ทำไมรูปแบบการทำงานของระยะที่ 1 ใน 2SLS จึงไม่สำคัญ

ในการนำเสนอวันนี้ผู้พูดได้อ้างสิทธิ์ข้างต้น เขากล่าวว่าแม้ว่าขั้นตอนแรกจะระบุผิด แต่การประมาณค่าสัมประสิทธิ์ของระยะที่สองจะยังคงใช้ได้ ในฐานะนักศึกษาปริญญาโทที่ต่ำต้อยฉันไม่สามารถขอคำอธิบายได้ดังนั้นตอนนี้ฉันขอความช่วยเหลือจากคุณ!

econometrics 2sls

— ไฮเซนเบิร์ก
แหล่งที่มา

ฉันเข้าใจว่าสิ่งเดียวที่คุณสนใจคือคุณนั่นคือค่าที่ทำนายไว้ของด่านแรกนั้นไม่เกี่ยวข้องกับคำผิดพลาดของด่านที่สอง ค่าสัมประสิทธิ์ระยะแรกของคุณอาจเป็นแบบเอนเอียงหรือให้การคาดการณ์ภายนอกหน่วย intervall ฯลฯ แต่สิ่งนี้จะไม่ทำให้เกิดความสัมพันธ์ระหว่างค่าที่ทำนายของตัวแปรภายนอกของคุณและคำผิดพลาดของระยะที่สอง ฉันไม่เคยเห็นข้อพิสูจน์เรื่องนี้มาก่อน แต่ฉันได้เห็นคำอธิบายตามบรรทัดนี้จาก Imbens เช่น

\hat{x}

$\hat{x}$

— coffeinjunky

หาก x คุณเป็นคนโง่ฉันก็เห็นด้วย หาก x ของคุณต่อเนื่องฉันจะไม่เชื่อ (แม้ว่าฉันจะไม่เห็นหลักฐาน) โดยทั่วไปเมื่อคนพูดถึงความเป็นกลางจุดเริ่มต้นของพวกเขาคือสมมติว่าโมเดลเชิงเส้นนั้นถูกต้อง ฉันหมายความว่าโดยทั่วไปพวกเขากำลังมองที่จะได้รับจากX แต่ถ้าเป็นแบบจำลองขยะจะไม่ตอบคำถามที่คุณคิดว่าเป็นเช่นนั้น (ฉันแค่พูดถึงรูปแบบการทำงานไม่ใช่รูปแบบการกระจาย)

E [\hat{β}] = β

$E[\hat\beta] = \beta$

y = X^{'} β

$y = X'\beta$

y = X^{'} β

$y = X'\beta$

β

$\beta$

— generic_user

เพราะ OLS ไม่เอนเอียงที่ค่าเฉลี่ย ถ้ามันไม่ถูกต้องอย่างมาก (ลำเอียง) มันไม่ควรจะสำคัญมากนักว่ารูปแบบการทำงานคืออะไร

อย่างไรก็ตามรูปแบบการทำงานที่ไม่ดีอาจทำให้เกิดความไม่ถูกต้อง (การลู่เข้าที่ช้าลง)

ตัวเลือกที่แย่ของรูปแบบการทำงานไม่สามารถนำไปสู่การตั้งค่าตัวแปรที่ละเว้น การละเว้นของตัวแปรเท่านั้น

การใช้ g (x) แทน f (x) เป็นรูปแบบการใช้งานที่ไม่ดี การใช้ g (x) แทน g (x, y) เป็นตัวแปรที่ละเว้น

— RegressForward
แหล่งที่มา

รูปแบบการใช้งานที่ไม่ถูกต้องสามารถนำไปสู่การตั้งค่าตัวแปรที่ละเว้นได้หรือไม่?

— ไฮเซนเบิร์ก

ดังนั้นถ้า DGP ที่แท้จริงมี

x

$x$ และ

x^{2}

$x^2$ และเรารวมเท่านั้น

x

$x$ . คำตอบของคุณนับว่าเป็นรูปแบบการทำงานที่ไม่ดีหรือไม่ สำหรับฉันแล้วนับว่าเป็นทั้งรูปแบบการทำงานที่ไม่ดีและไม่ให้อคติตัวแปร

— ไฮเซนเบิร์ก