Stata选择模型的注意事项。在使用stata选择模型处理数据的时候应该需要注意一些什么问题呢?以下艾思云课堂小编带大家了解一下使用stata需要注意什么事项。

　　选择模型要有排他性约束变量，即在第一阶段回归中包含，而在第二阶段回归中排除。

　　2、选择模型要报告第一阶段回归结果，否则不清楚哪个变量是排他性约束变量或评估排他性约束变量的解释能力。

　　3、需要证明为什么排他性约束变量，即 Z 变量，可以从第二阶段回归中有效排除。

　　4、由于选择模型是脆弱的，敏感性分析是必要的，如与不同排他性约束变量结果和OLS 结果对比、以及报告内生性变量和逆米尔斯比率的 VIF 值。

　　虽然有人在运用该方法时，在第一步没有选择排他性变量，但一般模型的运用是需要一个工具变量问题。因为在前面我们也讲过，如果不加入会存在共线性问题，估计也存在偏误。

　　工具变量的选择需要很多的思考。我看到之前有很多人用变量密度或者区域经济变量均值作为工具变量。在选择工具变量的时候，我们需要解释一下为何选择要有具有的支撑。

　　在第一阶段中，因变量为0-1哑变量，所以第一阶段一般都是运用Probit分析模型。此外，在第二阶段分析中，当引入IMR予以控制后，选择偏误调整项IMR系数如果通过显著性检验，这表明虚拟变量选择的内生性偏误一定程度是存在的，这表明采取文章分析样本自选择问题是必要的，这将进一步提升文章研究结论的稳健性。

　　将IMR放入第二阶段可能会造成多重共线问题，因此需要在回归结果中报告VIFs(Variance Inflaction Factors)。通常认为VIFs值超过10，即存在多重共线问题。

　　需要注意的是，方法一中Heckman直接命令代码的运用具有明显的局限性，这里的因变量一般要求为“连续性变量”，而当因变量为哑变量(0-1)或其他非连续性变量时，上述方法一的直接运用将存在明显的统计偏误。为此，当在实证研究过程中，遇到因变量为非连续性变量时，方法一不再适用，可借鉴方法二，将Heckman二阶段分析进行拆分。

　　多数论文使用两步法省略了报告第一阶段。有必要明确报告第一阶段模型使用了哪些变量，以便清楚地识别排除性约束变量。第二阶段的回归模型中，除排除性约束变量外，需加入第一阶段模型的所有控制变量。

　　本期的艾思科蓝资讯就分享到这里了，学海无涯，我们的每一天都在学习，艾思科蓝一直伴随在您的学习之路上。