60. Araç Değişkenli Regresyon (2SLS)
Analiz kimliği: iv_regression · Menü adı: Araç Değişkenli Regresyon (2SLS) · Panel: gui/panels/analyses/iv_regression.py (form 56–128, read_options 131–154, execute 174–200, kontrast 203–216, metin 246–316, APA 383–404) · Motor: stats/iv_regression.py, run_iv_regression (satır 135–322); sistem kestirimi stats/sur_3sls.py, run_system (153–259); ortak yardımcılar stats/_econ_common.py
60.1 Ne işe yarar
Araç değişkenli (instrumental variables, IV) regresyon, bir açıklayıcı hata terimiyle ilişkili olduğunda (içsellik) nedensel etkiyi tutarlı biçimde kestirir. Cevapladığı soru: "Hastanın ilaç uyumu 1 puan arttığında 12. ay sistolik kan basıncı ne kadar değişir; uyumlu hastaların zaten daha sağlıklı yaşaması bu tahmini bozmadan?" Yapısal model:
- y_i: bağımlı değişken (12. ay SKB).
- \mathbf w_i: dışsal kontroller (yaş, başlangıç SKB); hatayla ilişkisiz.
- \mathbf x_i: içsel açıklayıcılar (ilaç uyumu); hatayla ilişkili, bu yüzden OLS tutarsız.
- \mathbf z_i: dışlanan araçlar (eczaneye uzaklık, katkı payı muafiyeti); yapısal denklemde yer almaz.
- \boldsymbol\delta: aranan nedensel etki.
Bir aracın geçerli olması için iki koşul gerekir: ilgililik (araç, kontroller sabitken içsel değişkeni açıklar) ve dışlama (araç y'yi yalnız içsel değişken üzerinden etkiler, u ile ilişkisizdir). İlki birinci aşama F testiyle sınanabilir; ikincisi sınanamaz, yalnız araç sayısı içsel sayısını aşınca aşırı tanımlama testi kısmî bir denetim sağlar.
MerQur iki tek-denklem kestiricisi (2SLS, LIML), beş SH türü, birinci aşama tanıları, Wu–Hausman içsellik testi, Sargan ve Hansen J aşırı tanımlama testleri, OLS karşılaştırması, özel kontrast ve isteğe bağlı sistem kestirimi (SUR, 3SLS) sunar.
Ne zaman kullanılır?
- Açıklayıcı ile sonuç arasında gözlenmeyen ortak neden (sağlık bilinci), ters nedensellik ya da açıklayıcıda ölçüm hatası varsa ve güçlü, inandırıcı bir araç bulunuyorsa.
- Rastgele atamaya uyumsuzlukta "atanmış tedavi"nin araç olduğu ITT/CACE çözümlemelerinde.
- Mendel randomizasyonu benzeri doğal deney tasarımlarında (genetik varyant araç).
Ne zaman kullanılmaz?
- İçsellik kaygısı yoksa: OLS daha etkindir; Çoklu Doğrusal Regresyon (Bölüm 45).
- Karıştırıcılar gözlenmişse ve araç yoksa: gözlenen karıştırıcıları denetleyen regresyon ya da Eğilim Skoru Analizi (Bölüm 61).
- Karıştırıcı birim içinde sabitse ve panel veri varsa: Panel Veri Regresyonu, sabit etkiler (Bölüm 59).
- Sonuç ikili ya da sayımsa: doğrusal IV olasılık modeli yorumlanabilir ama MerQur'da kontrol fonksiyonlu lojistik/probit IV yoktur.
- Araç zayıfsa (birinci aşama F küçük) ve başka araç yoksa: 2SLS OLS yönünde yanlıdır; LIML biraz dayanıklıdır, ama zayıf araçta sağlam (Anderson–Rubin) GA MerQur'da yoktur.
Sık karıştırılan analizler. Eğilim skoru ve çoklu regresyon yalnız gözlenen karıştırıcıları denetler; IV gözlenmeyeni de denetler ama bunu doğrulanamayan dışlama varsayımıyla öder. Aracılık analizi (PROCESS) ile karıştırılmamalıdır: aracılıkta ara değişken nedensel yolun üzerindedir ve etkisi kestirilir; IV'de araç yolun başındadır ve doğrudan etkisi olmadığı varsayılır. Sistem kestirimindeki SUR içselliği çözmez; yalnız denklem hatalarının ilişkisinden etkinlik kazanır.
60.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| İlgililik | Araçlar, kontroller sabitken içsel değişkeni açıklar. | Birinci aşama dışlanan araçların ortak F testi; F<10 ise uyarı (iv_regression.py:305–307). |
| Dışlama (dışsallık) | Araçlar u ile ilişkisiz. | Sınanamaz. Aşırı tanımlıysa Sargan ve Hansen J (288–303). |
| Sıra koşulu | Dışlanan araç sayısı ≥ içsel sayısı. | Değilse hata (173–174). |
| Rank koşulu | \mathbf Z ve \mathbf X tam sütun ranklı. | Değilse eşdoğrusal sütun adıyla hata (check_rank, 180–181). |
| Homoskedastik, bağımsız hata (klasik SH için) | \operatorname{Var}(u_i)=\sigma^2. | Denetlenmez; HC0/HC1/HC3 ya da kümelenmiş SH seçilebilir. |
| Doğrusallık ve homojen etki | \boldsymbol\delta herkes için aynı. | Denetlenmez. Etki heterojense 2SLS "uyum gösterenlerde" yerel ortalama etkiyi (LATE) kestirir. |
Eksik değer. Bağımlı, içsel, araç, kontrol ve (kümelenmiş SH'de) küme sütunlarının herhangi birinde eksik olan satır çıkarılır (liste bazında, iv_regression.py:164–166); sayısı uyarıda yazılır (312–313).
Uç durumlar.
- Bağımlı, içsel ya da araç seçilmemişse hata (145–150). Aynı sütun iki role atanmışsa hata (151–154). Kümelenmiş SH seçilip küme sütunu boşsa ya da küme sütunu bağımlı/içsel/araç rolündeyse hata (155–159). Küme sütunu dışsal kontrol olabilir.
- n\le araç matrisinin sütun sayısı + 1 ise hata (183–184).
- Metin içeren sütunlar, MerQur düzey sırasının (kullanıcının tanımladığı sıra, yoksa sayısal/doğal sıra, o da yoksa verideki ilk görülme sırası) ilk düzeyi referans olacak biçimde kuklaya açılır; sayısal kodlu sütunlar "Kategorik (faktör) değişkenler" alanına yazılırsa kukla açılır (
_econ_common.py:77–105). Alanda modele girmeyen bir ad varsa ayar bloğuna kaydedilir (iv_regression.py:184–191, panel). - Birden çok içsel değişkende birinci aşama artıkları eşdoğrusal çıkarsa (ör.
exper = age − educ − 6) Wu–Hausman testinde fazlalar düşürülür, sd rank'a iner ve uyarılır (273–286, 308–309). - Kümelenmiş SH'de küme sayısı G, kestirilen parametre sayısından büyük değilse kovaryans tekildir; G-1'den fazla kısıtlı ortak testler (Wald, zayıf araç, Wu–Hausman) "—" yazılır ve uyarılır (
_wald_F, 120–132; 310–311).
