2SLS

2SLS (Two-Stage Least Squares)

两阶段最小二乘法（Two-Stage Least Squares，简称 2SLS）是计量经济学中处理内生性问题最核心的估计方法之一。当回归模型中存在内生变量（即与误差项相关的解释变量）时，普通最小二乘法（OLS）将产生不一致且有偏的估计量。2SLS 通过引入工具变量（Instrumental Variables, IV），将内生变量在第一阶段用外生变量回归，在第二阶段用第一阶段得到的预测值替换原内生变量进行最终回归，从而消除内生性偏误，获得一致的参数估计。

内生性问题与工具变量

在标准的线性回归模型 $y_i = \mathbf{x}_i'\boldsymbol{\beta} + \epsilon_i$ 中，OLS 一致性的关键条件是 $\mathbb{E}[\mathbf{x}_i\epsilon_i] = \mathbf{0}$，即解释变量与误差项不相关。当这一条件不成立时，存在内生性。内生性有三个主要来源：遗漏变量（与解释变量相关且影响因变量的因素被错误地归入误差项）、测量误差（解释变量存在系统性观测偏差）、以及联立性（因变量与解释变量相互决定，例如供给与需求模型中的价格和数量）。

工具变量是解决内生性的关键。一个有效的工具变量 $z_i$ 必须满足两个条件：相关性（relevant），即工具变量与内生解释变量相关，$\operatorname{Cov}(z_i, x_i) \neq 0$；以及外生性（exogenous），即工具变量与误差项不相关，$\operatorname{Cov}(z_i, \epsilon_i) = 0$。相关性保证工具变量能提取内生变量中干净变异，外生性保证工具变量自身不被误差项污染。直观理解，工具变量充当自然实验中的随机分配机制，仅通过影响内生解释变量来间接影响因变量。

两阶段估计过程

考虑内生变量 $x$ 与工具变量 $z$。简单模型为：

其中 $z$ 满足 $\mathbb{E}[z\epsilon] = 0$ 且 $\operatorname{Cov}(z, x) \neq 0$。

第一阶段回归将内生变量对工具变量（及所有外生变量）进行 OLS 回归：

获得预测值 $\hat{x} = \hat{\pi} z$，这是 $x$ 中由工具变量解释的部分，已排除误差项 $\epsilon$ 的影响。

第二阶段回归将因变量对第一阶段的预测值进行 OLS 回归：

第二阶段得到的 $\hat{\beta}_{1,2SLS}$ 即为一致估计量。矩阵形式为：

其中 $\mathbf{P}_Z = \mathbf{Z}(\mathbf{Z}'\mathbf{Z})^{-1}\mathbf{Z}'$ 是工具变量矩阵的正交投影矩阵。这一形式揭示了 2SLS 与广义最小二乘法的深层联系。

当工具变量数量等于内生变量数量时 2SLS 退化为简单 IV 估计；当工具变量多于内生变量（过度识别）时，2SLS 通过投影机制高效合成多个工具变量信息为最优线性组合。

统计性质与检验

大样本下 2SLS 估计量一致且渐近正态：$\hat{\beta}_{2SLS} \xrightarrow{p} \beta$，且 $\sqrt{n}(\hat{\beta}_{2SLS} - \beta) \xrightarrow{d} \mathcal{N}(0, \sigma^2 \mathbf{Q}_{xz}^{-1}\mathbf{Q}_{zz}\mathbf{Q}_{zx}^{-1})$。但与 OLS 相比 2SLS 方差更大，弱工具变量会严重膨胀方差。

关键诊断检验包括：第一阶段 F 统计量，经验规则为 F 应大于 10，否则存在严重弱工具变量偏误；过度识别检验如Sargan-Hansen检验，用于工具变量多于内生变量时检验外生性；豪斯曼检验比较 OLS 与 2SLS 估计量，判断内生性是否统计显著。

应用与局限

2SLS 广泛应用于劳动经济学、教育经济学和健康经济学。经典案例为 Angrist 和 Krueger（1991）用出生季度作教育的工具变量估计工资回报。局限包括：弱工具变量放大偏误；外生性不可直接检验（恰好识别时）；2SLS 估计局部平均处理效应（LATE），结果推广需注意合规者群体的特殊性。异方差性存在时需稳健标准误。尽管有局限，2SLS 仍是处理内生性的基准方法，是实证微观经济研究中因果推断的基石工具。