同一条工资方程，四种估法排在一张表里：普通最小二乘的教育系数是 0.1075，显式两阶段 0.0493，用 ivreg 加一个工具变量 0.0614，加两个工具变量还是 0.0614。后两列系数一样，标准误不同，0.0374 对 0.0314。作者在表下补了一句：手算两阶段得到的标准误是错的，正确的要看 ivreg 的输出。这一段是这本书第 10 章的写法，也是全书的路子：先手算一遍让你看清机制，再用专门的函数给出可信结果。

这本书是 Constantin Colonescu 的 Principles of Econometrics with R，2016 年 9 月 1 日发布，线上以 bookdown 网页版呈现，16 章，例子与数据对应 Principles of Econometrics（第 4 版）那本教材。

第 10 章用 mroz 数据讲工具变量。样本先按劳动力参与筛一遍，留下 428 个观测。第一阶段把教育对经验、经验平方与母亲受教育年限回归，母亲教育那一项的系数是 0.2677，t 值 8.60；第二阶段把拟合值代回工资方程，教育项系数降到 0.0493。

换成 ivreg 一步到位，教育系数是 0.0614，标准误 0.0314。带上两个工具变量（再加父亲教育）时，summary 加 diagnostics 会一并给出三个诊断：弱工具检验统计量 55.40，Wu-Hausman 2.79（p 值 0.095），Sargan 0.38（p 值 0.539）。三个数字连起来读，含义是工具够强、内生性在 10% 水平上勉强、过度识别约束没被拒绝。

顺序与 PoE4 教材对齐，一章对一章。想按课上进度找对应代码，照教材的章号翻这里的同名章就行，不必先读前面的章节。

打开任意一章，代码块的头几行都是同一套：rm(list=ls()) 清空环境，然后依次加载 AER（ivreg）、lmtest（coeftest、bptest）、broom（tidy、glance）、PoEdata（数据集）、car（hccm 稳健标准误）、sandwich、knitr（kable 出表）、stargazer。这八个包是跑通全书例子的前提，缺一个某章的表格就出不来。

输出方式有两种：正文里用 kable 把系数排成三线表，章末对比用 stargazer 一次并排多个模型。第 10 章那张四种估法的表就是 stargazer 出的，列标签用 column.labels 手写，所以能一眼分清哪列是 OLS、哪列是显式两阶段。

food、cig、mroz、Grunfeld、transportation 这些数据集都打包在 PoEdata 里，装包后 data("mroz", package="PoEdata") 就能调出来。网页上只有读取数据的代码，没有单独的下载文件，所以想跟着敲，第一步是装包而不是下载表格。

这也意味着例子能完整复现：书里每个数字都来自这些包内数据，读者拿同样的包跑同一段代码，应得到同样的系数。遇到对不上的情况，先看包的版本，而不是怀疑书里的数字。

这本书发布至今快十年，正文里的包版本是 2016 年前后的状态。stargazer 与 broom 这些年都改过默认输出，照着书里跑出格式不同的表属于正常，系数与标准误不受影响。

页面没有标注许可条款，引用时写作者与书名（Constantin Colonescu, Principles of Econometrics with R, 2016），转发或用于课程前先向作者确认授权。

16 章的网页入口、第 10 章那张对比表的完整数值与三个诊断的输出，放在回帖里，回复可见。