60.3 Parametreler
Varsayılanlar iv_regression.py:56–128 (form) ve 131–154'ten (read_options) okunmuştur.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Bağımlı değişken | ilk sayısal sütun | Sonuç. | — |
| İçsel değişken(ler) | en az 1 | Hatayla ilişkili açıklayıcılar. | Tasarım; her biri için birinci aşama. |
| Araç değişken(ler) | en az 1 | Dışlanan araçlar. | Tanımlama; aşırı tanımlama testleri. |
| Dışsal kontroller | boş | Hem yapısal denkleme hem araç kümesine girer. | Tasarım. |
| Kestirici | 2SLS (iki aşamalı EKK) | 2SLS ya da LIML. | Katsayılar (tam tanımlıda aynı). |
| Standart hata | Klasik | Klasik, HC0, HC1, HC3, kümelenmiş. | SH, t, p, GA, Wald F, zayıf araç F, Wu–Hausman; OLS karşılaştırması da aynı türle. |
| Küme sütunu | (yok) | Kümelenmiş SH'nin grubu; yalnız kümelenmiş seçilince etkin. | Kümelenmiş SH. |
| Kategorik (faktör) değişkenler | boş | Sayısal kodlu sütunları kuklaya açar (ör. bölge kodu). | Tasarım. |
| Güven Düzeyi | %95 | GA düzeyi ve yorumdaki \alpha. | GA. |
| Kestirim türü | Tek denklem (2SLS / LIML) | SUR ya da 3SLS sistem kestirimi. | Tüm çıktı sistem biçimine geçer. |
| Sistem denklemleri | boş | etiket: y ~ x1 + x2; … biçiminde denklemler. |
Yalnız sistemde. |
| Artık kovaryansı paydası | geometrik ortalama | \hat\Sigma paydası: \sqrt{(T-k_i)(T-k_j)} ya da T. | Sistem SH'leri ve katsayıları. |
| Yinelemeli (ITSUR / IT3SLS) | kapalı | \hat\Sigma yakınsayana kadar güncellenir. | Sistem kestirimleri. |
| Özel kontrast (L) | boş | \mathbf L\boldsymbol\beta=\mathbf r için t ve Wald F. | Ek bölüm. |
Sistem kipinde devre dışı kalan kutular
"Kestirim türü" SUR ya da 3SLS iken bağımlı değişken, içsel seçici, kestirici, SH türü, faktör alanı ve kontrast devre dışıdır (iv_regression.py:114–127); denklemler metinle yazılır. 3SLS'nin araç kümesi "Araç değişken(ler)" ile "Dışsal kontroller" seçimlerinin birleşimidir, sabit terim kendiliğinden eklenir (execute, 177–183).
Neden OLS karşılaştırması aynı SH türüyle?
Wu–Hausman sezgisi "OLS ile IV kestirimi farklı mı?" sorusudur. İki tablonun SH'leri aynı türden olursa fark ve belirsizlik doğrudan karşılaştırılabilir. MerQur bu yüzden OLS'yi de seçilen türle raporlar (238–244); kümelenmiş SH'de OLS için R sandwich::vcovCL'in lm varsayılanı (HC1 tipi küçük örneklem çarpanı) kullanılır.
60.4 Tıp örneği
Dosya: english/datasets/Tip/118_iv_adherence_sbp.xlsx. Değişkenler veri üreticisinin Tıp tanımından (_uretec_v1023/gen_118_iv_regression.py, satır 347–369) alınmıştır; VIDEO_SCRIPT_TR.txt'te bu analizin bölümü yoktur.
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
sbp_12m_mmHg |
Bağımlı | sürekli (mmHg) | ort. 139,40; SS 12,86; 100–190 |
adherence_pdc_pct |
İçsel | sürekli (PDC, %) | ort. 72,18; SS 16,36; 16–100 |
pharmacy_distance_km |
Araç | sürekli (km) | ort. 2,40; SS 1,98; 0,3–15 |
copay_exempt |
Araç | 0/1 | 280 muaf (%43,1) |
age |
Dışsal kontrol | sürekli (yıl) | ort. 60,88; SS 11,25; 59 farklı değer |
baseline_sbp |
Dışsal kontrol | sürekli (mmHg) | ort. 158,81; SS 13,52 |
n ve eksik değer: 650 hipertansiyonlu hasta; eksik değer yok. Uyumun uzaklıkla korelasyonu -0{,}346, muafiyetle 0{,}321'dir.
Klinik soru: Antihipertansif ilaç uyumu 12. aydaki SKB'yi ne kadar düşürür? Sağlık bilinci yüksek hastalar hem uyumludur hem sağlıklı yaşar; bu gözlenmeyen özellik OLS'de uyumun etkisini abartır. Eczaneye uzaklık ve katkı payı muafiyeti uyumu etkiler ama SKB'yi doğrudan etkilemez varsayılır.
Seçilen ayarlar: Arayüz varsayılanları (2SLS, klasik SH, %95). Hesap yürüyüşü için ayrıca: HC0, HC1, HC3; kümelenmiş SH (küme age; veride gerçek küme değişkeni olmadığından yalnız hesap gösterimi için, 59 küme); LIML (klasik ve HC0); tek araçlı (tam tanımlı) model; kontrast age - baseline_sbp = 0; %90 güven düzeyi; SUR, 3SLS, IT3SLS ve T paydalı 3SLS (iki denklem: SKB ve uyum).
60.5 Formüller ve hesap adımları
MerQur'un hesap sırası: (1) liste bazında silme ve tasarım matrisleri \mathbf X=[\mathbf 1,\mathbf W,\mathbf Y] ile \mathbf Z=[\mathbf 1,\mathbf W,\mathbf Z_{\text{dış}}]; (2) rank ve sıra denetimleri; (3) \hat{\mathbf X}=\mathbf P_Z\mathbf X; (4) 2SLS ya da LIML katsayıları, yapısal artıklar, seçilen kovaryans, Wald F; (5) OLS karşılaştırması; (6) her içsel değişken için birinci aşama, zayıf araç F ve kısmi R^2; (7) Wu–Hausman; (8) aşırı tanımlıysa Sargan ve Hansen J; (9) uyarılar; (10) isteğe bağlı kontrast.
60.5.1 İki aşamalı en küçük kareler
- \mathbf P_Z: araç uzayına izdüşüm. \mathbf W ve sabit \mathbf Z'nin içinde olduğundan \hat{\mathbf X}'in bu sütunları kendileriyle aynıdır; yalnız içsel sütunlar birinci aşama tahminleriyle değişir.
- \mathbf P_Z simetrik ve eşgüçlü olduğundan \hat{\mathbf X}^{\top}\mathbf X=\hat{\mathbf X}^{\top}\hat{\mathbf X}; yani 2SLS, \mathbf y'nin \hat{\mathbf X}'e OLS'sidir.
- \hat{\mathbf X},
numpy.linalg.lstsqile kurulur (iv_regression.py:189–190); katsayılar 208–215.
Neden iki aşama?
İçsel \mathbf x'i iki parçaya ayırırız: araçların açıkladığı kısım \hat{\mathbf x} (hatadan bağımsız, çünkü araçlar dışsal) ve geri kalan \hat{\mathbf v} (hatayla ilişkili kısım burada). Yapısal denklemde yalnız \hat{\mathbf x}'i kullanmak, açıklayıcının hatadan "temiz" değişkenliğiyle eğimi kestirmektir. Bedeli varyanstır: \hat{\mathbf x}'in değişkenliği \mathbf x'inkinden azdır (bu veride kısmi R^2=0{,}233), bu yüzden 2SLS SH'si OLS'ninkinden büyüktür.
60.5.2 Artık, \hat\sigma ve klasik kovaryans
- \hat{\mathbf u}: yapısal artıklar; gözlenen \mathbf X ile, \hat{\mathbf X} ile değil (216–220).
- k: yapısal katsayı sayısı (sabit dahil). Katsayı t testleri ve GA t(n-k) ile (230).
