动态面板模型最主要的特征是在控制变量中加入了y的滞后项

其中

由于加入了y的滞后项导致了采用常用固定效应估计方法会导致参数估计的不一致性，因此需要采用其他的估计方法。

本文主要分为4个部分：

1为什么不能采用固定效应以及ols等估计方法

2.动态面板模型的估计方法

3.动态面板模型的假设检验

4.stata应用

part 1 为什么不能采用固定效应的估计方法以及普通的ols

如果采用普通的ols，我们可以看出

那如果我们采用固定效应估计，把

part 2 动态面板模型估计方法

2.1 difference gmm

常用的动态面板估计方法有2种，分别为difference gmm估计和system gmm估计方法，

difference gmm采用的方法是首先将固定效应去掉，原因是因为固定效应和y的滞后项相关

但

这么多工具变量，我们该如何选择呢，首先

但工具变量方法并不完美，因为我们随机抽样的样本方差很大概率是不同的，有的样本方差大，有的样本方差小，很自然，方差小的样本应该给与较大的权重，而方差大的样本应该给与相对较小的权重，因为本文不以讲解GMM为目的，因此只是简要介绍了一下GMM的好处，因此我们采用diiference gmm的方法来估计。

2.2 system gmm

那既然difference已经解决了内生性，为什么还有发明system gmm估计呢？原因在于diiference gmm选择的工具变量很有可能是弱工具变量，即相关性比较小，这样会导致方差较大，结果不显著。比如如果y接近于随机游走的话，那么difference gmm选择的工具变量为弱工具变量，那怎么办呢

又回到了最初的起点，我们选择

由于这块自我感觉解释的比较少，而有很多文献都说system gmm估计量优于diiference gmm，因此下面详述一下system gmm的假设，当然system gmm由于其解决内生性的方法，能估计出随着时间没有改变的变量的值，如虚拟变量等。

正由于我们上文所说，difference gmm选择工具变量很有可能是弱工具变量，原因就在于y和y的滞后项并不存在较强的相关性，那么弱工具变量会导致方差太大，估计结果不显著，相信大多数人都把显著性看作自己的命根子吧，因此有些人发明了system gmm估计方法，

其方法的主要逻辑就是选择更好的工具变量，既能去除内生性，又能保证工具变量与解释变量较强的相关性。

system gmm估计方法选择直接选择

其一

其二

在这两个假设下，system gmm才是一致的。

因此system gmm需要在此上述两个假设以及y的滞后项并没有包含很多y的信息的情况下,才应该用system gmm

part 3 动态面板模型常用的假设检验

part3.1 对自相关的检验

其主要目的就是为了检验

但我们并不能直接得到

也就是是必须通过AR(2)检验，才能保证工具变量的有效性。

part 3.2 过度识别检验(hasen 和sargon检验)

其检验的目的是为了识别工具变量是否为完全外生，如果工具变量的个数与所需估计参数的个数相等，那么我们无法检验出工具变量的有效性，但如果工具个数如果大于所需要估计参数的个数，那么我们具有多余的工具变量进行检验。

相对好理解这种检验的方式是通过不同的工具变量估计出来的参数结果应该是接近的，不应该有很大的不同。

假设检验的形式为

在原假设工具变量均为有效工具变量的情况下，其应该服从均值为0的正太分布，也就是说原假设为真的情况下，p值应该大于0.10。

那么sargon检验和hasen检验有什么区别呢

sargon检验在假设残差项具有同方差的情况下估计出来的结果，但在工具变量较多的情况下稳健

而hasen检验假设在异方差的情况下，对各样本的权重进行了估计，但在工具变量较多的情况下稳健。

part 4 stata应用

其基本的语法为

xtabond2 y l.y x1 x2 ...xn ,gmm(l.y,lag(1 任意数字） iv(x1 x2 ...xn) ort small robust

很明显xtabond2 后面先接所有的变量，然后GMM里面接y的滞后项，后面的lag表示你选择的工具便令，iv后面接所有的变量除了y和y的滞后项

ort代表的是去除固定效应的一种变换，相对差分GMM可以增大样本量

small表示针对小样本也有效

robust表示计算的是稳健性标准误

two表示是gmm估计的针对二阶段的一种估计方法，默认为one step

xtabond2 默认执行difference gmm，

针对xtabond2的option请见stata help种关于其的讲解，本部分只做简单介绍