Technique d'estimation qui met en œuvre l'identification par variables instrumentales en régressant d'abord les régresseurs endogènes sur les instruments (première étape), puis en régressant le résultat sur les valeurs prédites de cette étape (deuxième étape), fournissant des estimations cohérentes sous les hypothèses IV.

Principe

Remplacer le régresseur endogène par sa composante prédite par l'instrument afin que la régression de deuxième étape utilise une variation purgée de la partie corrélée à l'erreur structurelle ; les erreurs standard doivent tenir compte de l'estimation en deux étapes.

Démonstration

Estimer le rendement causal de la scolarité en utilisant la distance à l'université comme instrument : la première étape prédit les années d'éducation à partir de la distance et des contrôles, la deuxième étape régressant les revenus sur l'éducation prédite pour obtenir un effet cohérent.

Mauvaise application

Appliquer la méthode 2SLS avec des instruments faibles, omettre des contrôles exogènes nécessaires à l'une ou l'autre étape, ou ignorer que 2SLS identifie un effet local en présence d'hétérogénéité des effets, conduisant à des conclusions trompeuses.

Conséquence

Quand les instruments sont valides et suffisamment puissants, 2SLS fournit des estimations cohérentes de paramètres causaux (souvent locaux) et l'interprétation correcte nécessite de rapporter la force de la première étape et une inférence robuste (par ex. erreurs types groupées, tests d'instruments faibles).

Inversion

Estimation OLS directe sans instrumenter lorsque les régresseurs sont exogènes, ou utilisation de méthodes d'information complète comme GMM dans les modèles à plusieurs équations comme alternative avec des propriétés d'efficience différentes.

Limite

S'applique principalement aux modèles structurels linéaires avec régresseurs endogènes et instruments valides ; ne résout pas automatiquement la non-linéarité, les traitements endogènes binaires exigent une interprétation prudente, et plusieurs instruments demandent des tests de suridentification.

Tension sémantique

Tension avec des alternatives telles que LIML, GMM ou les approches de fonction de contrôle, surtout lorsque les instruments sont faibles ou que le modèle est non linéaire.

Synthèse

Les moindres carrés en deux étapes sont la mise en œuvre pratique de l'identification par variables instrumentales pour modèles linéaires : prédire le régresseur problématique à partir des instruments, puis utiliser cette composante prédite pour estimer l'effet causal, tout en protégeant l'inférence par des diagnostics et erreurs types robustes.