İkinci aşamayı elle OLS ile çalıştırmak yanlış SH verir
Birinci aşama tahminlerini bir regresyon programına verip y'yi \hat x'e regres etmek katsayıyı doğru verir, ama artıklar \mathbf y-\hat{\mathbf X}\hat{\boldsymbol\beta} olur ve \hat\sigma yanlış çıkar. Bu veride doğru \hat\sigma=10{,}3746, yanlış olan 11,0792'dir; SH'ler %7 büyük çıkar.
R^2 yapısal artıklarla hesaplanır: R^2=1-\hat{\mathbf u}^{\top}\hat{\mathbf u}/\sum(y_i-\bar y)^2, \bar R^2=1-(1-R^2)(n-1)/(n-k) (231–233). IV'de R^2 negatif olabilir ve uyum ölçüsü olarak anlamı zayıftır; amaç uyum değil, tutarlı \boldsymbol\delta'dır. Wald testi tüm eğimlerin sıfırlığını seçilen kovaryansla sınar: F=\hat{\boldsymbol\beta}_s^{\top}\hat{\mathbf V}_{ss}^{-1}\hat{\boldsymbol\beta}_s/q, sd (q,\,n-k) (_wald_F, 120–132; R ivreg summary ile aynı).
60.5.3 Sağlam ve kümelenmiş kovaryans
| Seçenek | \hat u_i^* | c | Karşılığı |
|---|---|---|---|
| HC0 | \hat u_i | 1 | sandwich::vcovHC(ivreg, "HC0") |
| HC1 | \hat u_i | n/(n-k) | vcovHC(type = "HC1") |
| HC3 | \hat u_i/(1-h_{ii}) | 1 | vcovHC(ivreg, "HC3") |
| Kümelenmiş | küme toplamı \sum_{i\in g}\hat u_i\mathbf a_i | G/(G-1) | vcovCL(ivreg) varsayılanı |
- h_{ii}=\hat{\mathbf x}_i^{\top}(\hat{\mathbf X}^{\top}\hat{\mathbf X})^{-1}\hat{\mathbf x}_i: ikinci aşama şapka matrisinin köşegeni (R
hatvalues.ivreg; satır 221–226). - Kümelenmişte yapısal (2SLS/LIML) model için c=G/(G-1) (HC0 + küme düzeltmesi); OLS, birinci aşama ve Wu–Hausman yardımcı regresyonlarında ise c=\frac{G}{G-1}\frac{n-1}{n-k} (R
vcovCL'inlmvarsayılanı) kullanılır (_vc, 107–117).
Koddaki tercih: kümelenmiş SH'de sd n-k
Kümelenmiş kovaryansla da katsayı t testleri ve Wald F n-k sd ile yapılır (R ivreg + vcovCL ile aynı). Kümelenmiş çıkarım için G-1 sd önerilir (Cameron ve Miller 2015) ve bazı ekonometri yazılımları küçük örneklem seçeneğinde bunu kullanır; az kümede MerQur'un p'leri daha küçük çıkar. Zayıf araç ve Wu–Hausman F'leri de seçilen türle hesaplanır (Montiel Olea–Pflueger "etkin F"i değil, sağlam Wald/q).
60.5.4 LIML (sınırlı bilgi en çok olabilirlik)
LIML bir k-sınıfı kestiricidir (iv_regression.py:197–207):
- \mathbf Y^*=[\mathbf y,\ \mathbf Y]: bağımlı ve içsel sütunlar; \mathbf M_A=\mathbf I-\mathbf P_A: A'ya dik tümleyen izdüşüm.
- \mathbf W: sabit + dışsal kontroller; \mathbf Z: \mathbf W + dışlanan araçlar.
- \kappa=0 OLS, \kappa=1 2SLS'dir; LIML'de \hat\kappa\ge1 ve tam tanımlı modelde \hat\kappa=1 (LIML = 2SLS).
- Kovaryans: \hat\sigma^2\mathbf B, \mathbf B=[\mathbf X^{\top}(\mathbf I-\hat\kappa\mathbf M_Z)\mathbf X]^{-1}; sandviçte "puan" regresörleri (\mathbf I-\hat\kappa\mathbf M_Z)\mathbf X'tir (R
ivmodelile aynı).
LIML neden zayıf araçta daha az yanlı?
2SLS, zayıf ve çok sayıda araçta OLS yönünde yanlıdır; yanlılık araç sayısıyla büyür. LIML'nin dağılımının ortancası araç sayısından neredeyse bağımsız olarak doğru değere yakındır (Anderson ve Rubin 1949; Stock ve Yogo 2005). Bedeli kalın kuyruklardır: LIML'nin momentleri yoktur. Güçlü araçta iki kestirici neredeyse aynıdır (bu veride \hat\kappa=1{,}000097).
60.5.5 Birinci aşama: zayıf araç F ve kısmi R^2
Her içsel değişken x_j için (247–264):
- q: dışlanan araç sayısı; sd (q,\ n-\text{ncol}(\mathbf Z)).
- \hat{\mathbf V}_{\text{dış}}: birinci aşama kovaryansının dışlanan araçlara karşılık gelen bloğu, seçilen SH türüyle (klasikte F, olağan iç içe model F'sine eşittir).
- Kısmi R^2: kontroller çıkarıldıktan sonra araçların açıkladığı içsel varyans payı.
Neden F>10?
Staiger ve Stock (1997), tek içsel değişkenli modelde birinci aşama F'si 10'dan küçükken 2SLS'nin yanlılığının OLS yanlılığının yaklaşık %10'unu aşabildiğini gösterdi. MerQur bu kuralı uyarı eşiği olarak kullanır (305–307). Kural homoskedastik birinci aşama içindir; sağlam ya da kümelenmiş F ile aynı eşiğin kullanılması yaklaşık bir pratiktir.
60.5.6 Wu–Hausman içsellik testi (kontrol fonksiyonu)
- \mathbf x_i^*=(1,\mathbf w_i^{\top},\mathbf x_i^{\top})^{\top}: yapısal regresörler; \hat{\mathbf v}_i: birinci aşama artıkları.
- Yardımcı regresyon OLS'dir, kovaryansı seçilen SH türüyle (273–286).
- \hat{\boldsymbol\rho}=\mathbf 0 ise \mathbf x, birinci aşama artığı üzerinden hatayla ilişkili değildir; OLS tutarlıdır. Bu regresyondaki \hat{\boldsymbol\beta}, 2SLS kestirimine eşittir.
- R
ivregsummary(diagnostics = TRUE)ile aynıdır.
60.5.7 Aşırı tanımlama: Sargan ve Hansen J
- q-p: dışlanan araç sayısı eksi içsel sayısı (aşırı tanımlama derecesi); 0 ise iki test de yapılmaz ve "tam tanımlı" notu yazılır.
- Sargan: yapısal artıkların (\hat{\mathbf u}; LIML seçiliyse LIML artıkları) tüm araçlara regresyonunun nR^2'si; homoskedastik hata varsayar.
- J: iki adımlı etkin GMM. \tilde u_i 2SLS artıklarıdır (LIML seçilse de; 295); \hat{\mathbf S} merkezlenmemiştir (R
gmm(vcov = "MDS", centeredVcov = FALSE)). - Yorum satırı klasik SH'de Sargan'a, sağlam/kümelenmiş SH'de Hansen J'ye bakar (
iv_regression.py:299–301, panel).
Kümelenmiş SH seçilse de Hansen J gözlem düzeyindedir
\hat{\mathbf S} her zaman gözlem düzeyinde değişen varyansa sağlam biçimde kurulur; küme yapısı hesaba katılmaz. Kümeli veride J fazla sık reddeder; küme düzeyinde kurulan \hat{\mathbf S} ile hesaplanan J'den farklıdır.
