本文包括靜態(tài)與動(dòng)態(tài)面板數(shù)據(jù)處理方法，包含hausman檢驗(yàn),，固定效應(yīng)檢驗(yàn)，隨機(jī)效應(yīng)檢驗(yàn),，異方差檢驗(yàn),、相關(guān)檢驗(yàn)，面板logit與面板probit模型,、面板泊松模型,、面板負(fù)二項(xiàng)模型等眾多干貨內(nèi)容，歡迎閱讀,。

一．靜態(tài)面板數(shù)據(jù)的STATA處理命令

（一）數(shù)據(jù)處理

輸入數(shù)據(jù)

use 'E:\stata\data\FDI.dta', clear

tsset code year 該命令是將數(shù)據(jù)定義為“面板”形式 

xtdes 該命令是了解面板數(shù)據(jù)結(jié)構(gòu)

summarize lngdp lnfdi lnie lnex lnim  lnci lngp

各變量的描述性統(tǒng)計(jì)（統(tǒng)計(jì)分析）

拓展命令：

gen lag_y=L.y  產(chǎn)生一個(gè)滯后一期的新變量 

gen F_y=F.y 產(chǎn)生一個(gè)超前項(xiàng)的新變量 

gen D_y=D.y  產(chǎn)生一個(gè)一階差分的新變量 

gen D2_y=D2.y 產(chǎn)生一個(gè)二階差分的新變量

（二）模型的篩選和檢驗(yàn)

1,、檢驗(yàn)個(gè)體效應(yīng)（混合效應(yīng)還是固定效應(yīng)）（原假設(shè)：使用OLS混合模型）

xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

對(duì)于固定效應(yīng)模型而言，回歸結(jié)果中最后一行匯報(bào)的F統(tǒng)計(jì)量便在于檢驗(yàn)所有的個(gè)體效應(yīng)整體上顯著,。在我們這個(gè)例子中發(fā)現(xiàn)F統(tǒng)計(jì)量的概率為0.0000,，檢驗(yàn)結(jié)果表明固定效應(yīng)模型優(yōu)于混合OLS模型。

2,、檢驗(yàn)時(shí)間效應(yīng)（混合效應(yīng)還是隨機(jī)效應(yīng)）（檢驗(yàn)方法：LM統(tǒng)計(jì)量） （原假設(shè)：使用OLS混合模型）

qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re (加上“qui”之后第一幅圖將不會(huì)呈現(xiàn)) 

xttest0

可以看出,，LM檢驗(yàn)得到的P值為0.0000，表明隨機(jī)效應(yīng)非常顯著,?？梢姡S機(jī)效應(yīng)模型也優(yōu)于混合OLS模型,。

3,、檢驗(yàn)固定效應(yīng)模型or隨機(jī)效應(yīng)模型 （檢驗(yàn)方法：Hausman檢驗(yàn)）

原假設(shè)：使用隨機(jī)效應(yīng)模型（個(gè)體效應(yīng)與解釋變量無關(guān)）

通過上面分析，可以發(fā)現(xiàn)當(dāng)模型加入了個(gè)體效應(yīng)的時(shí)候,，將顯著優(yōu)于截距項(xiàng)為常數(shù)假設(shè)條件下的混合OLS模型,。但是無法明確區(qū)分FE or RE的優(yōu)劣，這需要進(jìn)行接下來的檢驗(yàn),，如下：

Step1：估計(jì)固定效應(yīng)模型,，存儲(chǔ)估計(jì)結(jié)果 Step2：估計(jì)隨機(jī)效應(yīng)模型，存儲(chǔ)估計(jì)結(jié)果 Step3：進(jìn)行Hausman檢驗(yàn)

xtreg lngdp lnfdi lnie lnex lnim  lnci lngp,re

est store re

xtreg lngdp lnfdi lnie lnex lnim  lnci lngp,fe

est store fe

hausman fe re

(或者更優(yōu)的是hausman fe,sigmamore/ sigmaless) 

可以看出,，hausman檢驗(yàn)的P值為0.0000,，拒絕了原假設(shè)，認(rèn)為隨機(jī)效應(yīng)模型的基本假設(shè)得不到滿足,。此時(shí),，需要采用工具變量法或者使用固定效應(yīng)模型。

（三）靜態(tài)面板數(shù)據(jù)模型估計(jì)

1,、固定效應(yīng)模型估計(jì)

其中選項(xiàng)fe表明我們采用的是固定效應(yīng)模型,，表頭部分的前兩行呈現(xiàn)了模型的估計(jì)方法,、界面變量的名稱（id）、以及估計(jì)中使用的樣本數(shù)目和個(gè)體的數(shù)目,。第3行到第5行列示了模型的擬合優(yōu)度,、分為組內(nèi)、組間和樣本總體三個(gè)層面,，通常情況下,，關(guān)注的是組內(nèi)（within），第6行和第7行分別列示了針對(duì)模型中所有非常數(shù)變量執(zhí)行聯(lián)合檢驗(yàn)得到的F統(tǒng)計(jì)量和相應(yīng)的P值,，可以看出,，參數(shù)整體上相當(dāng)顯著。需要注意的是,，表中最后一行列示了檢驗(yàn)固定效應(yīng)是否顯著的F統(tǒng)計(jì)量和相應(yīng)的P值,。顯然，本例中固定效應(yīng)非常顯著,。

