınırda araç (F\approx11) tamam tamam 2,0e−11 7,1e−12 6,0e−12 1,0e−13
gürültü aracı (F\approx0{,}8) tamam tamam 4,8e−10 2,4e−11 3,7e−12 —
dışsal ortak değişken yok durur tamam — — — — R şablonu durur, öteki çalışır
iki zayıf araç tamam tamam 3,5e−12 2,2e−12 1,7e−11 — CLR yalnız R'de
metin araç (bolge, 3 düzey) tamam tamam 1,6e−12 2,0e−12 1,4e−12 1,2e−13 CLR yalnız R'de
sonuç \times100 tamam tamam 9,6e−12 2,7e−12 2,0e−12 5,2e−14
araç ters kodlu tamam tamam 2,1e−13 8,2e−13 8,2e−13 5,0e−14
5 eksik değerli satır tamam tamam 1,7e−11 4,1e−12 1,6e−12 1,2e−12
sonuç ondalık virgüllü metin durur durur — — — — iki şablon da aynı iletiyle durur
sabit ortak değişken durur durur — — — — iki şablon da aynı iletiyle durur
eş doğrusal ortak değişken durur durur — — — — iki şablon da aynı iletiyle durur
12 satır tamam tamam 1,3e−10 2,0e−10 3,0e−15 —
9 satır durur durur — — — — iki şablon da aynı iletiyle durur
sonuç = içsel değişken durur durur — — — — iki şablon da aynı iletiyle durur
araç listesinde sonuç tamam tamam 5,4e−12 1,9e−12 6,4e−12 4,8e−14
ortak değişken listesinde araç tamam tamam 1,8e−12 1,3e−12 1,7e−13 2,3e−13
metin ortak değişken (south_metin) tamam tamam 2,2e−12 1,1e−12 5,8e−14 1,6e−14
araç = içsel değişken durur durur — — — — iki şablon da aynı iletiyle durur
exper 'kategorik' türde tamam tamam 7,4e−12 5,4e−13 5,7e−12 2,1e−12
educ, nearc4 'kategorik' türde tamam tamam 5,4e−12 1,9e−12 6,4e−12 4,8e−14
metin ortak değişken (bolge) tamam tamam 2,6e−12 1,6e−12 3,2e−12 4,5e−14
geçersiz ikinci araç (AR kümesi boş) tamam tamam 1,3e−13 1,4e−13 1,7e−13 — CLR yalnız R'de

141.7 Çıktıyı okuma

Örnek ayarda şablonun üç tablosu ve konsol notu (zp_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]. Tek araçta CLR = AR.

Şekil 141.1. Şablonun şekli: AR F istatistiğinin \beta'ya göre profili (`matplotlib`; mor çizgi: F(\beta), kesikli yatay çizgi: kritik değer F_{1-\alpha;L,n-L-p}, gri dikey çizgi: TSLS kestirimi). R eşinden farkı: eksen sayıları ondalık noktalıdır.

Öğe Ne yazar Nasıl yorumlanır
İlk aşama tablosu n, L, p (kesişimsiz), F_1, sd'ler, p, kısmi R^2. F_1=16{,}7>10; kısmi R^2 yarım yüzde: araç ilgili, ama güçlü değil.
Uyarı satırı F_1<10 ise yazılır. Wald (TSLS) aralığı yerine AR kümesine bakın; örnek ayarda çıkmaz.
k-sınıfı tablosu k, kestirim, SH, t, p, Wald GA. EKK 0{,}074; TSLS 0{,}132. L=1 olduğunda LIML ve TSLS aynıdır.
AR satırı F, sd1, sd2, p, küme sınırları, parça sayısı. p=0{,}0088: \beta=0 reddedilir.
CLR satırı L=1: AR'ın kopyası; L>1: NaN. Çok araçta CLR için R şablonunu kullanın.
Sargan S, sd, p (L>1). Küçük p: araçlar çelişiyor.

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. Anderson-Rubin %95 güven kümesi [0{,}038;\ 0{,}261]'dir (F_{1{,}3003}=6{,}88; p=0{,}0088).

141.8 Sık hatalar ve tuzaklar

  • Çok araçta CLR yok. İki araçla (F_1=9{,}45) CLR satırı NaN'dır; R şablonu CLR kümesini [0{,}0789;\ 0{,}3368] olarak verir (AR kümesi [0{,}0863;\ 0{,}3166]). Çok araçlı modelde yalnız AR kullanmak güç kaybettirir; Bölüm 140'ı kullanın.
  • Dayanıklı SH seçeneği yok. Heteroskedastik ya da kümeli veride k-sınıfı SH'si klasik hesaplanır ve sessizce iyimser olabilir; R eşinde hetero ve kume seçilebilir (Bölüm 140.8). AR kümesi ve Sargan her iki şablonda da klasiktir.
  • 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. AR kümesini raporlayın. Küme sınırsız ya da iki parçalı çıkabilir; bu bir hata değil, aracın bilgisizliğidir.
  • Küme metninde işaret biçimi. Sınırsız uçlar "∞" ve "-∞" olarak, sonlu negatif sayılar aynı tire ile yazılır: "[-∞; -2,101343] ∪ [-0,04388673; ∞]" (zp_iki_zayif; bulgular B3). R eşi aynı biçimi kullanır.
  • Zarf sütunu. Küme iki parçalıysa tablodaki GA_alt/GA_ust zarftır (-\infty ve \infty); parçalar yalnız konsol metnindedir.
  • Boş küme. Aşırı tanımlı modelde araçlardan biri geçersizse AR kümesi boş olabilir: şablon "AR güven kümesi: boş küme", parca_sayisi = 0 ve NaN sınırlar yazar ve araçların çeliştiğini söyleyen bir uyarı ekler (zp_gecersiz; R eşi de aynı biçimde yazar, Bölüm 140 bulgular B8).
  • Araç ve ortak değişken listesi düzeltilir ve yazılır. Aracı x'e de işaretlerseniz araç x'ten çıkarılır; sonucu z'ye koyarsanız çıkarılır (zp_x_z_ortak, zp_z_y_icinde). Şablon çıkarılan sütunları "Araçlardan çıkarılan: …; ortak değişkenlerden çıkarılan: …" notuyla yazar (bulgular B2).
  • Metin araç ve ortak değişkenler. Gösterge sütunlarının sayısı L'yi belirler: 3 düzeyli bolge L=2 sayılır (kesişimli tam gösterge). Araç ve ortak değişken olarak aynı metin sütunu doğrusal bağımlı hata verir.
  • Eksik değer. Sessizce atılır (n=3005); çıktıdaki n'yi veri sayınızla karşılaştırın. Ondalık virgüllü metin sonuç sütunu "sayısal bir sütun değil" iletisiyle başlamaz (iki şablonda aynı).
  • Küçük örneklem. n=12 (2 ortak değişken): F_1=0{,}0006, TSLS 5{,}25 (SH 213), Fuller 0{,}1217 (k=0{,}875); n=9 durur (en az 10 satır).
  • Ölçek ve kodlama. Sonuç 100 ile çarpılırsa kestirimler ve SH'ler 100 kat olur, AR F ve p değişmez; 1-Z ters kodlu araç aynı sonucu verir.