60.5.8 Özel kontrast
- \hat{\mathbf V}: katsayı tablosundaki kovaryansın tamamı (seçilen SH türü); sd n-k (
add_contrast, 203–216; Rcar::linearHypothesis(ivreg, vcov. = …, test = "F")). - Katsayı adları
(Intercept), kontroller ve içsel değişkenlerdir; yazımstats/contrasts_L.pykurallarıyla çözülür.
60.5.9 Sistem kestirimi: SUR ve 3SLS
M denklemli sistem \mathbf y_m=\mathbf Z_m\boldsymbol\beta_m+\mathbf u_m, E(\mathbf u_m\mathbf u_l^{\top})=\sigma_{ml}\mathbf I_T (stats/sur_3sls.py):
- SUR: \tilde{\mathbf Z}_m=\mathbf Z_m (Zellner 1962). 3SLS: \tilde{\mathbf Z}_m=\mathbf P_H\mathbf Z_m, \mathbf H = sabit + seçilen araçlar + dışsal kontroller (Zellner ve Theil 1962; systemfit
method3sls = "GLS"). - \hat\sigma_{ml}=\hat{\mathbf u}_m^{\top}\hat{\mathbf u}_l/\sqrt{(T-k_m)(T-k_l)} (varsayılan, systemfit
geomean) ya da /T; ilk adım artıkları denklem başına OLS (SUR) ya da 2SLS'dendir (_sigma, 124–130; 207–213). - Kronecker çarpımı kurulmaz; bloklar tek tek toplanır (
_gls, 133–150). - Yinelemeli seçenekte \hat{\boldsymbol\Sigma} son kestirimin artıklarından yenilenir; en büyük göreli katsayı değişimi 10^{-8}'in altına inince durur (en çok 200 tur; 224–234).
- Denklem başına t(T-k_m); BP LM bağımsızlık testi ilk adım artık korelasyonlarından: \text{LM}=T\sum_{m<l}r_{ml}^2\sim\chi^2_{M(M-1)/2} (215–219).
Tam tanımlı bir denklem eklemek neden diğerini değiştirmez?
3SLS etkinliği, denklemler arası hata ilişkisinden aşırı tanımlama bilgisini paylaşarak kazanır. Tam tanımlı bir denklem (burada uyum denklemi; regresörleri araç kümesinin tamamı) ek kısıt taşımaz; bu durumda aşırı tanımlı denklemin 3SLS kestirimi ve kovaryansı 2SLS'ninkiyle aynı çıkar (Greene 2018, böl. 10). Tıp örneğinde SKB denkleminin 3SLS katsayıları 2SLS ile aynıdır; uyum denkleminin katsayıları değişir.
60.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/iv_regression/elle_hesap.py ile, MerQur çağrılmadan numpy ve scipy ile hesaplanmıştır.
Adım 1 — Birinci aşama. Uyumun \mathbf Z=[1,\ \text{age},\ \text{baseline\_sbp},\ \text{distance},\ \text{copay}] üzerine OLS'si:
Eczaneden 1 km uzaklaşmak uyumu 2,98 puan düşürür; muafiyet 11,08 puan artırır. İlk üç hastanın tahmini uyumu 84,965; 74,135; 72,572 (gözlenen 90, 57, 75).
Birinci aşamanın SSR'si 132419,627; araçlar çıkarılınca (yalnız sabit + kontroller) 172734,830:
F(2,\,645), p=6{,}0\times10^{-38}; birinci aşama R^2=0{,}237638. Araçlar güçlüdür.
Adım 2 — 2SLS katsayıları. \mathbf y'nin \hat{\mathbf X}'e regresyonu:
| Terim | 2SLS b | SH (klasik) | t | OLS b | OLS SH |
|---|---|---|---|---|---|
| Sabit | 69,689427 | 6,447910 | 10,808 | 78,209124 | 5,425324 |
| age | 0,163124 | 0,036566 | 4,461 | 0,174121 | 0,035705 |
| baseline_sbp | 0,449071 | 0,030250 | 14,845 | 0,443714 | 0,029673 |
| adherence_pdc_pct | −0,159867 | 0,051670 | −3,094 | −0,275388 | 0,024545 |
Yapısal artıkların kareler toplamı 69530,643; \hat\sigma^2=69530{,}643/646=107{,}6326, \hat\sigma=10{,}374612. Uyum için t_{0{,}975;\,646}=1{,}963643 ile %95 GA [-0{,}261328;\ -0{,}058406], p=0{,}00206. R^2=0{,}352648, \bar R^2=0{,}349642, Wald F(3,\,646)=87{,}0639.
OLS etkisi (−0,275) 2SLS'nin (−0,160) 1,7 katıdır: sağlık bilinci uyumla SKB düşüşünü birlikte getirdiği için OLS uyumun etkisini abartır. 2SLS SH'si OLS'ninkinin 2,1 katıdır.
Adım 3 — Yanlış ikinci aşama. \mathbf y elle \hat{\mathbf X}'e OLS ile regres edilseydi artık kareler toplamı 79295,063, \hat\sigma=11{,}079159 çıkardı.
Adım 4 — Wu–Hausman. Birinci aşama artığı \hat v yapısal denkleme eklenince katsayısı \hat\rho=-0{,}150691'dir:
Dışsallık hipotezi (\boldsymbol\rho=\mathbf 0) reddedilir: uyum içseldir, OLS tutarsızdır. \hat\rho<0: uyumun araçlarla açıklanamayan kısmı (sağlık bilinci) SKB'yi ek olarak düşürmektedir.
Adım 5 — Aşırı tanımlama. İki araç, bir içsel: derece 1. 2SLS artıklarının \mathbf Z'ye regresyonunun R^2'si 9{,}727\times10^{-5}:
İki adımlı GMM katsayısı uyum için -0{,}160859; J=0{,}071963, p=0{,}7885. İki aracın verdiği kestirimler birbiriyle uyumludur; bu, ikisinin de geçerli olduğunu kanıtlamaz (ikisi aynı yönde geçersiz olabilir).
Adım 6 — SH türleri.
| SH türü | SH (sabit) | SH (uyum) | Wald F | Zayıf araç F | Wu–Hausman F | OLS SH (uyum) |
|---|---|---|---|---|---|---|
| Klasik | 6,447910 | 0,051670 | 87,064 | 98,185 | 6,8045 | 0,024545 |
| HC0 | 6,254649 | 0,049729 | 86,549 | 121,478 | 7,0827 | 0,025349 |
| HC1 | 6,273983 | 0,049883 | 86,016 | 120,544 | 7,0282 | 0,025428 |
| HC3 | 6,310137 | 0,050258 | 84,947 | 117,805 | 6,9250 | 0,025591 |
| Kümelenmiş (age, G=59) | 6,387430 | 0,041224 | 108,485 | 185,439 | 7,4174 | 0,023180 |
HC1 = HC0 \times\sqrt{650/646}. Kümelenmiş satır yalnız hesabı göstermek içindir; yaş gerçek bir küme değildir.
Adım 7 — LIML. \hat\kappa=1{,}000097; uyum b=-0{,}159819 (SH 0,051679); 2SLS'den dördüncü ondalıkta ayrılır. HC0 ile SH 0,049745. Tek araçlı (yalnız uzaklık, tam tanımlı) modelde \hat\kappa=1 ve LIML = 2SLS: b=-0{,}172421 (SH 0,071711), zayıf araç F(1,\,646)=88{,}378; Wu–Hausman F=2{,}4129, p=0{,}121. Tek araçla içsellik kanıtı zayıflar; kesinlik azaldığı için test gücü düşer.
