求助多内生变量和多IV时的弱工具变量识别统计量能否直接和Stock-Yogo临界值比较

137

收藏 2026-02-28

当对单一内生变量使用IV时，弱工具变量识别统计量结果如下：
------------------------------------------------------------------------------
Weak identification test (Kleibergen-Paap rk Wald F statistic):
Stock-Yogo weak ID test critical values: 10% maximal IV size          16.38
                                       15% maximal IV size             8.96
                                       20% maximal IV size             6.66
                                       25% maximal IV size             5.53
Source: Stock-Yogo (2005).  Reproduced by permission.
NB: Critical values are for Cragg-Donald F statistic and i.i.d. errors.
------------------------------------------------------------------------------

当对多内生变量使用多IV时，弱工具变量识别统计量变为了：
------------------------------------------------------------------------------
Weak identification test (Kleibergen-Paap rk Wald F statistic):
Stock-Yogo weak ID test critical values:                      <not available>
------------------------------------------------------------------------------

求助各位大佬，此时能否直接和单一IV的Stock-Yogo临界值比较？？？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复

赵安豆

3 小时前

在处理包含多个内生变量和工具变量（IVs）的模型时，确实可以使用类似Kleibergen-Paap rk Wald F统计量这样的识别强度测试来检查是否存在弱工具变量的问题。但是，在比较这些统计值与Stock-Yogo临界值时需要特别小心。

Stock和Yogo在他们的2005年论文中提出了用于单一内生变量的IV模型下的弱识别临界值，以确定何时工具变量可能是弱的。然而，当有多个内生变量或多个工具变量时，情况会更复杂，因为这涉及到更高维度的检验问题。

对于多内生变量和多IV的情况，Kleibergen和Paap提出了他们的rk Wald F统计量来评估识别强度。这个统计值可以用来与Stock-Yogo临界值进行比较，但是要注意，Stock-Yogo表中的临界值是基于单一内生变量的模型设计的，并且假设了某些特定结构（例如正态分布的误差项）。因此，直接将这些临界值用于多个内生变量的情况可能不够准确。

在实践中，对于多内生变量和多IV的情形，通常会依赖于更复杂的统计测试来评估识别强度，如Cragg-Donald Wald F统计量或Anderson-Rubin Wald统计量。Kleibergen-Paap rk Wald F统计量是针对多个工具变量情况的推广，并且在文献中被广泛接受为一个强大的检验。

因此，在解读你的多内生变量和多IV模型中的识别强度测试时，尽管可以参考Stock-Yogo临界值作为指导原则，但重要的是要理解这些标准可能不完全适用于你的情况。更推荐的方法是使用针对多元情况设计的统计量，并根据相关的文献来解释结果。如果可能的话，咨询领域内的专家或进行进一步的模拟研究以验证你的发现也是一个好主意。

在学术论文和应用研究中，对于多内生变量模型的弱识别测试通常会更为复杂，需要更细致的方法论讨论和解释。因此，在使用这些统计量时保持谨慎，并确保理解它们的应用限制是非常重要的。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用