141.9 Uzman soruları

S1. Python ve R şablonları neden aynı sayıları veriyor?

İkisi de aynı k-sınıfı formülünü, AR'ın aynı F testini ve aynı kısmi çıkarmayı uygular; farklar yalnız kayan nokta işlemlerinin sırasındandır (10^{-9} göreli). Ayrılık noktaları: CLR (yalnız R), dayanıklı SH (yalnız R); ortak değişkensiz model ve p değerinin hesabı iki şablonda aynıdır.

S2. Tek araçta CLR neden AR'a eşit?

Tek araçta Q_S tek boyutludur ve koşullu dağılım \chi^2_1 üzerinden AR'ın F dağılımına indirgenir; CLR testi AR testiyle çakışır (Moreira, 2003). Şablon bu nedenle CLR satırında AR'ın istatistiğini, p değerini ve kümesini tekrarlar. Çok araçta CLR ayrı bilgi taşır ve yalnız R şablonunda hesaplanır.

S3. Güven kümesi sınırsız çıkarsa ne yapmalı?

Araç \beta hakkında bilgisizdir: aracı güçlendirecek bir tanım ya da daha fazla veri gerekir. Gürültü aracında (F_1=0{,}84) AR kümesi [-\infty;\ \infty]'dir. Wald aralığı sonlu ([-0{,}355;\ 0{,}471]) göründüğünden yanıltıcıdır; raporlanacak olan AR kümesi ve "etki belirlenemedi" ifadesidir.

S4. LIML neden aşırı tanımlı modelde TSLS'ten farklı?

L=1'de k_{\rm LIML}=1 ve LIML = TSLS'tir. L>1'de LIML, AR istatistiğini en küçükleyen \beta'dır ve \hat D=P_ZD'ye bağlı değildir: k_{\rm LIML}=1{,}0008583 (L=2, TSLS 0{,}1608, LIML 0{,}1746). Fuller, LIML'i b/(n-L-p) kadar kaydırarak momentleri sonlu yapar (0{,}1688; Fuller, 1977).

S5. t dağılımının serbestlik derecesi iki şablonda neden farklı yazılıyor?

Python n-L-p (p kesişim dahil), R n-\mathrm{ncol}(W)=n-p-1 kullanır; L=1'de aynıdır. L=2'de 3002 ve 3003: t_{0{,}975}'te 10^{-7} göreli fark; kitaptaki sayılar 10^{-6} ölçütü içinde aynıdır. Küçük örneklemde (n=12, L=1) fark yoktur; çok araç ve küçük n'de anlamlı olabilir.

S6. Sınır durumu: AR kümesi boşsa yorum ne olur?

Aşırı tanımlı modelde araçlar \beta hakkında birbirine zıt bilgi veriyorsa hiçbir \beta aşırı tanımlama kısıtını sağlamaz: küme boştur (zp_gecersiz: AR F=43373). Bu bir araçların uyumsuzluğunun işaretidir; Sargan testi aynı sonucu verir. Aracı çıkarın ya da modeli yeniden düşünün.

S7. Başka bir uygulamayla ne zaman ayrışır?

TSLS kestirimi ve klasik SH, AER::ivreg ile aynıdır (bu kitapta doğrulandı); Python'daki başka IV paketleriyle karşılaştırma yapılmamıştır. Paketler arasında en çok Fuller sabiti (k=k_{\rm LIML}-b/(n-L-p) ya da b/(n-L)) ve serbestlik derecesi düzeltmesi ayrışır; şablon birinci tanımı kullanır (Bölüm 140.4.2).

141.10 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
  • 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
  • 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
  • Staiger, D., & Stock, J. H. (1997). Instrumental variables regression with weak instruments. Econometrica, 65(3), 557–586. https://doi.org/10.2307/2171753
  • Yazılım kaydı (şablonun ozet.json çıktısı): Python 3.13.1; numpy 2.4.6 (Harris ve ark., 2020, https://doi.org/10.1038/s41586-020-2649-2), pandas 2.3.3, scipy 1.16.3 (Virtanen ve ark., 2020, https://doi.org/10.1038/s41592-019-0686-2), matplotlib 3.10.9.