一、解釋變量內生性檢驗

首先檢驗解釋變量內生性（解釋變量內生性的Hausman 檢驗：使用工具變量法的前提是存在內生解釋變量。Hausman 檢驗的原假設為：所有解釋變量均為外生變量，如果拒絕，則認為存在內生解釋變量，要用IV；反之，如果接受，則認為不存在內生解釋變量，應該使用OLS。

reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols

（在面板數據中使用工具變量，Stata提供了如下命令來執行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （選擇項可以為fe，re等，表示固定效應、隨機效應等。詳見help xtivreg）

如果存在內生解釋變量，則應該選用工具變量，工具變量個數不少于方程中內生解釋變量的個數。“恰好識別”時用2SLS。2SLS的實質是把內生解釋變量分成兩部分，即由工具變量所造成的外生的變動部分，以及與擾動項相關的其他部分；然后，把被解釋變量對中的這個外生部分進行回歸，從而滿足OLS前定變量的要求而得到一致估計量。tptqtp

二、異方差與自相關檢驗

在球型擾動項的假定下，2SLS是最有效的。但如果擾動項存在異方差或自相關，面板異方差檢驗：
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')
面板自相關：xtserial enc invs exp imp esc mrl

則存在一種更有效的方法，即GMM。從某種意義上，GMM之于2SLS正如GLS之于OLS。好識別的情況下，GMM還原為普通的工具變量法；過度識別時傳統的矩估計法行不通，只有這時才有必要使用GMM，過度識別檢驗（Overidentification Test或J Test）：estat overid

三、工具變量效果驗證

工具變量：工具變量要求與內生解釋變量相關，但又不能與被解釋變量的擾動項相關。由于這兩個要求常常是矛盾的，故在實踐上尋找合適的工具變量常常很困難，需要相當的想象力與創作性。常用滯后變量。

需要做的檢驗：

檢驗工具變量的有效性：

（1） 檢驗工具變量與解釋變量的相關性
如果工具變量z與內生解釋變量完全不相關，則無法使用工具變量法；如果與僅僅微弱地相關，。這種工具變量被稱為“弱工具變量”（weak instruments）后果就象樣本容量過小。檢驗弱工具變量的一個經驗規則是，如果在第一階段回歸中，F統計量大于10，則可不必擔心弱工具變量問題。Stata命令：estat first（顯示第一個階段回歸中的統計量）

（2） 檢驗工具變量的外生性（接受原假設好）
在恰好識別的情況下，無法檢驗工具變量是否與擾動項相關。在過度識別（工具變量個數>內生變量個數）的情況下，則可進行過度識別檢驗（Overidentification Test），檢驗原假設所有工具變量都是外生的。如果拒絕該原假設，則認為至少某個變量不是外生的，即與擾動項相關。0H
Sargan統計量，Stata命令：estat overid

四、GMM過程

在Stata輸入以下命令，就可以進行對面板數據的GMM估計。

. ssc install ivreg2 （安裝程序ivreg2 ）
. ssc install ranktest （安裝另外一個在運行ivreg2 時需要用到的輔助程序ranktest）
. use "traffic.dta"（打開面板數據）
. xtset panelvar timevar （設置面板變量及時間變量）
. ivreg2 y x1 (x2=z1 z2),gmm2s （進行面板GMM估計，其中2s指的是2-step GMM）

總結

以上是生活随笔為你收集整理的stata面板数据gmm回归_【stata】面板GMM估计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。