弱工具变量诊断 · empirical-wizard methods

弱工具变量诊断是什么？

Weak IV / Anderson-Rubin 问的是：工具变量可能偏弱时，常规 2SLS 的显著性还能不能相信。弱工具变量会让常规 t 检验和置信区间失真，所以需要弱识别稳健推断。

先用一句话理解

把工具变量想成用一把间接尺子量 X。尺子和 X 关系很弱时，第二阶段看起来显著也可能只是噪声放大；Anderson-Rubin 的价值是弱识别下仍然更稳健。

什么时候用

判断项	教科书式判断
适合用在	模型使用工具变量，且第一阶段强度可能不足或样本较小。
先不要用在	没有工具变量。无 instruments 时只能披露 weak IV 检验不可用。
最关键的前提	先有明确的内生变量和工具变量，再谈弱识别稳健推断。
读表顺序	第一阶段、弱工具诊断、Anderson-Rubin 状态、2SLS 结果。
论文表述边界	常规 2SLS 显著但 AR 不稳健时，必须披露弱识别风险。

把它和相近方法分清楚

容易混淆的对象	怎么区分	初学者记法
第一阶段 F	看工具变量和内生变量是否相关。	只是弱识别诊断的一部分。
常规 2SLS t 检验	在识别较强时常用。	弱工具下可能尺寸失真。
Anderson-Rubin	检验结构参数假设，在弱识别下更稳健。	适合披露弱 IV 风险。

核心直觉和模型公式

IV 和 Anderson-Rubin 检验对象

IV 的两阶段结构和 AR 的检验对象可以写成：

X_i=\pi Z_i+\boldsymbol{\delta}'\mathbf{W}_i+v_i

Y_i=\beta \widehat{X}_i+\boldsymbol{\gamma}'\mathbf{W}_i+\varepsilon_i,\quad H_0:\beta=\beta_0

弱 IV 讨论的不是工具变量是否“名字好听”，而是 Z 对 X 的解释力和弱识别下推断是否可靠。

公式里的符号怎么读

符号	含义	在本页怎么理解
X_i	内生解释变量	可能和误差项相关，需要工具变量处理的变量。
Z_i	工具变量	应影响 X，但不直接影响 Y。
π	第一阶段相关性	π 太弱时，2SLS 推断会变得不可靠。
β	结构参数	第二阶段真正关心的效应。
H0: β=β0	AR 检验假设	检验某个结构参数值是否被数据拒绝。

专业使用口径

Weak IV 页面不能只写“做了诊断”，必须说明工具变量是否存在和检验是否可用。

口径	专业写法
工具变量存在性	没有 instruments 时不应追加 weak IV 模块。
第一阶段	报告相关性、F 统计量或其他弱识别诊断。
AR 状态	说明 estat weakrobust / Anderson-Rubin 是否成功、失败或不可用。
结论边界	AR 不支持时，不要用常规 2SLS 星号写强结论。

一步一步做：从问题到结果的五步

步骤	这一页具体做什么	做到什么程度才算读懂
1. 明确内生变量	先说明哪个 X 需要工具变量。	没有内生变量设定，weak IV 没有对象。
2. 明确 instruments	列出工具变量及理论来源。	没有 instruments 时诚实写不可用。
3. 看第一阶段	检查工具变量是否能解释 X。	第一阶段弱会影响整个 IV 解释。
4. 做弱识别稳健推断	尝试 Anderson-Rubin 或 weakrobust 检验。	失败状态也要披露。
5. 对照 2SLS 结论	若常规显著但 AR 不稳健，正文要降级表述。	不能只挑好看的 p 值。

结果怎么读：先读口径，再读数字

本页案例读表时，先记住这个口径：一阶段工具变量 = L.dfi_index；教学案例用滞后 DFI 演示 IV 流程；正式论文需要外生来源。

读表顺序	本页怎么读	不要这样读
先看 instruments	是否真的有工具变量。	无工具变量不能硬写 weak IV。
再看第一阶段	相关性是否足够。	第一阶段弱时，第二阶段星号不可靠。
然后看 AR 状态	成功、失败、不可用分别怎么披露。	不要把失败静默跳过。
最后看结论一致性	常规 2SLS 和 AR 是否支持同一方向。	冲突时要按弱识别风险处理。

初学者最容易错在哪里

误读	为什么错
没有工具变量也追加 weak IV	错。无 instruments 时只能标记不可用。
只看第二阶段星号	错。IV 首先要过第一阶段和识别诊断。
把 AR 当文案	错。应实际尝试弱识别稳健推断并披露状态。
AR 不支持仍写强因果	错。弱识别风险下结论必须保守。

先看这个案例的结论

一阶段工具变量 = L.dfi_index；教学案例用滞后 DFI 演示 IV 流程；正式论文需要外生来源。
一阶段 F = 2.0575；弱工具变量诊断的核心指标。
2SLS 系数 = -0.0237；第二阶段使用预测 DFI。
这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。

变量要求和案例口径

字段	口径
数据	CSMAR 风格 A 股企业创新面板
原始样本	196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准
因变量	patent_count；回归页通常使用 ln(1 + patent_count)
核心解释变量	dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index
控制变量	roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age
输出文件	weak_iv_results.csv
角色要求	因变量、核心解释变量
依赖包	ivreg2、weakivtest

实际代码

下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。

import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year

global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0

ivreg2 $y $controls i.year ($x = L.$x), cluster(firm_id) first weakiv
export delimited using "$JOB_DIR/weak_iv_results.csv", replace

实际输出表

这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。

指标	数值	解释
样本	1200 obs / 196 firms / 2015-2020	来自共用案例 CSV
因变量	ln(1 + patent_count)	企业创新产出
核心解释变量	dfi_index	数字普惠金融指数
输出文件	weak_iv_results.csv	empirical-wizard 对应方法产物
一阶段工具变量	L.dfi_index	教学案例用滞后 DFI 演示 IV 流程；正式论文需要外生来源
一阶段 F	2.0575	弱工具变量诊断的核心指标
2SLS 系数	-0.0237	第二阶段使用预测 DFI
2SLS p 值	0.2853	与 OLS/FE 方向对照，不单独当成识别证明

案例图

这是一张由同一份案例数据生成的页面内诊断图。

论文里怎么写

为缓解模型设定或内生性担忧，本文补充报告弱工具变量诊断。相关估计输出见 weak_iv_results.csv。该检验不替代研究设计本身，但可以说明核心结论在替代识别、标准误或稳健性口径下是否保持一致。

检查清单

先确认确实有工具变量；没有工具变量时不能硬写弱 IV 检验。
同时读第一阶段强度和 Anderson-Rubin 等弱识别稳健推断。
常规 2SLS 显著但弱识别稳健结果不稳时，要降低结论强度。

返回教程库 · 查看共用案例