2,、隨機(jī)效應(yīng)估計(jì)省略

3、時(shí)間固定效應(yīng)（以上分析主要針對(duì)的是個(gè)體效應(yīng)）

如果希望進(jìn)一步在上述模型中加入時(shí)間效應(yīng),，可以采用時(shí)間虛擬變量來實(shí)現(xiàn),。首先，我們需要定義一下T-1個(gè)時(shí)間虛擬變量,。

tab year ,gen(dumt) (tab命令用于列示變量year的組類別,，選項(xiàng)gen（dumt）用于生產(chǎn)一個(gè)以dumt開頭的年度虛擬變量) 

drop dumt1 （作用在于去掉第一個(gè)虛擬變量以避免完全共線性） 

若在固定效應(yīng)模型中加入時(shí)間虛擬變量，則估計(jì)模型的命令為：

xtreg  lngdp lnfdi lnie lnex lnim  lnci lngp dumt*,fe

（四）異方差和自相關(guān)檢驗(yàn)

1,、異方差檢驗(yàn) （組間異方差）本節(jié)主要針對(duì)的是固定效應(yīng)模型進(jìn)行處理 

1）檢驗(yàn)

原假設(shè)：同方差,，需要檢驗(yàn)?zāi)Ｐ椭惺欠翊嬖诮M間異方差,需要使用xttest3命令。

qui xtreg  lngdp lnfdi lnie lnex lnim  lnci lngp ,fe 

xttest3

顯然,，原假設(shè)被拒絕,。此時(shí)，需要進(jìn)一步以獲得參數(shù)的GLS估計(jì)量,，命令為xtgls：

xtgls lngdp lnfdi lnie lnex lnim  lnci lngp,panels(heteroskedastic)

其中，組間異方差通過panels（）選項(xiàng)來設(shè)定,。上述結(jié)果是采用兩步獲得,，即，先采用OLS估計(jì)不考慮異方差的模型,，進(jìn)而利用其殘差計(jì)算,。并最終得到FGLS估計(jì)量。

2,、序列相關(guān)檢驗(yàn)

對(duì)于T較大的面板而言,，往往無法完全反映時(shí)序相關(guān)性,，此時(shí)便可能存在序列相關(guān)，在多數(shù)情況下被設(shè)定為AR(1)過程,。

原假設(shè)：序列不存在相關(guān)性,。

（1） FE模型的序列相關(guān)檢驗(yàn)

對(duì)于固定效應(yīng)模型，可以采用Wooldridge檢驗(yàn)法,，命令為xtserial:

xtserial lngdp lnfdi lnie lnex lnim  lnci lngp

（2） RE模型的序列相關(guān)檢驗(yàn)

對(duì)于RE模型,，可以采用xttest1命令來執(zhí)行檢驗(yàn)：

qui xtreg lngdp lnfdi lnie lnex lnim  lnci lngp dumt*,re 

xttest1

這里匯報(bào)了4個(gè)統(tǒng)計(jì)量，分別用于檢驗(yàn)RE模型中隨機(jī)效應(yīng)（單尾和雙尾）,、序列相關(guān)以及二者的聯(lián)合顯著性,，檢驗(yàn)結(jié)果表明存在隨機(jī)效應(yīng)和序列相關(guān)，而且對(duì)隨機(jī)效應(yīng)和序列相關(guān)的聯(lián)合檢驗(yàn)也非常顯著,。

（3） 穩(wěn)健型估計(jì)

上述結(jié)果表明,，無論是FE還是RE模型，干擾項(xiàng)中都存在顯著的序列相關(guān),。為此,，我們進(jìn)一步采用xtregar命令來估計(jì)模型，首先考慮固定效應(yīng)模型：

xtregar lngdp lnfdi lnie lnex lnim  lnci lngp dumt*,fe lbi 

3,、“異方差—序列相關(guān)”穩(wěn)健型標(biāo)準(zhǔn)誤

雖然上述估計(jì)方法在估計(jì)方差-協(xié)方差矩陣時(shí)考慮了異方差和序列相關(guān)的影響,，但都未將兩者聯(lián)立在一起考慮，要獲得“異方差-序列相關(guān)”穩(wěn)健型標(biāo)準(zhǔn)誤,，只需在xtreg命令中附加vce(robust)或者vce(cluster)選項(xiàng)即可,。例如，對(duì)于FE模型,，我們可以執(zhí)行如下命令：

xtreg lngdp lnfdi lnie lnex lnim  lnci lngp,fe vce(robust)

