经典的回归分析一般假定在给定解释变量的条件下,关于模型误差的条件期望为0,即解释变量为外生性协变量。但是伴随着大数据时代的到来,在对大数据统计建模过程中往往会遇到超高维协变量的情况。这种情况下如果假定所有协变量均为外生性协变量往往是不切实际的,而是会存在部分协变量为内生性协变量的情况,即在给定解释变量的条件下模型误差的条件期望不再为0。当数据中含有内生性协变量时,经典的最小二乘估计方法给出的估计将不再是相合的,而是会产生一定的内生性偏差。目前在统计建模过程中,处理数据内生性问题主要是工具变量法,即选择一组与内生性协变量高度相关的变量来对内生性协变量进行调整。因此,如何选取有效的工具变量是内生性数据统计建模过程中关键步骤之一,工具变量的选取将会直接影响后续估计的相合性和有效性。基于此,本论文旨在讨论内生性数据统计建模中有效工具变量的选择问题,并提出了两种有效工具变量识别方法。具体地,本论文结合内生性协变量与工具变量的相关结构,通过构造一个辅助回归模型并结合带惩罚的极小绝对偏差估计技术,提出了一种基于辅助回归模型的有效工具变量识别方法。提出的另外一种有效工具变量识别方法不需要构造辅助回归模型,而直接根据内生性协变量与工具变量的相关结构,给出了一种基于分组惩罚的有效工具变量识别方法。两种识别方法在算法、计算量等方面各有千秋,数据模拟显示这两种有效工具变量识别方法均是行之有效的。作为应用,基于本论文所提出的统计建模方法,对我国生态环境影响因素进行分析研究。建模过程中,把城镇化率作为内生性协变量,并从经济民生、教育、就业三个方面选择工具变量。利用所提出的有效工具变量识别方法得出房价成交均价为一个有效工具变量,进而基于识别出的有效工具变量对内生性协变量进行调整,最后得到线性回归模型中参数的估计。分析结果表明,如果忽略城镇化率的内生性,则会低估城镇化率对生态环境状况的影响。