startuml动态模型工具_Stata实操陷阱：动态面板数据模型

? 连享会主页：lianxh.cn

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

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