这来自一位大神Carlo Lazzaro关于做完固定效应之后的模型形式检验，贴过来学习一下。


if you go -robust- you have also taken into account possible autocorrelation of the epsilon residual.
That said, the most substantive post estimation test should be aimed at checking for possible model (or better regressand functional form) misspecification.
Take a look at the following toy-example, when an ancillary and an augmented regressions are run with -fitted- and -sq_fitted- values as predictors:

复制代码

As expected, the -test- outcome shows that the regression model is misspecified (because -age- taken as the unique predictor cannot give a fair and true view of the data generating process under investigation. Moreover, -age- has a non-linear relatinship with the regressand, as it can be easily found out by replacing -age- with -c.age##c.age-).
[code]
xtreg ln_wage c.age##c.age, fe robust

Fixed-effects (within) regression               Number of obs     =     28,510
Group variable: idcode                          Number of groups  =      4,710

R-sq:                                           Obs per group:
     within  = 0.1087                                         min =          1
     between = 0.1006                                         avg =        6.1
     overall = 0.0865                                         max =         15

                                                F(2,4709)         =     507.42
corr(u_i, Xb)  = 0.0440                         Prob > F          =     0.0000

                             (Std. Err. adjusted for 4,710 clusters in idcode)
------------------------------------------------------------------------------
             |               Robust
     ln_wage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         age |      0.054      0.004    12.52   0.000        0.045       0.062
             |
c.age#c.age |     -0.001      0.000    -8.30   0.000       -0.001      -0.000
             |
       _cons |      0.640      0.062    10.25   0.000        0.518       0.762
-------------+----------------------------------------------------------------
     sigma_u |   .4039153
     sigma_e |  .30245467
         rho |  .64073314   (fraction of variance due to u_i)
------------------------------------------------------------------------------
[/code]