? 连享会主页:lianxh.cn
![49969bb6439567e4d99eafb6c6095fa3.png](https://i-blog.csdnimg.cn/blog_migrate/f48ffb87e817b7fec2a72fcee8063a79.png)
New!
lianxh
命令发布了:
随时搜索 Stata 推文、教程、手册、论坛,安装命令如下:. ssc install lianxh
连享会 · 最受欢迎的课
? 2021 Stata 寒假班
⌚ 2021 年 1.25-2.4? 主讲:连玉君 (中山大学);江艇 (中国人民大学)
? 课程主页:https://gitee.com/arlionn/PX
![641418264f8235c9bd403937f074779a.png](https://i-blog.csdnimg.cn/blog_migrate/f765d8c8b40635b992a5ec127aaab5f5.png)
作者:李琼琼 (山东大学)
邮箱:lqqflora@163.com
目录
1. 问题背景
2. FD-GMM 还是 SYS-GMM
3. 关于动态面板模型估计的 Stata 命令
3.1 动态面板模型案例
3.2 FD-GMM 的实现
3.3 SYS-GMM 的实现
3.4 模型估计结果比较
4. 解释变量中含有内生变量
5. 干扰项序列相关检验无法通过
6. 过度识别检验无法通过
7. 大 T 小 N 型面板数据
8. 参考文献
相关推文
9. Appendix 本文涉及的 Stata 代码
1. 问题背景
关于动态面板数据模型 (dynamic panel data,DPD),我们常常会遇到如下问题:
- 如何在一阶差分 GMM 和系统 GMM 间选择;
- 该用 Stata 哪个命令对模型进行估计;
- 当解释变量中含有内生变量时,应该如何对模型进行估计;
- 干扰项序列相关检验无法通过怎么办;
- 过度识别检验无法通过怎么办;
- 大 T 小 N 型面板能否用 GMM 进行估计。
接下来,本文将对上述问题提出对应的解决方案。
2. FD-GMM or SYS-GMM
需要强调的是,无论 一阶差分 GMM (FD-GMM) 还是系统 GMM (SYS-GMM),模型设定是不受影响的,并且二者仅在计量估计方法上不一样,即矩条件不同。SYS-GMM 使用的矩条件多,利用的信息也多,估计也更有效率,但其受到的限制也多,如假定被解释变量的一阶差分项与个体效应变量不相关。更多细节,请参考「连享会」主页专题「IV-GMM」。
那么,在估计模型时该选择哪种估计方法呢?
Bond (2002) 认为当被解释变量的一阶滞后项系数 不是很大时,如 ,FD-GMM 估计结果较好,而当 时,SYS-GMM 较好。
此外,若对性别、户口、行业等不随时间变化变量感兴趣,则必须使用 SYS-GMM 估计。
温馨提示: 文中链接无法在微信中打开,请点击
3. 动态面板模型估计 Stata 命令
动态面板数据模型的估计主要有 4 个 Stata 命令,其中官方命令为 xtabond
、xtdpdsys
、xtdpd
,非官方命令为 xtabond2
,具体如下:
xtabond
用于 FD-GMM 估计;xtdpdsys
用于 SYS-GMM 估计;xtdpd
用于 FD-GMM 和 SYS-GMM 估计;xtabond2
用于 FD-GMM 和 SYS-GMM 估计。
其中,xtabond2
可以提供由异方差调整后的 Hansen 统计量。
3.1 动态面板模型案例
接下来,我们将使用 Arellano and Bond (1991) 在研究企业雇佣员工数量的影响因素时的数据 abdata.dta
,来说明 GMM 相关命令的应用。其中,模型设定如下:
- ,企业 在第 年末雇佣员工数量的对数值;
- ,企业 在第 年末雇佣员工数量的对数值;
- ,表示解释变量 及其滞后项,具体包括:
- 和 (即企业 在第 和 年实际工资的对数);
- 、 和 (即企业 在第 、 和 年资本存量的对数);
- 、 和 (即企业 所在行业在第 、 和 年总产出的对数);
- 为年份虚拟变量,其含义为总需求每年受到的外部冲击,也可表示为
i.yr1979-yr1984
。
3.2 FD-GMM 的实现
采用 xtabond
命令 进行 FD-GMM 估计
xtabond
命令语法格式:
xtabond depvar [indepvars] [if] [in] [,options]
主要选项的含义为:
depvar
:被解释变量;indepvars
:严格外生的解释变量;noconstant
:无常数项;lags(p)
:表示使用被解释变量 p 阶滞后值作为解释变量,默认一阶滞后lags(1)
;maxldep(q)
:表示最多使用 q 阶被解释变量的滞后值作为工具变量,默认使用所有可能的滞后值;endogenous()
:内生解释变量,可使用多次;twostep
:两阶段估计,可修正 Sargan 统计量;inst()
:其他的工具变量 (除解释变量滞后项以外);vce()
:默认为vce(gmm)
,计算得到普通 GMM 标准误,vce(robust)
为异方差稳健稳健标准误。
xtabond
估计命令:
*数据下载地址
*https://gitee.com/arlionn/data/blob/master/data01/abdata.dta
use abdata, clear // 调用数据
*-or
webuse abdata, clear // 部分版本的 Stata 可能无法执行
xtabond n L(0/1).w L(0/2).(k ys) yr1980-yr1984, ///
lags(2) twostep vce(robust) // L(0/1).w 表示 w 的当期值与一阶滞后
est store Fdxtabond
采用 xtdpd
命令 进行 FD-GMM 估计
xtdpd
命令语法格式:
xtdpd depvar [indepvars] [if] [in] , dgmmiv(varlist [...]) [options]
主要选项的含义为:
dgmmiv(varlist [, lagrange(flag [llag])])
:指定内生的被解释变量或者内生解释变量,以及其滞后项作为差分方程的 GMM 式工具变量,默认flag
为 2,比如dgmmiv(y , lagrange(2 4))
将变量的 y 的 2-4 阶滞后项作为工具变量,dgmmiv(y)
将变量的 y 的 2-n 阶滞后项作为工具变量;lgmmiv(varlist [, lag(#)])
:将被解释变量或者内生解释变量的一阶差分的 # 阶滞后作为水平方程的 GMM 型工具变量,默认阶数为 1;iv(varlist [, nodifference])
:指定外生变量的一阶差分项作为差分方程的标准型的工具变量,加上nodifference
后作为水平方程的标准型的工具变量;div(varlist)
:为差分方程设定额外的标准型工具变量;liv(varlist)
:为水平方程设定额外的标准型工具变量;twostep
和vce()
含义与xtabond
命令相同。
xtdpd
估计命令:
xtdpd n l(1/2).n L(0/1).w L(0/2).(k ys) yr1980-yr1984, ///
dgmmiv(n) div(L(0/1).w L(0/2).(k ys)) ///
div(yr1980-yr1984) twostep vce(robust)
est store Fdxtdpd
采用 xtabond2
命令 进行 FD-GMM 估计
xtabond2
命令语法格式:
xtabond2 depvar varlist [if] [in] ///
[, gmm(varlist [, laglimits(a b) collapse)]) ///
iv(varlist [, equation()]) ///
nolevel nocons twostep robust
]
主要选项的含义为&#x