Adım 8 — Kontrast. age - baseline_sbp = 0: \hat\theta=0{,}163124-0{,}449071=-0{,}285947, SH 0,048682, t=-5{,}874, F(1,\,646)=34{,}501.
Adım 9 — Sistem kestirimi. İki denklem: kb: sbp ~ adherence + age + baseline_sbp, uyum: adherence ~ distance + copay + age + baseline_sbp.
| Yöntem | kb: uyum b (SH) | uyum: distance b (SH) | \hat\sigma_{12} | BP LM |
|---|---|---|---|---|
| SUR | −0,248497 (0,024522) | −2,993557 (0,284780) | −7,2149 | 1,584 |
| 3SLS | −0,159867 (0,051670) | −2,967744 (0,282330) | −30,9131 | 28,110 |
| IT3SLS (3 tur) | −0,159867 (0,051670) | −2,967743 (0,282330) | −30,9161 | 28,110 |
| 3SLS (\hat\Sigma/T) | −0,159867 (0,051511) | −2,967752 (0,281242) | −30,6991 | 28,110 |
SUR uyumu dışsal saydığı için OLS'ye yakın, yanlı bir etki verir. 3SLS'de SKB denklemi 2SLS ile aynıdır (60.5.9); uyum denkleminin katsayıları 2SLS/OLS'den (−2,977652) hafifçe ayrılır. 2SLS artıklarının denklemler arası korelasyonu -0{,}208'dir; BP LM 650\times(-0{,}208)^2=28{,}11.
Şekil 60.1. Sol: birinci aşama tahmini uyum ile gözlenen uyum (kesikli çizgi 45°). Sağ: uyumun SKB'ye etkisi, %95 GA ile; OLS, 2SLS (klasik ve HC1) ve LIML.
60.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundan tam hassasiyetle alınmıştır; motor round kullanmaz. R: 4.5.3; ivreg 0.6 (summary(vcov. = …, diagnostics = TRUE)), sandwich (vcovHC, vcovCL), gmm (twoStep, vcov = "MDS", centeredVcov = FALSE), ivmodel (LIML, heteroSE = TRUE), car::linearHypothesis, systemfit (SUR, 3SLS, methodResidCov = "geomean" / "noDfCor", maxiter). Bağımsız Python: izdüşümler, k-sınıfı, sandviçler, iki adımlı GMM ve sistem GLS doğrudan numpy ile. BP LM'nin R karşılığı systemfit'te doğrudan yoktur; MerQur–Python karşılaştırılmıştır.
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| 2SLS b (sabit) | 69,689427 | 69,689427 | 69,689427 | 2,2e−11 | ✓ |
| 2SLS SH (sabit) | 6,447910 | 6,447910 | 6,447910 | 2,4e−13 | ✓ |
| 2SLS b (age) | 0,163124 | 0,163124 | 0,163124 | 5,6e−14 | ✓ |
| 2SLS SH (age) | 0,036566 | 0,036566 | 0,036566 | 2,1e−15 | ✓ |
| 2SLS b (baseline_sbp) | 0,449071 | 0,449071 | 0,449071 | 1,1e−13 | ✓ |
| 2SLS SH (baseline_sbp) | 0,030250 | 0,030250 | 0,030250 | 1,5e−15 | ✓ |
| 2SLS b (adherence) | −0,159867 | −0,159867 | −0,159867 | 2,0e−13 | ✓ |
| 2SLS SH (adherence) | 0,051670 | 0,051670 | 0,051670 | 2,1e−15 | ✓ |
| 2SLS t (adherence) | −3,094010 | −3,094010 | −3,094010 | 3,9e−12 | ✓ |
| 2SLS p (adherence) | 0,002060 | 0,002060 | 0,002060 | 2,7e−14 | ✓ |
| 2SLS %95 GA alt (adherence) | −0,261328 | −0,261328 | −0,261328 | 2,1e−13 | ✓ |
| 2SLS %90 GA üst (adherence) | −0,074756 | −0,074756 | −0,074756 | 2,0e−13 | ✓ |
| R^2 | 0,352648 | 0,352648 | 0,352648 | 7,6e−14 | ✓ |
| Düzeltilmiş R^2 | 0,349642 | 0,349642 | 0,349642 | 7,6e−14 | ✓ |
| \hat\sigma | 10,374612 | 10,374612 | 10,374612 | 6,5e−13 | ✓ |
| Wald F(3, 646) | 87,063902 | 87,063902 | 87,063902 | 2,4e−11 | ✓ |
| OLS b (sabit) | 78,209124 | 78,209124 | 78,209124 | 2,3e−12 | ✓ |
| OLS b (age) | 0,174121 | 0,174121 | 0,174121 | 8,8e−15 | ✓ |
| OLS b (baseline_sbp) | 0,443714 | 0,443714 | 0,443714 | 8,8e−15 | ✓ |
| OLS b (adherence) | −0,275388 | −0,275388 | −0,275388 | 6,9e−15 | ✓ |
| OLS SH (adherence) | 0,024545 | 0,024545 | 0,024545 | 2,1e−17 | ✓ |
| Birinci aşama \gamma (pharmacy_distance) | −2,977652 | −2,977652 | −2,977652 | 6,2e−15 | ✓ |
| Birinci aşama \gamma (copay_exempt) | 11,077844 | 11,077844 | 11,077844 | 2,1e−14 | ✓ |
| Birinci aşama SH (copay_exempt) | 1,135867 | 1,135867 | 1,135867 | 4,2e−15 | ✓ |
| Zayıf araç F(2, 645) | 98,185241 | 98,185241 | 98,185241 | 2,3e−13 | ✓ |
| Kısmi R^2 | 0,233394 | 0,233394 | 0,233394 | 8,3e−17 | ✓ |
| Birinci aşama R^2 | 0,237638 | 0,237638 | 0,237638 | 1,4e−16 | ✓ |
| Wu–Hausman F(1, 645) | 6,804516 | 6,804516 | 6,804516 | 2,0e−12 | ✓ |
| Wu–Hausman p | 0,009303 | 0,009303 | 0,009303 | 1,1e−14 | ✓ |
| Sargan \chi^2(1) | 0,063226 | 0,063226 | 0,063226 | 1,4e−13 | ✓ |
| Sargan p | 0,801468 | 0,801468 | 0,801468 | 2,2e−13 | ✓ |
| Hansen J \chi^2(1) | 0,071963 | 0,071963 | 0,071963 | 5,2e−15 | ✓ |
| Hansen J p | 0,788500 | 0,788500 | 0,788500 | 7,2e−15 | ✓ |
SH türleri, LIML, tam tanımlı model ve kontrast:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| HC0 SH (sabit) | 6,254649 | 6,254649 | 6,254649 | 1,6e−12 | ✓ |
| HC0 SH (adherence) | 0,049729 | 0,049729 | 0,049729 | 5,6e−15 | ✓ |
| HC0 Wald F | 86,548604 | 86,548604 | 86,548604 | 6,3e−11 | ✓ |
| HC0 zayıf araç F | 121,478216 | 121,478216 | 121,478216 | 1,7e−12 | ✓ |
| HC0 Wu–Hausman F | 7,082700 | 7,082700 | 7,082700 | 2,9e−12 | ✓ |
| HC0 OLS SH (adherence) | 0,025349 | 0,025349 | 0,025349 | 5,8e−16 | ✓ |
| HC1 SH (sabit) | 6,273983 | 6,273983 | 6,273983 | 8,5e−13 | ✓ |
| HC1 SH (adherence) | 0,049883 | 0,049883 | 0,049883 | 3,0e−15 | ✓ |
| HC1 Wald F | 86,015997 | 86,015997 | 86,015997 | 5,6e−11 | ✓ |
| HC1 zayıf araç F | 120,543768 | 120,543768 | 120,543768 | 1,2e−12 | ✓ |
| HC1 Wu–Hausman F | 7,028217 | 7,028217 | 7,028217 | 1,1e−12 | ✓ |
| HC1 OLS SH (adherence) | 0,025428 | 0,025428 | 0,025428 | 9,1e−16 | ✓ |
| HC3 SH (sabit) | 6,310137 | 6,310137 | 6,310137 | 1,5e−12 | ✓ |
