当前课程知识点:教育定量研究方法(高级) > Weeks 13&14: HLM > HLM > 2.16 Q&A 2
第5题同学问的是统计力的理解
然后这道题就是在问题中同学问的是左趋近和右趋近
然后我没有理解这道题到底想问什么
然后我可以说一下我的理解
就是我们可以看这4个图的右边
右边这上面下面和两两个图形
然后红线部分代表的是α
它是与显著性水平有关的
而1-β就是我们的统计力
也就是蓝线的部分
引入工具变量
使标准误偏大
因此图像分布更加离散
所以就是说体现在矮胖上
然后也就是说是下面这个图右下角这个图引入工具变量
之后
所以其实我们也可以看出1-β的面积也是变小了
所以它应该是降低了统计力
上一道题
上一道题,就是从这个标准误上你的解释是对的
但我猜这位同学问的它是说还要考虑均值
也就是effect size的问题
因为OLS的估算是有偏的
它是向左偏还是向右偏
要根据具体情况来看
根据它的偏误的方向
如果IV使得effect size变大
就是原来比如说是0.1
那么IV的估算值是比如说0.2
它就使得μ1跟μ0之间的距离就会拉大
这样的话它其实在这个角度上是可以增加统计力的
一个是effect size的因素
一个是它的离散程度的因素
这两个混在一起到底是什么样子呢
这个就不好讲了
刚才同这个同学讲得很好
如果你觉得没有回答清楚你的问题
你可以马上再提出来
我们同学讲得都很清楚
但是没有什么回应
好
第6题同学问的是互为因果的内生性问题中工具变量是
如何作用的
这位同学的理解是非常正确的
工具变量和因变量之间是没有直接的关系
但是存在间接且单向的因果关系
工具变量所起的作用就是过滤到被解释变量对解释变量的
影响
然后看一下第7题
第7题同学问的是为什么工具变量的个数大于内生变量会
导致过度识别的问题
首先过度识别是一个问题
就是像PPT里边展示的
如果说我们引入的工具变量大于我们要解释的内生解释
变量的话
就被称作是过度识别
我们再过度识别的情况下
要对这个工具变量进行外生性的检验
比如说在一个模型当中
我们有一个内生的
解释变量
然后有两个工具变量
具体的操作的话
运用二阶段最小二乘法的方法去分别计算这两个工具变量
的统计量
如果说这两个工具变量都是外生的
它们的统计量会比较接近
如果说两这两个工具量的统计量非常不同
就可以得出就是其中的一个工具变量或者两个工具变量都
有内生性的问题
然后第8题的话
过度识别和弱工具变量的哪一个危害更大
然后我个人的理解是这两种都是有危害的
因为弱工具变量本身会导致我们的计算的β是有偏的
会降低解释的力度
然后如果说在过度识别这个问题当中
如果说工具面上存在内生性的问题
也会影响我们的解释力度
因此判断这两个危害哪个危害更大
要根据具体的模型具体分析
稍等
你这个结论下得很对
但是第一句都有危害
就是要再稍微改一改
弱工具变量肯定是危害是非常大的
但是过度识别本身像你说的它不是一个问题
它只有在其中含有内生工具变量的时候才会有问题是吧
对
而不是简单的说都有危害
好的
你解释的是对的
谢谢老师
-1.2 Why do we use regression 1
-1.3 Why do we use regression 2
-1.4 Conditional expectation function 1
-1.5 Conditional expectation function 2
-1.6 Classical assumption of OLS
-1.8 How to use matrix calculation to solve OLS
-1.11 FAQs of regression:practice
-1.12 FAQs of regression:discussion
-1.13 Maximum Likelihood Estimatio
-Basic Econometrics
-2.1 Classical assumptions of OLS
-2.2 Omitted variable bias and endogeneity
-Weeks 3&4 readings and workshop
-Instrumental Variable
-3.6 Threats to the validity of RCT
-3.17 Random-effecrt and Fiexed-effect model
-3.18 Statistic power analysis
-Weeks 5&6 readings and workshop
-Randomized Experiments - Class Size, Career Academies
-4.6 DID with multiple periods 1
-4.7 DID with multiple periods 2
-4.9 Synthetic control methods
-Week7&8 readings and workshop
-Natural experiment and DID
-5.10 Validity and assumption test 1
-5.11 Validity and assumption test 2
-Regression discontinuity
-6.1 Review of causal inference model
-Propensity Score Matching
-HLM