Mean Group / PMG 异质面板是什么？
Mean Group / PMG 异质面板回答的是长期关系是否可以在个体间共享，而短期动态和调整速度是否允许不同。它常用于国家、省份或行业面板的长期均衡关系。
先用一句话理解
把 PMG 想成很多地区长期遵循同一个经济规律，但短期反应速度各不相同。MG 则更放松，让每个地区连长期系数也可以不同，再把结果平均。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | N 较大、T 也较长的动态异质面板，关心长期关系。 |
| 先不要用在 | 时间维度很短，或变量没有长期均衡关系。 |
| 最关键的前提 | 长期同质性假设是否合理，误差修正项是否为负且显著。 |
| 读表顺序 | 先看长期系数和误差修正项，再看短期系数异质性。 |
| 论文表述边界 | PMG 的长期同质是假设，不是软件自动证明。 |
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 |
|---|---|---|
| MG | 每个个体单独估计长期和短期，再平均。 | 最异质。 |
| PMG | 长期系数相同，短期动态不同。 | 折中设定。 |
| DFE | 长期和短期都更同质。 | 限制更强。 |
核心直觉和模型公式
PMG 的误差修正形式
PMG 常写成动态误差修正模型：
\[\Delta y_{it}=\phi_i(y_{i,t-1}-\theta'x_{it-1})+\sum_j\lambda_{ij}\Delta y_{i,t-j}+\sum_j\delta_{ij}\Delta x_{i,t-j}+\varepsilon_{it}\]
theta 是共享长期系数，phi_i 是个体 i 的调整速度。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| θ | 长期系数 | PMG 中被约束为个体间相同。 |
| φ_i | 误差修正速度 | 偏离长期关系后回调的速度。 |
| λ_ij, δ_ij | 短期动态 | 允许不同个体不同。 |
| MG | Mean Group | 完全异质后取平均。 |
| PMG | Pooled Mean Group | 长期同质、短期异质。 |
专业使用口径
专业 MG/PMG 报告要解释为什么长期可以共用、短期可以不同。
| 口径 | 专业写法 |
|---|---|
| N/T 条件 | 需要较长时间维度支持动态估计。 |
| 长期同质性 | 用 Hausman 类检验或理论论证 PMG 是否合适。 |
| 误差修正 | phi 应为负，说明偏离后回归长期均衡。 |
| 异质性 | 短期系数和调整速度可跨个体不同。 |
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. 检查变量阶数 | 通常用于 I(1) 且可能协整的变量。 | 前提来自时间序列性质。 |
| 2. 设定动态滞后 | 选择 y 和 x 的滞后阶数。 | 动态结构影响长期估计。 |
| 3. 估计 MG/PMG/DFE | 比较不同同质性限制。 | 不要只报一个模型。 |
| 4. 读取长期系数 | PMG 的核心是 theta。 | 长期和短期要分开读。 |
| 5. 检查误差修正 | phi 是否负且显著。 | 否则长期均衡证据弱。 |
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：年度聚合观测 = 6；面板案例按 year 聚合。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看 T | 时间维度是否足够。 | 短面板不适合复杂动态。 |
| 再看 theta | 长期关系方向和大小。 | 这是 PMG 主结果。 |
| 然后看 phi | 是否向长期均衡回调。 | 应通常为负。 |
| 最后看模型比较 | PMG 与 MG 是否冲突。 | 冲突说明长期同质性可疑。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 短面板硬用 PMG | 风险高。动态估计不稳。 |
| 不检验长期同质性 | 错。PMG 依赖这个限制。 |
| 把短期和长期系数混读 | 错。含义不同。 |
| 误差修正项为正还讲均衡回归 | 错。正值不支持回调。 |
先看这个案例的结论
- 年度聚合观测 = 6；面板案例按 year 聚合。
- ln Patent 年趋势 = 0.0993；年度均值趋势斜率。
- DFI 年趋势 = 22.3130；数字金融指数年度变化。
- 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 | mg_pmg_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 | xtpmg |
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 "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
xtpmg d.$y d.$x d.roa d.lev, lr(l.$y $x roa lev) ec(ec) replace pmg
export delimited using "$JOB_DIR/mg_pmg_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 | mg_pmg_results.csv | empirical-wizard 对应方法产物 |
| 年度聚合观测 | 6 | 面板案例按 year 聚合 |
| ln Patent 年趋势 | 0.0993 | 年度均值趋势斜率 |
| DFI 年趋势 | 22.3130 | 数字金融指数年度变化 |
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
本文将企业面板按年份聚合后使用Mean Group / PMG 异质面板进行时间序列诊断。结果见 mg_pmg_results.csv。由于本教学案例年度观测较少，该页重点展示代码和解释框架，正式论文需要更长时间序列。
检查清单
- 先确认研究问题需要区分短期异质性和长期共同关系。
- PMG 的长期同质性假设要和 MG/DFE 做比较或理论说明。
- 误差修正项应为负且有意义，否则长期均衡解释不稳。