动态面板 system GMM · empirical-wizard methods

动态面板 system GMM是什么？

动态面板 GMM 处理的是带滞后因变量的面板模型。因变量的过去会影响现在，但滞后因变量和固定效应一起出现时，普通 FE 会有动态面板偏误。

先用一句话理解

把动态面板想成企业创新有惯性。今年创新高，明年往往也高。如果模型不处理这种惯性，就会把过去结果、企业特质和核心解释变量混在一起。

什么时候用

判断项	教科书式判断
适合用在	短 T、大 N 面板，结果变量有明显惯性，并且需要处理滞后因变量。
先不要用在	时间维度很长、工具变量数量爆炸，或只是为了让系数变显著。
最关键的前提	工具变量集合要合理，不能过多；二阶自相关和过识别检验要能接受。
读表顺序	先看滞后项，再看 AR(2)、Hansen/Sargan 和工具变量数量。
论文表述边界	GMM 是动态面板估计器，不是显著性优化补丁。

把它和相近方法分清楚

容易混淆的对象	怎么区分	初学者记法
固定效应 FE	控制不随时间变化的个体差异。	带滞后因变量时会有动态偏误。
差分 GMM	对方程差分并用滞后水平作工具。	适合处理固定效应和内生性。
系统 GMM	结合差分方程和水平方程。	效率更高，但工具变量风险更大。

核心直觉和模型公式

动态面板模型

最基本的动态面板可以写成：

Y_{it}=\alpha Y_{i,t-1}+\beta X_{it}+\mu_i+\varepsilon_{it}

E[Z_{it}'\Delta\varepsilon_{it}]=0

GMM 的核心是用合适的滞后变量作为工具，处理滞后因变量和潜在内生解释变量。

公式里的符号怎么读

符号	含义	在本页怎么理解
Y_i,t-1	滞后因变量	上一期结果，表示惯性。
α	动态持续性	过去结果对当前结果的影响。
X_it	解释变量	可能包含内生或预定变量。
μ_i	个体固定效应	不随时间变化的个体差异。
Z_it	工具变量矩阵	由滞后水平或滞后差分构造。
AR(2)	二阶自相关检验	差分残差不应存在二阶自相关。

专业使用口径

动态 GMM 的重点不是系数显著，而是诊断是否支持工具变量设定。

口径	专业写法
工具变量数量	工具变量不应接近或超过个体数，必要时 collapse。
AR(2)	二阶自相关若显著，核心矩条件可能失败。
Hansen/Sargan	过识别检验用于检查工具变量整体有效性。
变量分类	说明哪些变量视为 endogenous、predetermined 或 exogenous。

一步一步做：从问题到结果的五步

步骤	这一页具体做什么	做到什么程度才算读懂
1. 判断是否需要动态项	理论和数据都应支持 Y 的惯性。	不要为了方法高级而加滞后项。
2. 设定变量类型	区分内生、预定和外生变量。	工具变量集合取决于这个分类。
3. 选择 GMM 口径	差分 GMM 或系统 GMM。	系统 GMM 假设更强。
4. 控制工具变量数量	限制滞后阶数或 collapse。	工具变量过多会让 Hansen 失真。
5. 报告诊断	AR(1)、AR(2)、Hansen/Sargan、工具变量数。	诊断不过不能只报系数。

结果怎么读：先读口径，再读数字

本页案例读表时，先记住这个口径：L.ln Patent 系数 = -0.0080；动态面板的惯性项。

读表顺序	本页怎么读	不要这样读
先看滞后项	α 是否说明结果存在惯性。	α 过高可能提示单位根或设定问题。
再看核心系数	β 在动态控制后是否仍有方向和量级。	不要只和 FE 星号比较。
然后看 AR(2)	AR(2) 不应显著。	显著时矩条件可能不成立。
最后看 Hansen 和工具数	工具变量数量和过识别检验是否合理。	工具太多会让检验失去力量。

初学者最容易错在哪里

误读	为什么错
把 GMM 当显著性工具	错。它服务于动态面板设定。
不报告 AR(2)	错。AR(2) 是核心诊断。
工具变量过多	风险很高。Hansen p 值可能虚高。
变量内生性分类不说明	错。读者无法判断工具变量是否合理。

先看这个案例的结论

L.ln Patent 系数 = -0.0080；动态面板的惯性项。
DFI 系数 = 0.0043；控制滞后因变量后的核心变量。
可用样本 = 1004；滞后项会损失第一年观测。
这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。

变量要求和案例口径

字段	口径
数据	CSMAR 风格 A 股企业创新面板
原始样本	196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准
因变量	patent_count；回归页通常使用 ln(1 + patent_count)
核心解释变量	dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index
控制变量	roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age
输出文件	gmm_dynamic_results.csv
角色要求	因变量、核心解释变量、个体 ID、时间变量
依赖包	xtabond2

实际代码

下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。

import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year

global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0

xtabond2 $y L.$y $x $controls i.year, gmm(L.$y $x, lag(2 3)) iv($controls i.year) twostep robust small
export delimited using "$JOB_DIR/gmm_dynamic_results.csv", replace

实际输出表

这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。

指标	数值	解释
样本	1200 obs / 196 firms / 2015-2020	来自共用案例 CSV
因变量	ln(1 + patent_count)	企业创新产出
核心解释变量	dfi_index	数字普惠金融指数
输出文件	gmm_dynamic_results.csv	empirical-wizard 对应方法产物
L.ln Patent 系数	-0.0080	动态面板的惯性项
DFI 系数	0.0043	控制滞后因变量后的核心变量
可用样本	1004	滞后项会损失第一年观测
工具变量提示	lag(2 3)	正式 system GMM 需要报告 AR(2) 和 Hansen/Sargan

案例图

这是一张由同一份案例数据生成的页面内诊断图。

论文里怎么写

本文在共用企业面板样本上报告动态面板 system GMM，核心输出见 gmm_dynamic_results.csv。结果解释时同时关注样本口径、变量构造、系数方向、标准误和适用前提，避免只凭单个 p 值完成方法选择。

检查清单

先确认动态模型需要滞后因变量，而不是为了高级而加 GMM。
重点报告 AR(2)、Hansen/Sargan 和工具变量数量。
工具变量过多会削弱检验，不能让 instrument count 接近或超过个体数。

返回教程库 · 查看共用案例