與之前未經(jīng)處理的估計(jì)結(jié)果相比,，附加命令vce(robust)選項(xiàng)時(shí)的結(jié)果，雖然系數(shù)的估計(jì)值未發(fā)生變化,，但此時(shí)得到的標(biāo)準(zhǔn)誤明顯增大了,，致使得到的估計(jì)結(jié)果更加保守。對(duì)于面板數(shù)據(jù)模型而言,，STATA在計(jì)算所謂的“robust”標(biāo)準(zhǔn)誤時(shí),，是以個(gè)體為單位調(diào)整標(biāo)準(zhǔn)誤的。因此,，我們得到的“robust”標(biāo)準(zhǔn)誤其實(shí)是同時(shí)調(diào)整了異方差和序列相關(guān)后的標(biāo)準(zhǔn)誤,。換言之，上述結(jié)果與設(shè)定vce(cluster)選項(xiàng)的結(jié)果完全相同,。

4,、截面相關(guān)檢驗(yàn) 

原假設(shè)：截面之間不存在著相關(guān)性

（1）FE模型檢驗(yàn)

對(duì)于FE模型，可以利用xttest2命令來檢驗(yàn)截面相關(guān)性：

qui xtreg  lngdp lnfdi lnie lnex lnim  lnci lngp,fe

xttest2

(該命令主要針對(duì)的是大T小N類型的面板數(shù)據(jù),，在本例中無法使用,，故圖標(biāo)略去,。)

（2）RE模型檢驗(yàn)

對(duì)于RE模型，可以利用xtcsd命令來檢驗(yàn)截面相關(guān)性：

qui xtreg  lngdp lnfdi lnie lnex lnim  lnci lngp,re

xtcsd,pesaran (下面命令是另一個(gè)檢驗(yàn)指標(biāo)) 

xtcsd,frees

可以看出,，兩種不同的檢驗(yàn)方法均顯示面板數(shù)據(jù)存在著截面相關(guān)性,。

5、“異方差—序列相關(guān)—截面相關(guān)”穩(wěn)健型標(biāo)準(zhǔn)誤 

1）FE模型估計(jì)

對(duì)于FE模型,，在確認(rèn)上述存在著截面相關(guān)的情況下,，我們可以采用Hoechle(2007)編寫的xtscc命令獲取Driscoll and Kraay(1998)提出的“異方差—序列相關(guān)—截面相關(guān)”穩(wěn)健型標(biāo)準(zhǔn)誤：

xtscc  lngdp lnfdi lnie lnex lnim  lnci lngp,fe

這里，xtscc命令會(huì)自動(dòng)選擇的滯后階數(shù)為2,，系數(shù)估計(jì)值和Within-R2與xtreg,fe的結(jié)果完全相同,，但標(biāo)準(zhǔn)誤存在著較大差異?？梢?，在本例中，截面相關(guān)對(duì)統(tǒng)計(jì)推斷有較大的影響,。

若讀者有跟高的方法來確定自相關(guān)的滯后階數(shù),，則可以通過lag( )選項(xiàng)設(shè)定。當(dāng)然,，在多數(shù)情況下,，這很難做到。不過我們可以通過附加lag(0)來估計(jì)僅考慮異方差和截面相關(guān)的穩(wěn)健型標(biāo)準(zhǔn)誤,，命令如下：

xtscc  lngdp lnfdi lnie lnex lnim  lnci lngp,fe lag(0) （2）

RE模型估計(jì)(略,，待補(bǔ)充)

二．動(dòng)態(tài)面板數(shù)據(jù)的STATA處理命令

（一）差分GMM

xtabond 

Setup

webuse abdata

Basic model with two lags of dependent variable included as regressors

xtabond n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2)

xtabond n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) vce(robust)

xtabond n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) twostep

Treat w and k as predetermined and include w, L.w, k, L.k, and L2.k as additional regressors

xtabond n l(0/2).ys yr1980-yr1984, lags(2) pre(w, lag(1,.)) pre(k, lag(2,.))

Treat L.w and L2.k as endogenous and include w, L.w, k, L.k, and L2.k as additional regressors

xtabond n l(0/2).ys yr1980-yr1984, lags(2) endogenous(w, lag(1,.)) endogenous(k, lag(2,.))

（二）系統(tǒng)GMM

Setup

webuse abdata

Basic model with strictly exogenous covariates and two lags of the dependent variable

xtdpdsys n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2)

Same model with a robust VCE

xtdpdsys n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) vce(robust) 

Two-step estimator of the same model

xtdpdsys n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) twostep vce(robust)

Now allow some of the covariates to be predetermined

xtdpdsys n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) twostep pre(w, lag(1,.)) pre(k,lag(2,.))

Now allow some of the covariates to be endogenous

xtdpdsys n l(0/1).ys yr1980-yr1984, lags(2) twostep endogenous(w, lag(1,.)) endogenous(k,lag(2,.))

（三）內(nèi)生性檢驗(yàn)

estat sargan