内生性（Endogeneity）是实证研究中经常被质疑，不能回避的难题。

究竟什么是内生性？

为什么一定要揪住内生性不放？

换言之，忽略内生性将导致什么后果？

为什么会产生内生性？

内生性来源于哪里？

如何判断是否存在内生性？

如何检验内生性？

我们经常听到多种不同的“内生”，如内生变量 （Endogenous covariates）、内生样本选择（Endogenous  sample selection）、内生处理指派（Endogenous  treatmentassignment）等，

这些概念之间有什么区别和联系？

仅以内生变量为例，我们还会面临以下困惑：

内生变量可否取离散形式？

可否包含内生变量的二次项或更高次项？

如何应对多个内生变量？

多个内生变量是否允许交互？

内生变量是否可与外生变量交互？

内生变量的决定方程中若又包含内生变量，又该如何处理？

如果存在内生性，怎么应对内生性？

若一项研究同时涉及到多种内生性时，又该怎么办？

针对不同的内生性是否要采取不同的应对方法？

这些不同的方法如何整合？

当不同的内生性同时出现并且相互交织在一起时，又该怎么办？

STATA的扩展回归模型（ERM, EXTENDED REGRESSION MODELS），用一条命令同时处理内生变量、内生样本选择、内生处理指派和随机效应。

ERM适用于连续变量、0-1变量和有序多元离散的因变量、自变量和工具变量，也允许变量取高次项以及变量之间的交互，还可用于面板数据和层次模型。

ERM在单独应对某类内生性时，等价于以下传统的十多种STATA命令：

regress，

ivregress,

gmm（广义矩估计）,

heckman,

tobit, intereress,

probit,

oprobit,

teffects,  

etregress（内生处理回归），

movestay（内生转换模型，endogenous switchingregression），

ivtobit，

xtregress,

xtprobit,

xtoprobit,

xtivreg, 等等。

更重要的是，ERM可以同时应对多种内生性问题。

ERM虽然名为扩展回归模型，但却基于多元正态分布和极大似然估计。