3SLS估计的可靠性检验：从模型设定到结果诊断的完整指南
当你在Stata中运行完3SLS（三阶段最小二乘法）模型后，屏幕上跳出的那些系数和统计量真的可信吗？作为一名经常与联立方程模型打交道的研究者，我见过太多同行直接复制粘贴3SLS结果到论文中，却从未质疑过这些数字背后的假设是否成立。本文将带你深入3SLS的黑箱，从模型设定、工具变量选择到结果诊断，建立一个完整的可靠性检验框架。
1. 3SLS模型的核心假设与识别条件
在按下reg3命令的回车键之前，我们必须清楚3SLS不是万能的魔法——它建立在几个关键假设之上，任何一个不成立都可能导致结果偏误。
1.1 同步性问题与联立方程设定
3SLS适用于存在内生性双向因果关系的联立方程系统。比如在研究消费与工资的关系时：
reg3 (consump wagepriv wagegovt) (wagepriv consump govt capital), ireg3这里的关键在于确认：
- 哪些变量真正具有双向因果关系？仅凭理论直觉不够，需要Hausman检验验证
- 方程设定是否完整？遗漏重要变量会导致联立性偏误
- 所有方程是否可识别？每个方程需要满足阶条件（order condition）和秩条件（rank condition）
注意：过度识别（工具变量过多）虽然可以通过Sargan检验发现，但会降低估计效率
1.2 工具变量的黄金标准
3SLS的可靠性高度依赖工具变量的质量。理想的工具应满足：
| 标准 | 检验方法 | 常见问题 |
|---|---|---|
| 相关性 | 第一阶段F值>10 | 弱工具变量 |
| 外生性 | Sargan/Hansen检验 | 工具变量本身可能内生 |
| 排他性限制 | 理论论证 | 工具影响多个内生变量 |
当使用inst()选项指定工具时，建议先用ivreg2单独检验每个工具变量的有效性：
ivreg2 consump (wagepriv = capital) wagegovt, first2. Stata结果的关键诊断指标
3SLS输出中包含多个容易忽视但至关重要的统计量，它们是你结果的"体检报告"。
2.1 迭代收敛状态检查
使用ireg3时，务必检查迭代是否真正收敛：
Iteration 1: tolerance = .0234567 Iteration 2: tolerance = .0001234 ... Convergence achieved after 5 iterations危险信号包括：
- 迭代次数超过默认限制（通常50次）
- 容忍度（tolerance）波动不降
- 出现"convergence not achieved"警告
此时应尝试：
- 增加最大迭代次数：
reg3 ..., ireg3 iterate(100) - 调整容忍度标准：
reg3 ..., ireg3 tolerance(1e-6) - 改用非迭代3SLS：去掉
ireg3选项
2.2 系统R²与方程间协方差
3SLS会报告两个R²值：
- 单个方程的R²：反映每个方程的拟合优度
- 系统加权R²：反映整个方程系统的解释力
更关键的是方程残差的协方差矩阵：
Cross-equation covariance matrix: consump wagepriv consump .1234567 wagepriv .0789456 .2345678这个矩阵揭示：
- 方程间是否存在未被捕捉的关联（非零协方差）
- 异方差程度（对角线元素大小）
3. 模型设定检验的完整流程
3.1 联立性检验：真的需要3SLS吗？
通过以下步骤验证是否存在联立性问题：
- 先估计简化式（reduced form）方程
- 保存残差并加入原方程作为额外回归元
- 检验残差系数显著性：
reg3 (consump wagepriv wagegovt resid1) (wagepriv consump govt capital resid2), ols test resid1 resid2若残差联合显著（p<0.05），则证实存在联立性，需要3SLS而非OLS。
3.2 工具变量有效性检验
对于每个工具变量，执行以下诊断：
- 弱工具检验：第一阶段F值<10说明工具变量相关性不足
- 过度识别检验：Sargan检验p值<0.05表明部分工具可能无效
- 内生性检验：Durbin-Wu-Hausman检验比较OLS与2SLS结果
estat overid // Sargan检验 estat endogenous // 内生性检验3.3 模型设定比较：3SLS vs 2SLS vs SUR
通过信息准则比较不同估计方法：
| 估计方法 | AIC | BIC | 适用场景 |
|---|---|---|---|
| OLS | 1234.56 | 1256.78 | 无联立性问题 |
| 2SLS | 1201.23 | 1228.45 | 单一方程工具变量 |
| SUR | 1198.34 | 1220.56 | 方程相关但无内生性 |
| 3SLS | 1189.12 | 1215.34 | 联立方程+工具变量 |
存储并比较结果：
reg3 ..., ols estimates store OLS reg3 ..., 2sls estimates store TwoSLS reg3 ..., sure estimates store SUR reg3 ..., ireg3 estimates store ThreeSLS estimates stats OLS TwoSLS SUR ThreeSLS4. 常见问题与解决方案
4.1 迭代失败的原因排查
当ireg3无法收敛时，尝试以下调试步骤：
检查初始值：
reg3 ..., ireg3 from(ols) // 使用OLS结果作为初始值放宽收敛标准：
reg3 ..., ireg3 tolerance(1e-5) iterate(100)重新审视模型设定：
- 是否遗漏重要变量？
- 工具变量是否足够强？
- 方程识别条件是否满足？
4.2 异常结果诊断流程
遇到以下情况时建议的诊断路径：
系数符号与理论相反：
- 检查变量定义和预期关系
- 检验多重共线性：
collin varlist - 尝试不同的工具变量组合
标准误异常大：
- 检验弱工具变量
- 检查样本量是否足够
- 考虑异方差稳健标准误：
vce(robust)
R²为负值：
- 确认模型设定正确
- 检查是否有极端异常值
- 比较不同估计方法的结果稳定性
4.3 替代方案与稳健性检验
当3SLS结果可疑时，考虑：
有限信息方法：
ivreg2 depvar (endog = instruments) exog, small广义矩估计（GMM）：
ivreg2 depvar (endog = instruments) exog, gmm2s贝叶斯方法：
bayes: reg3 (depvar1 varlist1) (depvar2 varlist2), prior(...)
最后，永远记住：没有任何统计方法可以弥补糟糕的理论或低质量的数据。在依赖3SLS结果前，确保你已经完成了所有必要的诊断检验——你的读者和审稿人会感谢你的严谨。
