Stata学习：如何进行遗漏变量偏误的Oster边界检验？

Question

如题所述

Answer 1

深入理解Stata中的遗漏变量偏误检验

在统计分析中，遗漏变量偏误是一个关键问题。Song等人(2023)通过Song等人(2023)的边界检验方法，遵循Altonji, Elder, & Taber(2005)和Oster(2019)的理论框架，用Stata工具包揭示了这种偏误的影响。他们的核心工具是R²上限的1.3倍规范值，用于评估效应的稳健性。我们来看看几个关键的统计输出：

Inter系数: -0.05769, 标准误: 0.01983, t值: -2.91, P值: 0.004
treatment系数: 0.3527, 标准误: 0.1479, 统计显著性: p = 0.017
lnPrice: 9.8725, Robust标准误差: 53.72, 显著性: p = 0.000
Oster's delta: -3.5425, 边界估计: -3.54250
控制变量下的系数: -0.05769 (Inter), 未控制的系数: -0.00288
未控制的控制变量: lnDis_inciner, treatment, R_max: 0.801, 调整后的系数: -0.18104

δ值的负值和大于1的边界，揭示了OLS估计可能低估了遗漏变量的影响。例如，当δ=1时，表明可观察与不可观察因素对效应的影响相当。Cheng等(2021)的研究进一步验证了FE（固定效应）结果对未观测异质性的稳健性。

在实际应用中，我们看到OLS估计可能因遗漏混杂因素而得出误导性的结论。通过Oster的稳健性系数检验，我们能够识别并控制潜在偏差。Fang等人的研究(2023)展示了Stata代码如何进行此类分析：

reg lnjust lnfacebook lngdp lntrade lnind africa europe asia namerica samerica, psacalc delta lnfacebook, rmax(0.945)

结果显示，当控制变量加入后：

无控制时：系数0.2449, R²=0.332
有控制时：系数0.1719, R²=0.622
Oster稳健性检查：调整后的β=0.00471

这表明控制变量的引入显著削弱了社交媒体对能源公平估计的影响，而Oster的边界检查确保了结果的稳健性。

总结来说，Stata中的遗漏变量偏误检验是一种强大的工具，帮助我们识别和控制可能的偏误，确保统计结果的可靠性和有效性。通过精确的R²上限和Oster's delta，我们可以更深入地理解模型在实际应用中的稳健性。