2019 Stata 寒假研讨高级班第一天

上午

• IV、2SLS、GMM方法回顾
• 动态面板模型
• FD-GMM方法
  • 过度识别检验和序列不相关检验

一天休息整顿之后开始了高级班的第一天课程，连老师首先带大家回顾了AR（1）自回归模型、动态面板模型，动态面板模型的两个重要假设是解释变量的外生性和扰动项的无序列相关性。在讲 FD-GMM 方法之前，老师带我们回顾了IV工具变量法， 2SLS 两阶段最小二乘法和 GMM 广义矩估计的方法。

GMM方法回顾

在动态面板模型的差分方程中，选取 y 的二阶及二阶以上的滞后项都可作为工具变量。 FD-GMM 方法的命令为xtabond，连老师这里建议将年度虚拟变量或时间趋势项作为解释变量加进去，他强调选取尽可能多的解释变量越可能产生序列不相关的结果。

动态面板模型

接下来连老师介绍了两种检验假设的方法：在检验工具变量的外生性上，采用过度识别检验方法，sargan 检验，他强调只要做 sargan 检验都需要加入 twostep 选项来避免异方差导致过度拒绝的可能。连老师强调实证上分为两步，第一步是模型的设定和筛选，第二步是模型推断，sargan 统计量用于筛选模型和设定时，后续模型推断加入 robust 选项作为系数估计结果，避免异方差的情况。在检验扰动项序列相关方面，检验差分方程的残差是否存在二阶序列相关即可，我们关心的量为系数 ρ2 ，注意在看结果时，如果p值大于0.1，接受不存在序列相关的原假设。

下午

• 面板VAR模型
  • Granger因果检验
  • 方差分解
  • 冲击反应函数IRF
  • AIC和BIC准则
• 面板门限模型
  • 搜索多个门限点

下午连老师首先带我们解读了两篇关于动态面板的经典文献分别是：Horioka, C. Y., J. Wan, 2007, The determinants of household saving in china: A dynamic panel analysis of provincial data, Journal of Money, Credit and Banking 和 -Huang, B.-N., M. Hwang, C. Yang, 2008, Causal relationship between energy consumption and gdp growth revisited: A dynamic panel data approach, Ecological Economics. 老师提出了第二篇文章两个值得学习的地方，第一，对于文献综述写成表格形式来总结，说明研究问题的必要性并且很多大牛在研究这个问题，第二，写出初稿的论文的文内所有表格要具有自明性，每张表格的表头和表尾加注释说明表格里的每个统计量和变量在解释什么，使得每张表格都具有独立的自明性。

接下来老师回顾了VAR模型，VAR模型的三个用途是：
1、通过回归结果系数的显著性判断所有滞后项的显著程度，并进行因果推断：Granger 因果检验。
2、用来做预测，利用裘式分解来预测误差中哪个干扰性占的比重大，判断某一变量的冲击对整体冲击的贡献程度如何。
3、给定一个冲击，画出冲击反应函数（IRF），一个冲击通过多个方程对多个解释变量的未来值产生影响，从而冲击的效果会起到传导和放大的作用，老师生动的用 2009 年 4 万亿的例子来说明一个刺激经济的政策实施下达到地方政府，IRF 的主要应用领域在评判宏观政策对经济整体运行的影响，比如如果用货币政策增加信贷投放，刺激经济，想知道增加这么多量产生的影响有多大，冲击后多长时间会持续这个效果，注意这个应用的前提是一段时间内经济结构没有发生大的变化。

冲击反应函数

动态面板的第一个应用是画 IRF 冲击反应函数，连老师特别强调在论文发表前一定要设定种子值，以保证结果的可重现。第二个应用是预测误差的方差分解，加一个选项decomp即可，可以看出各个解释变量的扰动对y整体扰动的贡献成都，第三个应用是Granger因果检验，注意结果中给出的excluded那一列中的解释变量，如果p值小于0.1的话，表示拒绝原假设（解释变量前的系数都为0），则那个解释变量是被解释变量的格兰杰因。

image.png

最后连老师讲解了面板门限模型，以及如果存在多个突变点如何搜索突变点，连老师运用生动的三维图形描述了选取SSR最小的点作为突变点，同时为我们介绍了随机数据生成过程和蒙特卡洛模拟。通过连老师一天的讲解让我备受启发，希望大家也能把学到的知识用在自己的研究当中！让我们期待明天连老师的教学吧！