面板 IV (xtivreg) · empirical-wizard methods

面板 IV (xtivreg)是什么？

面板 IV 回答的是在控制个体固定效应后，如何用工具变量处理随时间变化的内生解释变量。它同时面对面板遗漏因素和工具变量识别两个问题。

先用一句话理解

把 xtivreg 想成先把每个企业天生不变的部分拿掉，再用外生工具变量解释核心变量的变化。它不是普通 FE，也不是普通 IV，而是 FE + IV 的组合。

什么时候用

判断项	教科书式判断
适合用在	面板数据中核心解释变量随时间变化且可能内生，同时有随时间变化的工具变量。
先不要用在	工具变量没有组内变化，或被固定效应吸收后没有解释力。
最关键的前提	工具变量在固定效应口径下仍满足相关性和外生性。
读表顺序	先看 FE 口径，再看第一阶段、弱 IV 和二阶段系数。
论文表述边界	面板 IV 的效应来自工具变量诱导的组内变化，不能写成普通 OLS 关系。

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	控制个体不变遗漏因素。	不能处理时变内生性。
横截面 IV	用工具变量处理内生性。	不一定控制个体固定效应。
面板 IV	在固定效应下使用工具变量。	同时处理两类风险。

核心直觉和模型公式

固定效应下的两阶段

面板 IV 可以写成：

X_{it}=\pi Z_{it}+\boldsymbol{\delta}'\mathbf{W}_{it}+\mu_i+\lambda_t+v_{it}

Y_{it}=\beta\widehat{X}_{it}+\boldsymbol{\gamma}'\mathbf{W}_{it}+\mu_i+\lambda_t+\varepsilon_{it}

Z 必须在吸收固定效应后仍能解释 X 的变化。

公式里的符号怎么读

符号	含义	在本页怎么理解
X_it	内生解释变量	需要工具变量处理的核心变量。
Z_it	工具变量	在面板固定效应口径下提供外生变化。
mu_i	个体固定效应	控制不随时间变化的个体差异。
lambda_t	时间固定效应	控制共同时间冲击。
X_hat	第一阶段预测值	由工具变量解释出的 X 的外生部分。

专业使用口径

专业 xtivreg 报告要把固定效应、工具变量和第一阶段同时讲清。

口径	专业写法
组内变化	说明工具变量是否有足够 within variation。
第一阶段	报告固定效应口径下的相关性。
弱 IV	补充弱工具诊断或 Anderson-Rubin。
聚类标准误	面板 IV 通常需要按个体聚类。

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. 明确内生变量	说明 X 为什么在面板中仍可能内生。	FE 不能解决所有时变内生性。
2. 选择工具变量	Z 要有组内变化和外生来源。	时不变 Z 会被 FE 吸收。
3. 估计第一阶段	在同样 FE 下检验 Z→X。	第一阶段必须同口径。
4. 估计二阶段	用 X_hat 进入结果方程。	读 β 时要结合 IV 解释范围。
5. 做诊断	弱 IV、过识别、聚类和稳健性。	只报 xtivreg 输出不够。

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：一阶段工具变量 = L.dfi_index；教学案例用滞后 DFI 演示 IV 流程；正式论文需要外生来源。

读表顺序	本页怎么读	不要这样读
先看 FE 设定	个体和时间固定效应是否进入。	FE 口径决定估计来源。
再看第一阶段	Z 在组内是否解释 X。	被 FE 吸收后无效的 Z 不可用。
然后看二阶段	β 的方向和量级。	它是 IV 局部效应。
最后看诊断	弱 IV 和过识别是否支持。	诊断不过要降级表述。

初学者最容易错在哪里

误读	为什么错
时不变工具变量硬放 FE IV	错。会被个体 FE 吸收。
只看二阶段星号	错。第一阶段和弱 IV 更关键。
FE 后仍写成横截面 IV	错。估计来自组内变化。
不聚类标准误	风险高。面板误差通常组内相关。

先看这个案例的结论

一阶段工具变量 = L.dfi_index；教学案例用滞后 DFI 演示 IV 流程；正式论文需要外生来源。
一阶段 F = 2.0575；弱工具变量诊断的核心指标。
2SLS 系数 = -0.0237；第二阶段使用预测 DFI。
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	xtivreg_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

xtivreg $y $controls i.year ($x = L.$x), fe vce(cluster firm_id)
export delimited using "$JOB_DIR/xtivreg_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	xtivreg_results.csv	empirical-wizard 对应方法产物
一阶段工具变量	L.dfi_index	教学案例用滞后 DFI 演示 IV 流程；正式论文需要外生来源
一阶段 F	2.0575	弱工具变量诊断的核心指标
2SLS 系数	-0.0237	第二阶段使用预测 DFI
2SLS p 值	0.2853	与 OLS/FE 方向对照，不单独当成识别证明

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

为缓解模型设定或内生性担忧，本文补充报告面板 IV (xtivreg)。相关估计输出见 xtivreg_results.csv。该检验不替代研究设计本身，但可以说明核心结论在替代识别、标准误或稳健性口径下是否保持一致。

检查清单

先确认内生变量、工具变量和固定效应结构都定义清楚。
报告第一阶段、弱工具诊断和面板固定效应口径。
如果工具变量随时间变化很少，固定效应可能吃掉识别来源。

返回教程库 · 查看共用案例