本文包括靜態(tài)與動態(tài)面板數(shù)據(jù)處理方法，包含hausman檢驗，固定效應檢驗，隨機效應檢驗，異方差檢驗、相關檢驗，面板logit與面板probit模型、面板泊松模型、面板負二項模型等眾多干貨內(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)結構

summarize lngdp lnfdi lnie lnex lnim  lnci lngp

各變量的描述性統(tǒng)計（統(tǒng)計分析）

拓展命令：

gen lag_y=L.y  產(chǎn)生一個滯后一期的新變量 

gen F_y=F.y 產(chǎn)生一個超前項的新變量 

gen D_y=D.y  產(chǎn)生一個一階差分的新變量 

gen D2_y=D2.y 產(chǎn)生一個二階差分的新變量

（二）模型的篩選和檢驗

1、檢驗個體效應（混合效應還是固定效應）（原假設：使用OLS混合模型）

xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

對于固定效應模型而言，回歸結果中最后一行匯報的F統(tǒng)計量便在于檢驗所有的個體效應整體上顯著。在我們這個例子中發(fā)現(xiàn)F統(tǒng)計量的概率為0.0000，檢驗結果表明固定效應模型優(yōu)于混合OLS模型。

2、檢驗時間效應（混合效應還是隨機效應）（檢驗方法：LM統(tǒng)計量） （原假設：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呈現(xiàn)) 

xttest0

可以看出，LM檢驗得到的P值為0.0000，表明隨機效應非常顯著?？梢?，隨機效應模型也優(yōu)于混合OLS模型。

3、檢驗固定效應模型or隨機效應模型 （檢驗方法：Hausman檢驗）

原假設：使用隨機效應模型（個體效應與解釋變量無關）

通過上面分析，可以發(fā)現(xiàn)當模型加入了個體效應的時候，將顯著優(yōu)于截距項為常數(shù)假設條件下的混合OLS模型。但是無法明確區(qū)分FE or RE的優(yōu)劣，這需要進行接下來的檢驗，如下：

Step1：估計固定效應模型，存儲估計結果 Step2：估計隨機效應模型，存儲估計結果 Step3：進行Hausman檢驗

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檢驗的P值為0.0000，拒絕了原假設，認為隨機效應模型的基本假設得不到滿足。此時，需要采用工具變量法或者使用固定效應模型。

（三）靜態(tài)面板數(shù)據(jù)模型估計

1、固定效應模型估計

其中選項fe表明我們采用的是固定效應模型，表頭部分的前兩行呈現(xiàn)了模型的估計方法、界面變量的名稱（id）、以及估計中使用的樣本數(shù)目和個體的數(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層面，通常情況下，關注的是組內(nèi)（within），第6行和第7行分別列示了針對模型中所有非常數(shù)變量執(zhí)行聯(lián)合檢驗得到的F統(tǒng)計量和相應的P值，可以看出，參數(shù)整體上相當顯著。需要注意的是，表中最后一行列示了檢驗固定效應是否顯著的F統(tǒng)計量和相應的P值。顯然，本例中固定效應非常顯著。

2、隨機效應估計省略

3、時間固定效應（以上分析主要針對的是個體效應）

如果希望進一步在上述模型中加入時間效應，可以采用時間虛擬變量來實現(xiàn)。首先，我們需要定義一下T-1個時間虛擬變量。

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

drop dumt1 （作用在于去掉第一個虛擬變量以避免完全共線性） 

若在固定效應模型中加入時間虛擬變量，則估計模型的命令為：

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

（四）異方差和自相關檢驗

1、異方差檢驗 （組間異方差）本節(jié)主要針對的是固定效應模型進行處理 

1）檢驗

原假設：同方差，需要檢驗模型中是否存在組間異方差,需要使用xttest3命令。

qui xtreg  lngdp lnfdi lnie lnex lnim  lnci lngp ,fe 

xttest3

顯然，原假設被拒絕。此時，需要進一步以獲得參數(shù)的GLS估計量，命令為xtgls：

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

其中，組間異方差通過panels（）選項來設定。上述結果是采用兩步獲得，即，先采用OLS估計不考慮異方差的模型，進而利用其殘差計算。并最終得到FGLS估計量。

2、序列相關檢驗

對于T較大的面板而言，往往無法完全反映時序相關性，此時便可能存在序列相關，在多數(shù)情況下被設定為AR(1)過程。

原假設：序列不存在相關性。

（1） FE模型的序列相關檢驗

對于固定效應模型，可以采用Wooldridge檢驗法，命令為xtserial:

xtserial lngdp lnfdi lnie lnex lnim  lnci lngp

（2） RE模型的序列相關檢驗

對于RE模型，可以采用xttest1命令來執(zhí)行檢驗：

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

xttest1

這里匯報了4個統(tǒng)計量，分別用于檢驗RE模型中隨機效應（單尾和雙尾）、序列相關以及二者的聯(lián)合顯著性，檢驗結果表明存在隨機效應和序列相關，而且對隨機效應和序列相關的聯(lián)合檢驗也非常顯著。

（3） 穩(wěn)健型估計

上述結果表明，無論是FE還是RE模型，干擾項中都存在顯著的序列相關。為此，我們進一步采用xtregar命令來估計模型，首先考慮固定效應模型：

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

3、“異方差—序列相關”穩(wěn)健型標準誤

雖然上述估計方法在估計方差-協(xié)方差矩陣時考慮了異方差和序列相關的影響，但都未將兩者聯(lián)立在一起考慮，要獲得“異方差-序列相關”穩(wěn)健型標準誤，只需在xtreg命令中附加vce(robust)或者vce(cluster)選項即可。例如，對于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)處理的估計結果相比，附加命令vce(robust)選項時的結果，雖然系數(shù)的估計值未發(fā)生變化，但此時得到的標準誤明顯增大了，致使得到的估計結果更加保守。對于面板數(shù)據(jù)模型而言，STATA在計算所謂的“robust”標準誤時，是以個體為單位調(diào)整標準誤的。因此，我們得到的“robust”標準誤其實是同時調(diào)整了異方差和序列相關后的標準誤。換言之，上述結果與設定vce(cluster)選項的結果完全相同。

4、截面相關檢驗 

原假設：截面之間不存在著相關性

（1）FE模型檢驗

對于FE模型，可以利用xttest2命令來檢驗截面相關性：

qui xtreg  lngdp lnfdi lnie lnex lnim  lnci lngp,fe

xttest2

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

（2）RE模型檢驗

對于RE模型，可以利用xtcsd命令來檢驗截面相關性：

qui xtreg  lngdp lnfdi lnie lnex lnim  lnci lngp,re

xtcsd,pesaran (下面命令是另一個檢驗指標) 

xtcsd,frees

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

5、“異方差—序列相關—截面相關”穩(wěn)健型標準誤 

1）FE模型估計

對于FE模型，在確認上述存在著截面相關的情況下，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—截面相關”穩(wěn)健型標準誤：

xtscc  lngdp lnfdi lnie lnex lnim  lnci lngp,fe

這里，xtscc命令會自動選擇的滯后階數(shù)為2，系數(shù)估計值和Within-R2與xtreg,fe的結果完全相同，但標準誤存在著較大差異。可見，在本例中，截面相關對統(tǒng)計推斷有較大的影響。

若讀者有跟高的方法來確定自相關的滯后階數(shù)，則可以通過lag( )選項設定。當然，在多數(shù)情況下，這很難做到。不過我們可以通過附加lag(0)來估計僅考慮異方差和截面相關的穩(wěn)健型標準誤，命令如下：

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

RE模型估計(略，待補充)

二．動態(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

estat sargan