FGLS 面板 (异方差+AR1)是什么？
FGLS 面板模型回答的是面板误差存在异方差或 AR(1) 自相关时，如何用更合适的协方差结构估计系数。它主要是效率和误差结构问题，不是因果识别策略。
先用一句话理解
把 FGLS 想成普通回归先假设每个人说话音量一样、前后句互不相关；如果不同个体噪声大小不同、同一个体前后误差还连着，FGLS 会把这种噪声结构写进估计。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 面板数据中误差存在组间异方差、组内 AR(1) 或截面相关，并且目标是提高估计效率。 |
| 先不要用在 | 样本 T 很小且协方差结构很难可靠估计，或把它当作解决内生性的办法。 |
| 最关键的前提 | 协方差结构设定要和数据结构一致。 |
| 读表顺序 | 先看面板维度和误差设定，再看系数是否与 FE/OLS 方向一致。 |
| 论文表述边界 | FGLS 修正误差结构，不替代固定效应、工具变量或 DID 识别。 |
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 |
|---|---|---|
| OLS/FE | 系数估计简单，标准误可稳健修正。 | 未显式建模误差协方差。 |
| Cluster SE | 保留系数，调整推断。 | 更保守常用。 |
| FGLS | 估计误差协方差并加权。 | 效率依赖结构设定正确。 |
核心直觉和模型公式
带协方差结构的面板误差
FGLS 可以概括为：
\[Y=X\beta+u,\quad Var(u)=\Omega\]
\[\widehat{\beta}_{GLS}=(X'\widehat{\Omega}^{-1}X)^{-1}X'\widehat{\Omega}^{-1}Y\]
Omega 描述误差的异方差和相关结构，FGLS 用估计得到的 Omega 加权。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| Ω | 误差协方差矩阵 | 描述不同观测误差如何相关、方差是否不同。 |
| AR(1) | 一阶自相关 | 同一个体相邻时期误差相关。 |
| panel heteroskedasticity | 组间异方差 | 不同个体误差方差不同。 |
| β_GLS | GLS 系数 | 按误差结构加权后的估计。 |
| T/N | 时间和个体维度 | 决定协方差估计是否可靠。 |
专业使用口径
专业 FGLS 报告要把它定位为误差结构敏感性，而不是主识别。
| 口径 | 专业写法 |
|---|---|
| 面板维度 | 说明 N 和 T，尤其是 T 是否足够估计误差结构。 |
| 误差设定 | 写明 heteroskedastic、correlated、AR(1) 等选项。 |
| 对照模型 | 和 FE + cluster 或 Driscoll-Kraay 做对照。 |
| 结论定位 | 若 FGLS 与主模型冲突，应解释误差结构而非只选显著结果。 |
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. 检查面板结构 | 确认 N、T 和是否平衡。 | 结构决定可估计的 Omega。 |
| 2. 诊断误差问题 | 看异方差、自相关或截面相关。 | 不要无理由使用 FGLS。 |
| 3. 选择协方差设定 | 明确 AR(1)、heteroskedastic 或 panels correlated。 | 设定必须可解释。 |
| 4. 估计 FGLS | 用估计的协方差结构加权。 | 效率收益依赖设定。 |
| 5. 和稳健 SE 对照 | 看方向和量级是否稳定。 | FGLS 不应替代主规格透明度。 |
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：核心系数 = 0.0032；同一份 firm-year 样本的 DFI 估计。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看误差设定 | 到底允许哪种相关和异方差。 | 设定不同结果不可直接比较。 |
| 再看面板维度 | T 太小会让协方差估计不稳。 | 小 T 下要谨慎。 |
| 然后看系数 | 方向是否和主模型一致。 | 冲突要解释。 |
| 最后看定位 | 作为稳健性还是主规格。 | 多数论文应把识别放在主模型。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 FGLS 当因果识别 | 错。它处理误差结构。 |
| 不说明协方差设定 | 错。读者无法复核。 |
| T 很小时过度依赖 FGLS | 风险高。Omega 估计不稳。 |
| 只保留更显著的 FGLS | 错。会变成显著性筛选。 |
先看这个案例的结论
- 核心系数 = 0.0032；同一份 firm-year 样本的 DFI 估计。
- cluster SE = 0.0010；按企业聚类的标准误。
- HC1 SE = 0.0010；异方差稳健标准误对照。
- 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 | xtgls_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 | 无额外 Stata 社区包要求 |
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
xtgls $y $x $controls i.year, panels(heteroskedastic) corr(ar1)
export delimited using "$JOB_DIR/xtgls_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 | xtgls_results.csv | empirical-wizard 对应方法产物 |
| 核心系数 | 0.0032 | 同一份 firm-year 样本的 DFI 估计 |
| cluster SE | 0.0010 | 按企业聚类的标准误 |
| HC1 SE | 0.0010 | 异方差稳健标准误对照 |
| SE 比值 | 0.9766 | FGLS 面板 (异方差+AR1) 页重点说明标准误口径如何改变推断 |
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FGLS 面板 (异方差+AR1)，核心输出见 xtgls_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
- 先说明误差结构假设：异方差、AR(1) 还是截面相关。
- XTGLS 对误差结构设定敏感，不能直接替代固定效应主规格。
- 把它写成误差结构敏感性检验，而不是新的主结论来源。