[Aşağıdakiler, denklemlerin kullanılması nedeniyle belki biraz teknik görünmektedir, ancak yalnızca çok temel OLS anlayışı gerektiren sezgiyi sağlamak için çoğunlukla ok çizelgelerine dayanmaktadır - bu nedenle itilmeyin.]
Eğer nedensel etkiyi tahmin etmek istediğinizi varsayalım üzerinde için tahmini katsayı verdiği , ama nedense senin açıklayıcı değişken ve hata teriminin arasında bir korelasyon vardır:y i βxiyiβ
yi=α+βxi+↖corrϵi↗
Bu olmuş olabilir, çünkü ile de ilişkili olan önemli bir değişkeni eklemeyi unuttuk . Bu sorun ihmal edilen değişken önyargısı olarak bilinir ve ardından size nedensel etki vermez ( ayrıntılar için buraya bakınız). Bu, bir enstrüman kullanmak istediğinizde, çünkü gerçek nedensel etkiyi ancak o zaman bulabilirsin.βxiβˆ
Bir enstrüman yeni değişkendir ilintisiz ile , ama bu bağıntılar iyi olan ve sadece etkilemektedir aracılığıyla - Bizim enstrüman "eksojen" denen yani. Buradaki şemada olduğu gibi:ϵ i x i y i x iziϵixiyixi
zi→xi↑ϵi→↗yi
Peki bu yeni değişkeni nasıl kullanırız?
Belki de bir bağımlı değişkenin toplam varyasyonunu açıklanmış ve açıklanamayan bir bileşene ayırdığınız regresyonun arkasındaki ANOVA tipi fikrini hatırlarsınız. Örneğin , cihazınızdaki geriletirseniz ,xi
xitotal variation=a+πziexplained variation+ηiunexplained variation
o zaman burada açıklanan varyasyonun orijinal denklemimize eksojen olduğunu biliyorsunuzdur, çünkü yalnızca eksojen değişken değişkenine bağlıdır . Yani bu anlamda, bizim bölünmüş biz (bağlıdır parçası olduğunu kesinlikle dışsal olduğunu iddia edemez parçası içine ) ve bazı açıklanamayan kısmı tüm kötü varyasyonu bağıntılar ile tutar . Şimdi bu regresyonun dışsal kısmını ele alıyoruz, buna diyoruz ,zixiziηiϵixiˆ
xi=a+πzigood variation=xˆi+ηibad variation
ve bunu orijinal regresyonumuza :
yi=α+βxˆi+ϵi
Şimdi beri ile artık ilişkili bulunmadığını (biz "filtre" den bu kısmı, hatırlamak onu ve sol ), sürekli bizim tahmin edebilir enstrüman molası için bize yardımcı oldu çünkü açıklayıcı değişken ile hata arasındaki korelasyon. Bu, enstrümantal değişkenleri nasıl uygulayabileceğinizin bir yoluydu. Bu yönteme aslında 2 aşamalı en küçük kareler denir, burada üzerindeki regresyonumuz "birinci aşama" olarak adlandırılır ve buradaki son denklemin "ikinci aşama" olarak adlandırılır.xˆiϵixiηiβxizi
Bizim asıl resmin açısından (ben dışarıda bırakın bir karışıklık yapmak ama orada olduğunu hatırlamıyorum!) Yerine arasında doğrudan ama kusurlu rotayı alma için biz yoluyla bir ara adım attıϵixiyixˆi
zi→xi↗→xˆi↓yi
Bu hafif nedensel etkiye yönelme yolumuzu sayesinde , aracı kullanarak tutarlı bir şekilde tahmin edebildik . Bu sapmanın maliyeti, enstrümantal değişken modellerinin genellikle daha az kesin olması, yani daha büyük standart hatalara sahip olma eğiliminde olmalarıdır.β
Enstrümanları nasıl buluruz?
Bu kolay bir soru değil, çünkü ile neden ilişkilendirilmediğine dair iyi bir dava yapmanız gerekiyor - bu doğru bir şekilde gözlemlenemediğinden resmi olarak test edilemiyor. Bu yüzden asıl zorluk, doğal afetler, politika değişiklikleri gibi eksojen olarak görülebilecek bir şeyle karşılaşmak ya da bazen rastgele bir deneyi bile gerçekleştirebilirsiniz. Diğer cevapların bunun için çok iyi örnekleri vardı, bu yüzden bu kısmı tekrar etmem.ε iziϵi