| HC3 SH (adherence) | 0,050258 | 0,050258 | 0,050258 | 1,3e−14 | ✓ |
| HC3 Wald F | 84,947245 | 84,947245 | 84,947245 | 4,1e−11 | ✓ |
| HC3 zayıf araç F | 117,805266 | 117,805266 | 117,805266 | 1,4e−12 | ✓ |
| HC3 Wu–Hausman F | 6,925040 | 6,925040 | 6,925040 | 3,3e−12 | ✓ |
| HC3 OLS SH (adherence) | 0,025591 | 0,025591 | 0,025591 | 5,1e−16 | ✓ |
| cluster SH (sabit) | 6,387430 | 6,387430 | 6,387430 | 3,0e−12 | ✓ |
| cluster SH (adherence) | 0,041224 | 0,041224 | 0,041224 | 2,0e−14 | ✓ |
| cluster Wald F | 108,484767 | 108,484767 | 108,484767 | 1,1e−10 | ✓ |
| cluster zayıf araç F | 185,438872 | 185,438872 | 185,438872 | 3,3e−11 | ✓ |
| cluster Wu–Hausman F | 7,417400 | 7,417400 | 7,417400 | 5,1e−12 | ✓ |
| cluster OLS SH (adherence) | 0,023180 | 0,023180 | 0,023180 | 8,7e−16 | ✓ |
| Küme sayısı G (age) | 59 | 59 | 59 | 0,0e+00 | ✓ |
| LIML \kappa | 1,000097 | 1,000097 | 1,000097 | 3,5e−14 | ✓ |
| LIML b (sabit) | 69,685875 | 69,685875 | 69,685875 | 2,0e−11 | ✓ |
| LIML SH (sabit) | 6,448359 | 6,448359 | 6,448359 | 2,7e−13 | ✓ |
| LIML b (age) | 0,163120 | 0,163120 | 0,163120 | 7,1e−14 | ✓ |
| LIML SH (age) | 0,036567 | 0,036567 | 0,036567 | 5,3e−16 | ✓ |
| LIML b (baseline_sbp) | 0,449073 | 0,449073 | 0,449073 | 1,0e−13 | ✓ |
| LIML SH (baseline_sbp) | 0,030250 | 0,030250 | 0,030250 | 9,5e−16 | ✓ |
| LIML b (adherence) | −0,159819 | −0,159819 | −0,159819 | 4,9e−14 | ✓ |
| LIML SH (adherence) | 0,051679 | 0,051679 | 0,051679 | 1,2e−15 | ✓ |
| LIML HC0 SH (sabit) | 6,255422 | 6,255422 | 6,255422 | 1,9e−12 | ✓ |
| LIML HC0 SH (age) | 0,036162 | 0,036162 | 0,036162 | 6,9e−16 | ✓ |
| LIML HC0 SH (baseline_sbp) | 0,029518 | 0,029518 | 0,029518 | 1,2e−14 | ✓ |
| LIML HC0 SH (adherence) | 0,049745 | 0,049745 | 0,049745 | 2,5e−15 | ✓ |
| Tam tanımlı: b (adherence) | −0,172421 | −0,172421 | −0,172421 | 1,5e−13 | ✓ |
| Tam tanımlı: zayıf araç F(1, 646) | 88,378089 | 88,378089 | 88,378089 | 3,1e−13 | ✓ |
| Tam tanımlı: LIML \kappa | 1,000000 | 1,000000 | 1 | 1,9e−13 | ✓ |
| Tam tanımlı: LIML b (adherence) | −0,172421 | −0,172421 | −0,172421 | 1,2e−13 | ✓ |
| Kontrast age − baseline_sbp | −0,285947 | −0,285947 | −0,285947 | 1,6e−13 | ✓ |
| Kontrast SH | 0,048682 | 0,048682 | 0,048682 | 2,7e−15 | ✓ |
| Kontrast F(1, 646) | 34,500970 | 34,500970 | 34,500970 | 3,5e−11 | ✓ |
Sistem kestirimi:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| SUR b (kb: adherence) | −0,248497 | −0,248497 | −0,248497 | 2,2e−13 | ✓ |
| SUR SH (kb: adherence) | 0,024522 | 0,024522 | 0,024522 | 1,8e−15 | ✓ |
| SUR b (uyum: sabit) | 72,835673 | 72,835673 | 72,835673 | 1,3e−10 | ✓ |
| SUR SH (uyum: sabit) | 7,212344 | 7,212344 | 7,212344 | 7,4e−12 | ✓ |
| SUR b (uyum: pharmacy_distance) | −2,993557 | −2,993557 | −2,993557 | 9,7e−14 | ✓ |
| SUR SH (uyum: pharmacy_distance) | 0,284780 | 0,284780 | 0,284780 | 2,2e−16 | ✓ |
| SUR \hat\Sigma_{12} | −7,214920 | −7,214920 | −7,214920 | 4,4e−13 | ✓ |
| SUR R^2 (uyum) | 0,237629 | 0,237629 | 0,237629 | 3,3e−16 | ✓ |
| 3SLS b (kb: adherence) | −0,159867 | −0,159867 | −0,159867 | 8,3e−12 | ✓ |
| 3SLS SH (kb: adherence) | 0,051670 | 0,051670 | 0,051670 | 2,2e−14 | ✓ |
| 3SLS b (uyum: sabit) | 72,815870 | 72,815870 | 72,815870 | 2,2e−10 | ✓ |
| 3SLS SH (uyum: sabit) | 7,211183 | 7,211183 | 7,211183 | 8,0e−12 | ✓ |
| 3SLS b (uyum: pharmacy_distance) | −2,967744 | −2,967744 | −2,967744 | 7,1e−13 | ✓ |
| 3SLS SH (uyum: pharmacy_distance) | 0,282330 | 0,282330 | 0,282330 | 6,1e−15 | ✓ |
| 3SLS \hat\Sigma_{12} | −30,913101 | −30,913101 | −30,913101 | 2,3e−11 | ✓ |
| 3SLS R^2 (uyum) | 0,237635 | 0,237635 | 0,237635 | 9,2e−16 | ✓ |
| IT3SLS b (kb: adherence) | −0,159867 | −0,159867 | −0,159867 | 4,7e−12 | ✓ |
| IT3SLS SH (kb: adherence) | 0,051670 | 0,051670 | 0,051670 | 4,5e−14 | ✓ |
| IT3SLS b (uyum: sabit) | 72,815866 | 72,815866 | 72,815866 | 2,0e−10 | ✓ |
| IT3SLS SH (uyum: sabit) | 7,211197 | 7,211197 | 7,211197 | 4,9e−12 | ✓ |
| IT3SLS b (uyum: pharmacy_distance) | −2,967743 | −2,967743 | −2,967743 | 4,9e−13 | ✓ |
| IT3SLS SH (uyum: pharmacy_distance) | 0,282330 | 0,282330 | 0,282330 | 1,1e−13 | ✓ |
| IT3SLS \hat\Sigma_{12} | −30,916110 | −30,916110 | −30,916110 | 6,2e−10 | ✓ |
| IT3SLS R^2 (uyum) | 0,237635 | 0,237635 | 0,237635 | 5,6e−17 | ✓ |
| 3SLS (Σ/T) b (kb: adherence) | −0,159867 | −0,159867 | −0,159867 | 1,6e−12 | ✓ |
| 3SLS (Σ/T) SH (kb: adherence) | 0,051511 | 0,051511 | 0,051511 | 1,7e−14 | ✓ |
| 3SLS (Σ/T) b (uyum: sabit) | 72,815895 | 72,815895 | 72,815895 | 1,1e−10 | ✓ |
| 3SLS (Σ/T) SH (uyum: sabit) | 7,183394 | 7,183394 | 7,183394 | 5,6e−12 | ✓ |
| 3SLS (Σ/T) b (uyum: pharmacy_distance) | −2,967752 | −2,967752 | −2,967752 | 1,1e−12 | ✓ |
| 3SLS (Σ/T) SH (uyum: pharmacy_distance) | 0,281242 | 0,281242 | 0,281242 | 5,1e−15 | ✓ |
| 3SLS (Σ/T) \hat\Sigma_{12} | −30,699078 | −30,699078 | −30,699078 | 2,3e−11 | ✓ |
| 3SLS (Σ/T) R^2 (uyum) | 0,237635 | 0,237635 | 0,237635 | 0,0e+00 | ✓ |
| SUR Breusch–Pagan LM | 1,583734 | 1,583734 | 1,583734 | 3,3e−15 | ✓ (MerQur–Python) |
| 3SLS Breusch–Pagan LM | 28,110083 | 28,110083 | 28,110083 | 1,0e−11 | ✓ (MerQur–Python) |
112 büyüklüğün tamamı 10^{-6} ölçütüyle eşleşmiştir.
