过度识别检验详解

一、过度识别检验是什么

过度识别检验(Overidentification test)是一种用于检验经济学模型中各个变量和参数是否显著的检验方法，其基本思想是检验模型是否存在过度拟合。在经济学中，模型拟合的好坏不仅与其拟合度有关，还需要考虑过度拟合是否导致模型失效。因此，过度识别检验可以帮助我们评估模型是否可靠，并找到需要优化的方面。

二、过度识别检验固定效应模型

过度识别检验在固定效应（Fixed Effects）模型中尤为重要。固定效应模型中常常会用到时间固定效应和个体固定效应，而在这种情况下，模型中的常数项会被固定在时间和个体上，因而无法进行拟合。为了解决这个问题，我们可以采用差分法(Difference-in-Difference)或工具变量法(IV)等方法，而过度识别检验就可以用于检验这些方法是否有效。

三、过度识别检验原假设

过度识别检验的原假设是模型正确，未被过度拟合。而备择假设则是模型被过度拟合，存在一些不适当的变量或参数。如果备择假设被证明，我们需要重新评估模型，并找到可能的优化方案。

四、过度识别检验的步骤

过度识别检验的步骤如下：

1. 根据模型设定外生变量，即工具变量，其中必须有一个显著作用于内生变量。
2. 用外生变量代替内生变量，估计模型。
3. 用IV命令检验工具变量是否有效。
4. 用OIT命令进行过度识别检验。

五、过度识别检验stata命令

ivregress 2sls Y (X = Z)

其中，Y代表因变量，X代表内生变量，Z代表外生变量。按照以上命令设置后，运用stata的IV回归命令ivregress2sls， 加入外生变量，即可进行模型估计。

六、过度识别检验结果怎么看

在stata中进行过度识别检验后，展示的主要是三个结果，即Sargan检验、Hansen-J检验和C检验。其中Sargan检验和Hansen-J检验其实是对同一个问题的不同检验，主要检验模型是否被过度拟合；而C检验则是对异质性的检验，也就是模型是否存在异方差，但在一般情况下不太重要。

七、过度识别检验的原理

过度识别检验的原理是使用工具变量代替内生变量，通过估计残差，来检验工具变量对模型是否具有显著作用。如果工具变量的作用是显著的，那么我们就可以确认模型是可靠的。当然，即使模型可靠，也不能保证其预测结果一定准确，应该根据具体情况进行评估。

八、过度识别检验命令

oittest 

oittest命令是stata中用于进行过度识别检验的命令。在命令中需要指定工具变量和内生变量，命令会输出诸如“Model is not overidentified”的结果。

九、过度识别检验c统计

过度识别检验中的C统计可以用于检验异质性和聚类（clustering）。异质性指的是异方差的情况，而聚类则是观察样本数量的影响。C统计在聚类的情况下不是很重要，但在检验异质性的情况下非常有用。

十、过度识别检验p值怎么看

在stata中进行过度识别检验后，输出的结果中会有一个p值，用于检验模型是否被过度拟合。如果p值较小，说明模型不稳定，需要重新估计参数；如果p值较大，说明模型拟合的较好。当然，p值的选择也需要结合具体情况。