动态面板数据GMM估计应用.docxVIP

动态面板数据GMM估计应用

引言：从一个研究困境说起

记得几年前做企业投资行为研究时，我遇到了一个让我抓耳挠腮的问题——当模型里加入被解释变量的滞后项时，传统面板数据回归方法（比如固定效应模型或随机效应模型）的结果总是“飘”得厉害。明明理论上企业当期投资应该和上期投资高度相关，可无论怎么调整控制变量，t值就是上不去，系数符号还偶尔“翻脸”。后来请教导师才知道，这是动态面板数据的典型陷阱：滞后被解释变量与随机扰动项的内生性关联，让OLS、FE这些“老伙计”集体失效了。也就是从那时起，我开始和动态面板数据GMM估计“打交道”，逐渐体会到这种方法在处理动态关系、解决内生性问题上的独特魅力。

一、动态面板数据：为什么需要GMM？

1.1动态面板的“特殊体质”

区别于静态面板模型（被解释变量仅由当期解释变量决定），动态面板模型的核心特征是被解释变量包含滞后项，形如：

(y_{it}=y_{it-1}+’x_{it}+i+{it})

这里，(y_{it-1})是滞后一期的被解释变量，(i)是个体固定效应，({it})是随机扰动项。这种“自滞后”设定在经济学研究中太常见了——消费习惯有惯性（上期消费影响本期）、企业投资有调整成本（上期投资未完成会延续到本期）、区域经济增长有路径依赖（去年GDP影响今年增速）……

但正是这个“自滞后”，让传统估计方法集体“罢工”：

-OLS估计：(y_{it-1})与(i)相关（因为(i)是个体固定效应，会影响所有期的(y)），导致估计有偏；

-固定效应（FE）估计：虽然通过组内离差消去了(i)，但新的扰动项({it}-{it-1})会与(y{it-1}-y_{it-2})（滞后被解释变量的离差）相关（因为(y_{it-1}=y_{it-2}+’x_{it-1}+i+{it-1})，所以(y_{it-1}-y_{it-2})包含({it-1})，而新扰动项包含(-{it-1})），导致FE估计依然有偏；

-随机效应（RE）估计：假设(i)与解释变量无关，但动态模型中(y{it-1})本身由(_i)决定，这个假设根本不成立。

1.2GMM的“破局之道”

这时候，广义矩估计（GMM）的优势就凸显了。GMM的核心思想是用工具变量满足矩条件——找到与内生变量（这里是(y_{it-1})）相关、但与扰动项无关的变量作为工具，通过构造多个矩条件（即工具变量与扰动项的协方差为0），最小化这些矩条件的加权距离，得到一致估计量。

具体到动态面板模型，最常用的是差分GMM和系统GMM两种方法。前者通过对原模型取一阶差分消去个体固定效应(_i)，然后用滞后水平值作为差分方程的工具变量；后者则将原水平方程和差分方程结合，同时用滞后差分值作为水平方程的工具变量，解决了差分GMM在弱工具变量下的效率损失问题。

二、从理论到实操：动态面板GMM的“五步走”

2.1第一步：明确模型设定

动态面板模型的设定需要回答三个问题：

-滞后阶数：是一阶滞后（(y_{it-1})）还是多阶滞后（(y_{it-1},y_{it-2})）？这取决于研究问题的动态特征。比如研究消费惯性，通常一阶滞后就够；研究企业投资调整，可能需要二阶滞后（因为投资项目周期长）。

-解释变量类型：哪些是外生变量（严格外生，与所有期扰动项无关）、哪些是内生变量（与当期或滞后扰动项相关）、哪些是前定变量（与当期扰动项无关，但与滞后扰动项相关）？比如政策变量（如税率）通常假设外生，企业规模（与历史业绩相关）可能内生。

-个体效应处理：模型是否包含个体固定效应(_i)？几乎所有动态面板研究都需要考虑，因为个体异质性（如企业管理能力、地区资源禀赋）会显著影响被解释变量。

2.2第二步：选择工具变量——GMM的“命门”

工具变量的选择直接决定GMM估计的成败。以差分GMM为例，原模型差分后得到：

(y_{it}-y_{it-1}=(y_{it-1}-y_{it-2})+’(x_{it}-x_{it-1})+({it}-{it-1}))

此时，差分后的滞后被解释变量(y_{it-1}-y_{it-2})与差分扰动项({it}-{it-1})相关（因为(y_{it-1})包含({it-1})），需要找工具变量。根据矩条件(E[y_{it-s}({it}-{it-1})]=0)（(s)），可以用(y{it-2},y_{it-3},…)作为(y_{it-1}-y_{it-