stata⾯板数据gmm回归_⼀⽂读懂GMM的stata操作步骤
⼀、解释变量内⽣性检验
⾸先检验解释变量内⽣性(解释变量内⽣性的 Hausman 检验：使⽤⼯具变量法的前提是存在内⽣解释变量。
Hausman 检验的原假设为：所有解释变量均为外⽣变量，如果拒绝，则认为存在内⽣解释变量，要⽤IV；反之，如果接受，则认为不存在内⽣解释变量，应该使⽤OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates storeiv
hausmaniv ols
(在⾯板数据中使⽤⼯具变量，Stata提供了如下命令来执⾏2SLS:xtivregdepvar [varlist1] (varlist_2=varli
st_iv)(选择项可以为fe，re 等，表⽰固定效应、随机效应等。详见help xtivreg)
如果存在内⽣解释变量，则应该选⽤⼯具变量，⼯具变量个数不少于⽅程中内⽣解释变量的个数。
“恰好识别”时⽤2SLS。2SLS的实质是把内⽣解释变量分成两部分，即由⼯具变量所造成的外⽣的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外⽣部分进⾏回归，从⽽满⾜OLS前定变量的要求⽽得到⼀致估计量。
⼆、异⽅差与⾃相关检验
在球型扰动项的假定下，2SLS 是最有效的。但如果扰动项存在异⽅差或⾃相关， ⾯板异⽅差检验：
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df =e(N_g) - 1
lrtest hetero homo, df(`df')
⾯板⾃相关：xtserial enc invs exp imp esc mrl 则存在⼀种更有效的⽅法，即 GMM。从某种意义上，GMM 之于 2SLS 正如 GLS 之于OLS。好识别的情况下，GMM 还原为普通的⼯具变量法；过度识别时传统的矩估计法⾏不通，只有这时才有必要使⽤ GMM，过度识别检验(OveridentificationTest 或J Test)：estat overid
三、⼯具变量效果验证
⼯具变量：⼯具变量要求与内⽣解释变量相关，但⼜不能与被解释变量的扰动项相关。由于这两个要求常常是⽭盾的，故在实践上寻合适的⼯具变量常常很困难，需要相当的想象⼒与创作性。常⽤滞后变量。需要做的检验： 检验⼯具变量的有效性：
(1)检验⼯具变量与解释变量的相关性 如果⼯具变量z 与内⽣解释变量完全不相关，则⽆法使⽤⼯具变量法；如果与仅仅微弱地相关，。这种⼯具变量被称为“弱⼯具变量”(weak instruments)后果就象样本容量过⼩。检验弱⼯具变量的⼀个经验规则是，如果在第⼀阶段回归中， F 统计量⼤于 10，则可不必担⼼弱⼯具变量问题。
Stata命令：estat first(显⽰第⼀个阶段回归中的统计量) (2) 检验⼯具变量的外⽣性(接受原假设好)在恰
好识别的情况下，⽆法检验⼯具变量是否与扰动项相关。在过度识别(⼯具变量个数>内⽣变量个数)的情况下，则可进⾏过度识别检验(Overidentification Test)，检验原假设所有⼯具变量都是外⽣的。如果拒绝该原假设，则认为⾄少某个变量不是外⽣的，即与扰动项相关。 0 H Sargan 统计量，Stata 命令：estatoverid
四、GMM过程
在Stata 输⼊以下命令，就可以进⾏对⾯板数据的GMM 估计。
ssc install ivreg2 (安装程序ivreg2 )
stata怎么发音ssc install ranktest (安装另外⼀个在运⾏ivreg2 时需要⽤到的辅助程序ranktest) use 'traffic.dta'(打开⾯板数据)
xtset panelvar timevar (设置⾯板变量及时间变量)
ivreg2 y x1 (x2=z1z2),gmm2s (进⾏⾯板GMM估计，其中2s 指的是2-step GMM)