60.7 Çıktıyı okuma
Sonuç metni (varsayılan ayarlar, kısaltılmış):
ARAÇ DEĞİŞKENLİ REGRESYON
Kestirici : 2SLS
İçsel : adherence_pdc_pct
Araçlar : pharmacy_distance_km, copay_exempt
Dışsal kontroller : age, baseline_sbp
Standart hata : Klasik
N = 650
── 2SLS katsayıları ──
Terim Katsayı SE t p %95 GA
Sabit 69.6894 6.4479 10.808 < .0001 [57.0280, 82.3508]
age 0.1631 0.0366 4.461 < .0001 [0.0913, 0.2349]
baseline_sbp 0.4491 0.0302 14.845 < .0001 [0.3897, 0.5085]
adherence_pdc_pct -0.1599 0.0517 -3.094 0.0021 [-0.2613, -0.0584]
R² = 0.3526, düzeltilmiş R² = 0.3496, σ = 10.3746
Wald testi (tüm eğimler): F(3, 646) = 87.0639, p < .0001
── Birinci aşama (dışlanan araçlar) ──
adherence_pdc_pct: F(2, 645) = 98.1852, p < .0001; kısmi R² = 0.2334; R² = 0.2376
pharmacy_distance_km b = -2.9777 (SE = 0.2851), p < .0001
copay_exempt b = 11.0778 (SE = 1.1359), p < .0001
── Tanı testleri ──
Zayıf araç F (adherence_pdc_pct) : F(2, 645) = 98.1852, p < .0001
Wu-Hausman (içsellik) : F(1, 645) = 6.8045, p = 0.0093
Sargan (aşırı tanımlama) : χ²(1) = 0.0632, p = 0.8015
Hansen J (sağlam, iki adımlı GMM) : χ²(1) = 0.0720, p = 0.7885
── Yorum ──
Araçlar güçlü (tüm birinci aşama F ≥ 10).
Wu-Hausman anlamlı: değişken içsel, OLS tutarsız → araç değişken kestirimi tercih edilmeli.
Aşırı tanımlama testi anlamlı değil: araçların geçerliliğine karşı kanıt yok.
adherence_pdc_pct bir birim arttığında sbp_12m_mmHg ortalama -0.1599 birim değişiyor (araçlar geçerliyse anlamlı nedensel etki; dışlama kısıtı veriyle sınanamaz).
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Katsayı (içsel) | 2SLS/LIML etkisi | Uyumda 10 puanlık artış SKB'yi ortalama 1,6 mmHg düşürür. Etki heterojense "araca uyan" hastalardaki ortalamadır. |
| OLS karşılaştırması | İçselliği yok sayan kestirim | IV ile farkı içsellik yanlılığının yönünü gösterir. |
| Birinci aşama F, kısmi R^2 | Araçların gücü | F<10 ise uyarı satırı ve yorumda LIML önerisi. |
| Wu–Hausman | İçsellik testi | Anlamlı: OLS tutarsız. Anlamsız: OLS daha etkin olabilir; ama düşük güç olasılığı unutulmamalı. |
| Sargan / Hansen J | Aşırı tanımlama | Anlamlı: en az bir araç geçersiz olabilir. Anlamsız: geçerlilik kanıtı değildir. |
| "Zayıf araç ve Wu-Hausman testleri seçilen sağlam kovaryansla…" | SH türü klasik değilse | Testlerin hangi kovaryansla yapıldığını belirtir. |
| \kappa (LIML) | 1'e yakınlık | 1'den çok büyükse araçlar zayıf ya da çok sayıdadır; LIML–2SLS farkı büyür. |
| Sistem: \Sigma, artık korelasyonu, BP LM | SUR/3SLS çıktısı | BP anlamlıysa sistem kestirimi etkinlik kazandırır. |
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
İlaç uyumunun 12. ay sistolik kan basıncına etkisi, eczaneye uzaklık ve katkı payı muafiyeti araç olarak kullanılarak, yaş ve başlangıç SKB denetlenmiş iki aşamalı en küçük karelerle kestirildi (N = 650). Araçlar güçlüydü, birinci aşama F(2, 645) = 98{,}19, kısmi R^2 = 0{,}23. Uyumdaki 1 puanlık artış SKB'de 0,16 mmHg düşüşle ilişkiliydi, b = -0{,}160, SH = 0,052, %95 GA [−0,261; −0,058], t(646) = -3{,}09, p = 0{,}002; OLS kestirimi bunun yaklaşık 1,7 katıydı (b = -0{,}275). Wu–Hausman testi uyumun içsel olduğunu gösterdi, F(1, 645) = 6{,}80, p = 0{,}009; aşırı tanımlama testi araçların geçerliliğine karşı kanıt vermedi, Sargan \chi^2(1) = 0{,}06, p = 0{,}80.
60.8 Uzman soruları
S1. 2SLS ikinci aşamasını OLS ile çalıştırırsam katsayılar aynı mı? SH?
Katsayılar aynıdır (\hat{\mathbf X}^{\top}\mathbf X=\hat{\mathbf X}^{\top}\hat{\mathbf X}). SH yanlıştır, çünkü artık \mathbf y-\hat{\mathbf X}\hat{\boldsymbol\beta} olur. MerQur yapısal artıkla \hat\sigma hesaplar (bu veride 10,3746; yanlış yol 11,0792).
S2. Kümelenmiş SH'de MerQur neden t(G-1) değil t(n-k) kullanıyor?
MerQur R ivreg + sandwich::vcovCL tanımını izler: yapısal model için HC0 × G/(G-1) ve n-k sd. Kümelenmiş çıkarımda G-1 sd'li t önerilir (Cameron ve Miller 2015); az kümede bu GA belirgin biçimde geniştir. Panel regresyonundaki "t(G-1)" seçeneği (Bölüm 59.5.7) IV'de yoktur.
S3. Sargan anlamsız çıktı; araçlarım geçerli mi?
