截面与面板数据分析 · 经济学专业本科生课程

动态面板与 GMM

Dynamic Panel & Generalized Method of Moments · Chapter 6.2

Yt−1 Yt Yt+1 α 个体效应 αᵢ 与每一期 Y 都相关 → 也 与 Yt−1 相关 → 滞后因变量内生,FE/RE 都失效

动态面板的根本困难:昨天的 Y 与个体效应纠缠

Agenda

本课地图

01

动态面板的困难

滞后因变量为何内生;RE、Within、FD 为什么逐个失效;Nickell 偏差随 T 变小

P3–4
02

从矩估计到 GMM

矩条件是什么;恰好识别 vs 过度识别;加权最小化让所有矩接近 0

P5–7
03

差分 GMM 与系统 GMM

Anderson–Hsiao 与 Arellano–Bond;工具越来越多;Blundell–Bond 的补充

P8–9
一、动态面板的困难

动态面板:三种常规做法逐个失效

Yit = γ Yi,t−1 + αi + Xitβ + εit

变截距滞后模型:今天的 Y 依赖昨天的 Y,加上个体效应 αi

RE 不行

αi 与 Yi,t−1 相关(α 影响每一期 Y),违反 RE 要求 α 与解释变量不相关的假设 → 不一致。

Within (FE) 不行

减去个体均值后,Yi,t−1 − Ȳi,−1 仍含 ε 的过去值,与变换后的误差相关 → Nickell 偏差,T 固定时不一致。

FD 不行

一阶差分后 ΔYi,t−1 = Yi,t−1 − Yi,t−2 与 Δεit = εit − εi,t−1 相关(共含 εi,t−1)→ 仍有偏。

共同病根 滞后因变量与误差的过去值纠缠。出路:找与 ε 无关、但与 Yi,t−1 相关的工具——更早期的 Y。

一、动态面板的困难
课堂互动

Nickell 偏差:T 越长,"和自己比"越靠谱

FE 估计 γ 的近似偏差 ≈ −(1+γ)/(T−1)。设真实 γ = 0.50。拖动时间跨度 T,看偏差怎么变。

T=3 短面板T=30 长面板
近似偏差—
FE 估到的 γ̂—
真实 γ0.50

—

为什么 T 能救 within 变换引入的相关来自"个体均值里含 ε";T 越大,单个 ε 在均值里的权重 1/T 越小,相关越弱,偏差按 1/(T−1) 衰减。

近似公式用于教学示意;它说明方向与量级,不是精确有限样本偏差。

二、从矩到GMM

GMM 的起点:矩估计

用样本均值估总体均值

E(X) 的估计 =1nΣ Xi = X̄

背后的矩条件:E(X − μ) = 0

用二阶中心矩估方差

D(X) 的估计 =1nΣ (Xi − X̄)2

背后的矩条件:E[(X − μ)2 − σ2] = 0

矩估计的逻辑 总体满足某个"期望为 0"的条件(矩条件);用样本平均代替期望,令样本矩 = 0,解出未知参数。OLS 的正规方程、IV 的 orthogonality 条件,本质上都是矩条件。

二、从矩到GMM
课堂互动

矩比未知数多时:从"解方程"到"加权妥协"

3 个矩条件、3 个未知数

可以让每个样本矩同时精确等于 0,方程组有唯一解。这就是传统矩估计 / 恰好识别的 IV。此时权重矩阵 W 的选择不影响结果。

GMM 始终一致;不同的 W 给出不同的 GMM 估计量,其中存在最优 W 使方差最小(最有效)。矩估计是"矩数 = 未知数、W 任意"的特例。

三、差分与系统GMM

差分 GMM:用更早期的 Y 当工具

Anderson–Hsiao (1982):最早的一步

先差分消掉 αi;再用 Yi1 作为 ΔYi2 的工具变量、Yi2 作为 ΔYi3 的工具变量……只用一个工具,简单但浪费信息。

Arellano–Bond (1991/92):把所有可用的水平值都用上

对 ΔYi3 用 Yi1, Yi2 作工具;对 ΔYi4 用 Yi1, Yi2, Yi3;对 ΔYi5 用 Yi1…Yi4……期数越往后工具越多。前提是 ε 无序列相关、且水平值与 Δε 无关。

为什么必须 GMM

工具数量随 t 不断增加,矩条件远超未知数,是标准的过度识别 → 用 GMM 加权合并所有矩条件。提醒:若 Y 很持久,滞后水平与差分的相关弱,会有 weak IV 问题,增大偏差。

三、差分与系统GMM

系统 GMM:再补一组水平方程

差分方程组

用水平值作差分方程的工具(Arellano–Bond)。当 Y 持久时工具变弱。

水平方程组(Blundell–Bond 补充)

用差分量作水平方程的工具。两组联立估计 = 系统 GMM,在 Y 持久时显著改善弱工具问题。

额外假设 系统 GMM 需要水平方程的工具也有效,即个体效应 αi 与 ΔY 的长期关系受约束(均值平稳类条件)。它换来了效率,也换来了更多要检验的假设。

实践清单:报告工具数量、做残差序列相关检验(AR(2))、做过度识别约束检验(Sargan/Hansen)。GMM 不是免检方法,它的假设同样要被检验。

小结
随堂练习

小结与随堂练习

这节课讲了什么

1 困难

滞后因变量与 ε 的过去值纠缠;RE/Within/FD 逐个失效(Nickell)

2 偏差量级

≈ −(1+γ)/(T−1):短面板严重,长面板可忽略

3 GMM 框架

矩条件 → 样本矩;过度识别时加权最小化 g′Wg;最优 W 最有效

4 两个 GMM

差分 GMM 用水平作工具;系统 GMM 补水平方程用差分作工具

✎ 判断与设计

情境:用 30 省 8 年面板估计"上年产出对当年产出的影响"。

请回答(点一下看提示):

+ ① 直接用 FE 估,放心吗?
提示:T=8 较短,Nickell 偏差 ≈ −(1+γ)/7 不可忽略,不放心
+ ② 差分 GMM 里,ΔYi4 可以用哪些工具?
提示:Y_i1, Y_i2, Y_i3(t−1 期及以前的水平值)
+ ③ 为什么要报告 AR(2) 检验?
提示:差分 GMM 前提 ε 无序列相关;差分后残差若有 AR(2) 相关说明原 ε 有序列相关,工具失效
思政点睛

方法越强大,
假设越要被检验

GMM 能解决 FE 解决不了的问题,也带来一堆要检验的假设:
工具有效性、序列相关、过度识别约束。
真正严谨的研究,是把每一个假设都摊开接受检验。
经世济民,学以致用。

课后思考:读一篇用系统 GMM 的中文实证论文,检查它是否报告了工具数量、AR(2) 与 Hansen 检验;缺了哪一项,结论就要打几分折扣?