# 5-两阶段最小二乘法

## 5-两阶段最小二乘法

比如我们想要研究教育程度（接受教育年份，暴露因素X）对未来收入（薪资，结局变量Y）的影响。

![](https://gitee.com/mugpeng/my-gallery-01/raw/master/img01_picgo2/20220108225140.png)

这里我使用ivreg 中的数据集：

```
data("SchoolingReturns", package = "ivreg")
my_data <- SchoolingReturns[, 1:8]

Rows: 3,010
Columns: 8
$ wage        <dbl> 548, 481, 721, 250, 729, 500, 565, 608…
$ education   <dbl> 7, 12, 12, 11, 12, 12, 18, 14, 12, 12,…
$ experience  <dbl> 16, 9, 16, 10, 16, 8, 9, 9, 10, 11, 13…
$ ethnicity   <fct> afam, other, other, other, other, othe…
$ smsa        <fct> yes, yes, yes, yes, yes, yes, yes, yes…
$ south       <fct> no, no, no, no, no, no, no, no, no, no…
$ age         <dbl> 29, 27, 34, 27, 34, 26, 33, 29, 28, 29…
$ nearcollege <fct> no, no, no, yes, yes, yes, yes, yes, y…
```

代码部分简单带过，这里主要以原理介绍为主。

我们首先发现教育程度与未来收入确实是显著相关的`p-value: < 2.2e-16`。

```
> summary(lm(formula = wage ~ education, data = my_data))

Call:
lm(formula = wage ~ education, data = my_data)

Residuals:
    Min      1Q  Median      3Q     Max 
-576.09 -173.36  -34.12  127.82 1686.25 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  183.949     23.104   7.962 2.38e-15 ***
education     29.655      1.708  17.368  < 2e-16 ***
---
Signif. codes:  
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 250.7 on 3008 degrees of freedom
Multiple R-squared:  0.09114,	Adjusted R-squared:  0.09084 
F-statistic: 301.6 on 1 and 3008 DF,  p-value: < 2.2e-16
```

接下来，我们就要使用两阶段最小二乘估计，来定量估计暴露因素X与Y之间的关联效应大小。

![](https://gitee.com/mugpeng/my-gallery-01/raw/master/img01_picgo2/20220110103903.png)

两阶段最小二乘估计分为两个阶段，第一阶段是将自变量的变异分解，使用工具变量对暴露因素建立回归；第二步再通过暴露因素预测值（predicted value，P）构建和结局变量Y之间的回归方程。

![](https://gitee.com/mugpeng/my-gallery-01/raw/master/img01_picgo2/20220108225140.png)

比如说这里我们发现有一个变量，即距离学校距离是否近。我们发现，与学校距离远近，不仅与教育程度（接受教育年份，暴露因素X）相关，它同样与未来收入（薪资，结局变量Y）相关。那么，这里学校距离远近就是一个潜在的工具变量。

### 5.1-第一阶段

我们首先需要明确工具变量对暴露因素的作用。

这里首先需要构建Z-X 回归模型：`X = α + dZ + ε`。除了要看工具变量以外，还要加上外生变量做回归。

这里主要有两个目的：

* 明确工具变量对自变量的作用，看该变量与我们的自变量（暴露因素）之间是否是高度相关的；
* 获得暴露因素预测值，以作为第二阶段的自变量。

### 5.2-第二阶段

第二阶段就是用工具变量对自变量的预测值来估计回归系数：`Y=α + βX(Z对X的预测值) +ε`

因此这个式子实际可以合并为`Y = α + dZ + ε`

即： ![](https://gitee.com/mugpeng/my-gallery-01/raw/master/img01_picgo2/20220110151045.png)


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://peng-6.gitbook.io/mendelian_randomization/shi-zhan/5-liang-jie-duan-zui-xiao-er-cheng-fa.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.