稳健性检验套路|内生性检验套路
目的：其他条件下结论是否成立，即符号与显著性是否改变
方案：
1. 数据角度：样本分割；不同的标准对数据重分类、聚合；蒙特卡洛/boostrap模拟取样；
元分析，整合多源数据；先匹配处理再回归；
2. 变量角度：替换变量，如：公司size可以用total assets 或 total sales衡量；
冲击变量，不断放入控制变量其系数显著且稳定在某值；
3. 计量方法: 可以用OLS, FIX EFFECT, GMM等多种方式回归，看结果是否依然robust；
稳健性：多种稳健性检验一致说明结论可靠性，进一步探究结论局限性；
解决内生性（4种来源：样本自选择、互为因果、遗漏变量、测量误差）
1.样本自选择包括人为截断&天然截断
人为截断：小于5万元按5万计算 使用Tobit模型；
天然截断：psm 和 heckman
举例 选择题A、B、C会有不同收益，要解决选A收益的选择性偏误；
psm 要知道不选A（选BC的整体）的信息；
heckman不用知道选择B、C的信息，所以只需估算选A的概率；
psm 只能解决只有两种选择（A与非A），
且知道非A的数据信息（通常，遗漏样本与已有样本变量维度/种类一致）；
heckman 可以解决1.有B、C数据。可以解决不选B、C下选A收益的选择性偏误；
可以解决2.没有B、C数据。依然不影响我估算选A概率（类似IV）；
其中，2种heckman命令差别不大
（1）加 twostep 报告 mills（IMR）
优点：更流行 + 可以加 vce（robust） 进行聚合
缺点：会把第一步误差带入第二阶段
Note：IMR不是概率值（一个构造值而已），带入第二阶段，可以控制概率
（2）heckman 不加twostep 默认用最大似然，报告rhos 2.互为因果：两阶段最小二乘-IV；滞后性动态面板；联立方程；似不相关回归SUR
多方程相关主要分：联立方程与似不相关SUR
联立方程：y1的解释变量中包括y2；
联立方程使用单方程估计（IV）：排除了其他方程的错误设定对于某单独方程的一致性的影响，
也可以使用reghdfe等命令处理固定效应、方便聚类标准误，
跨方程的假设检验，还是需要联立起来进行估计的。
面板数据xtdata可能误估标准误易显著。
Note：存在内生性可用reg3，后面加ireg3选项的好处是迭代的计算协方差矩阵，可以达到理论最有效估计，
代价见Wooldridge的《横截面与面板数据的经济计量分析》。
SUR：y1的解释变量不包括y2，但y1，y2的扰动项相关；
SUR的内生性来自遗漏变量和测量误差，不需要使用3SLS3.遗漏变量：增加控制变量，行业×省级×时间固定效应；FE；Match；
因果识别（截面数据不能识别因果，同时发生的事件没法说明谁造成了谁，因果本身就包含了先后，截面数据只能在理论上论述不存在内生性。。。）
DID；RDD；合成控制；
扩展性检验：分组，引申结论；
附录：有关stata命令
**（1）PSM克服自选择
psmatch2 belief happiness x1 x2//进入处理组和控制组的概率按协变量匹配
pstest, both
psgraph
//核密度估计图
//- 比较密度函数图
//-匹配前的密度函数图
*-E-version(large)
twoway (kdensity _ps if _treat==1,lp(solid) lw(*2.5)) ///
(kdensity _ps if _treat==0,lp(dash) lw(*2.5)), ///
ytitle("Density", size(*1.1)) ///
ylabel(,angle(0) labsize(*1.1)) ///
xtitle("Propensity Score", size(*1.1)) ///
xscale(titlegap(2)) ///
xlabel(0(0.2)0.8, format(%2.1f) labsize(*1.1)) ///
legend(label(1 "Treatment Group") label(2 "Control Group") row(2) ///
position(10) ring(0) size(*1.1)) ///
scheme(s1mono)
graph export "Figs\kn01_large.wmf", ///
replace fontface("Times New Roman")
//-匹配后的密度函数图
*-E-version(large)
twoway (kdensity _ps if _treat==1,lp(solid) lw(*2.5)) ///
(kdensity _ps if _wei!=1 & _wei!=.,lp(dash) lw(*2.5)), ///
ytitle("Density", size(*1.1)) ///
ylabel(,angle(0) labsize(*1.1)) ///
xtitle("Propensity Score", size(*1.1)) ///
xscale(titlegap(2)) ///
xlabel(0(0.2)0.8, format(%2.1f) labsize(*1.1)) ///
legend(label(1 "Treatment Group") label(2 "Control Group") row(2) ///
position(10) ring(0) size(*1.1)) ///
scheme(s1mono)
graph export "Figs\kn02_large.wmf", ///
replace fontface("Times New Roman")
***（2）Heckman两阶段克服自选择偏误//以oprobit为例
heckman wage edu gender,select(work=family health edu) twostep //检验是否有自选择
//选择变量内至少一一个变量与前不一致，以能生成p_work（是否工作的概率）