Hayır, kanıtlanmış değildir. Sargan ve J, araçların aynı parametreyi kestirip kestirmediğini sınar. İki araç aynı yönde ve büyüklükte geçersizse test reddetmez. Tam tanımlı modelde hiç sınanamaz. Dışlama kısıtı kuramsal ve tasarım gerekçesiyle savunulmalıdır.
S4. Hansen J neden LIML seçilse de 2SLS artıklarıyla?
J iki adımlı etkin GMM'nin aşırı tanımlama testidir; ilk adımın ağırlık matrisi 2SLS artıklarından kurulur (R gmm twoStep gibi). LIML seçimi bu prosedürü değiştirmez (iv_regression.py:295). Sargan ise seçilen kestiricinin artıklarını kullanır; bu veride LIML Sargan'ı 0,063225, 2SLS'ninki 0,063226'dır.
S5. Birinci aşama F'si sağlam SH ile 98'den 121'e çıktı. Hangisini raporlamalıyım?
Değişen varyans varsa sağlam olanı. Ama Staiger–Stock "F>10" kuralı homoskedastik F için türetilmiştir; sağlam/kümelenmiş durumda Montiel Olea ve Pflueger (2013) etkin F'si ve kritik değerleri önerilir. MerQur sağlam Wald/q yazar ve aynı 10 eşiğini kullanır; bu yaklaşık bir pratiktir.
S6. Tam tanımlı modelde LIML ve 2SLS neden aynı?
Tam tanımlıda \hat\kappa=1 çıkar (en küçük özdeğer tam 1'dir), k-sınıfı formülü 2SLS'ye iner. Bu veride tek araçla \hat\kappa=1 (sayısal olarak 1+1{,}7\times10^{-13}) ve iki kestirim özdeştir.
S7. Wu–Hausman neden kontrol fonksiyonuyla? Klasik Hausman farkı ile aynı mı?
Kontrol fonksiyonu regresyonu, \hat{\boldsymbol\beta}_{\text{IV}}-\hat{\boldsymbol\beta}_{\text{OLS}} farkının Hausman testine homoskedastik durumda sayısal olarak eşdeğerdir ve sağlam kovaryansla kolayca genelleşir; kovaryans farkının pozitif tanımlılık sorunu da yoktur (Wooldridge 2010, §6.3.1). Birden çok içselde birinci aşama artıkları eşdoğrusal olabilir; MerQur bunları düşürüp sd'yi rank'a indirir (R ivreg ile aynı).
S8. SUR ile 3SLS arasında ne fark var? Bu veride SUR neden farklı bir etki veriyor?
SUR denklem hatalarının ilişkisinden yararlanır ama her denklemin regresörlerini dışsal sayar. SKB denkleminde uyum içsel olduğu için SUR, OLS gibi yanlıdır (−0,248). 3SLS her denklemi önce araçlarla temizler (2SLS), sonra hata kovaryansıyla GLS uygular; SKB denklemi aşırı tanımlı, uyum denklemi tam tanımlı olduğundan SKB denkleminin 3SLS kestirimi 2SLS ile aynıdır.
S9. HC3'te şapka değerleri hangi matristen?
2SLS'de ikinci aşamanın şapka matrisi \hat{\mathbf X}(\hat{\mathbf X}^{\top}\hat{\mathbf X})^{-1}\hat{\mathbf X}^{\top}'in köşegeni (R hatvalues.ivreg). LIML + HC3'te aynı formül k-sınıfı puan regresörleriyle uygulanır; bunun R'de hazır bir karşılığı yoktur ve kuramsal olarak standart değildir.
60.9 Sık hatalar ve tuzaklar
- Kontrolleri araç kutusuna ya da araçları kontrol kutusuna koymak. Kontroller hem yapısal denklemde hem araç kümesindedir; dışlanan araçlar yalnız araç kümesindedir. Aracı "dışsal kontrol" olarak girmek onu yapısal denkleme sokar ve tanımlamayı bozar.
- Wu–Hausman anlamsızsa içselliğin olmadığını sanmak. Test gücü birinci aşamanın gücüne bağlıdır; tek araçlı modelde p=0{,}12 çıktı ama etki farkı aynı yönde ve büyüktü.
- Sargan anlamsızsa araçları geçerli saymak. Aşırı tanımlama testi yalnız araçlar arası tutarlılığı sınar.
- Zayıf araçta 2SLS GA'sına güvenmek. F<10 iken Wald GA'ları yanlış kapsama verir; MerQur'da Anderson–Rubin GA'sı yoktur. LIML'ye geçmek kısmen yardımcıdır.
- Kümelenmiş SH'de az küme. t(n-k) kullanıldığından az kümede p'ler iyimserdir. G\le parametre sayısında ortak testler "—" yazılır.
- IV R^2'sini uyum ölçüsü gibi yorumlamak. Yapısal artıklarla hesaplanır, negatif olabilir; 2SLS'yi OLS ile R^2 üzerinden karşılaştırmak anlamsızdır.
- Yorum satırındaki "nedensel etki" ifadesini koşulsuz okumak. Cümle "araçlar geçerliyse" kaydını taşır; dışlama varsayımı veriyle sınanamaz.
- SUR'u içsellik çözümü sanmak. SUR yalnız etkinlik kazandırır; içsel regresör varsa 3SLS gerekir.
- 3SLS araç listesini eksik bırakmak. 3SLS araçları "Araç değişken(ler)" ile "Dışsal kontroller"in birleşimidir; bir denklemdeki dışsal regresör araç listesinde yoksa o denklem eksik tanımlı hatası verir.
60.10 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
- Angrist, J. D., & Pischke, J.-S. (2009). Mostly harmless econometrics: An empiricist's companion. Princeton University Press. https://doi.org/10.1515/9781400829828
- Greene, W. H. (2018). Econometric analysis (8. baskı). Pearson.
- Hansen, L. P. (1982). Large sample properties of generalized method of moments estimators. Econometrica, 50(4), 1029–1054. https://doi.org/10.2307/1912775
- Hausman, J. A. (1978). Specification tests in econometrics. Econometrica, 46(6), 1251–1271. https://doi.org/10.2307/1913827
- Henningsen, A., & Hamann, J. D. (2007). systemfit: A package for estimating systems of simultaneous equations in R. Journal of Statistical Software, 23(4), 1–40. https://doi.org/10.18637/jss.v023.i04
- MacKinnon, J. G., & White, H. (1985). Some heteroskedasticity-consistent covariance matrix estimators with improved finite sample properties. Journal of Econometrics, 29(3), 305–325. https://doi.org/10.1016/0304-4076(85)90158-7
- Montiel Olea, J. L., & Pflueger, C. (2013). A robust test for weak instruments. Journal of Business & Economic Statistics, 31(3), 358–369. https://doi.org/10.1080/00401706.2013.806694
- 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 (pp. 80–108). Cambridge University Press. https://doi.org/10.1017/CBO9780511614491.006
- White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817–838. https://doi.org/10.2307/1912934
- Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2. baskı). MIT Press.
- Cameron, A. C., & Miller, D. L. (2015). A practitioner's guide to cluster-robust inference. Journal of Human Resources, 50(2), 317–372. https://doi.org/10.3368/jhr.50.2.317
- Wu, D.-M. (1973). Alternative tests of independence between stochastic regressors and disturbances. Econometrica, 41(4), 733–750. https://doi.org/10.2307/1914093
- Zellner, A. (1962). An efficient method of estimating seemingly unrelated regressions and tests for aggregation bias. Journal of the American Statistical Association, 57(298), 348–368. https://doi.org/10.1080/01621459.1962.10480664
- Zellner, A., & Theil, H. (1962). Three-stage least squares: Simultaneous estimation of simultaneous equations. Econometrica, 30(1), 54–78. https://doi.org/10.2307/1911287