我想做2020年创业板注册制改革对个股定价有效性的影响，
被解释变量为个股定价模型回归的调整R2，解释变量是个股波动率、换手率、非系统性风险、当日成交量
为短面板数据，n=638,T=267
现在已经用了面板回归，上面的变量都显著，用个体固定效应模型。
但是我需要检验注册制改革是否有影响，设改革前为0，改革后为1的虚拟变量event，前后时间都为半年，以及交乘项
能否继续用面板回归来检验，或者应该用其他方法？
如果可以，那这样是否存在稳健性问题，因为可能在注册制改革的时间点上，存在其他政策也会影响，我该如何排除其他政策可能影响的干扰？
下面是加入虚拟变量后混合回归后的结果
. reg ARsq2 Volatility NonSysRisk2 Turnover LNA event eventT eventNSR eventV eventLN,vce(cluster stock)

Linear regression                               Number of obs     =    175,686
                                                F(9, 657)         =     486.97
                                                Prob > F          =     0.0000
                                                R-squared         =     0.8900
                                                Root MSE          =     .03654

                                (Std. Err. adjusted for 658 clusters in stock)
------------------------------------------------------------------------------
             |               Robust
       ARsq2 |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
  Volatility |  -1.111156   .0357144   -31.11   0.000    -1.181285   -1.041028
NonSysRisk2 |   3.921211   .1006518    38.96   0.000     3.723573     4.11885
    Turnover |   .0675141   .0282109     2.39   0.017     .0121196    .1229085
         LNA |  -.0065812   .0013201    -4.99   0.000    -.0091734    -.003989
       event |  -.1260986   .0252331    -5.00   0.000    -.1756457   -.0765514
      eventT |  -.0174338   .0260367    -0.67   0.503     -.068559    .0336914
    eventNSR |  -.5640672    .092941    -6.07   0.000    -.7465644   -.3815699
      eventV |   .2345098   .0341438     6.87   0.000     .1674657     .301554
     eventLN |    .002466   .0011216     2.20   0.028     .0002637    .0046682
       _cons |   .6831676   .0280631    24.34   0.000     .6280635    .7382717
------------------------------------------------------------------------------

. estimates store OLS

. test eventT eventNSR eventV eventLN

( 1)  eventT = 0
( 2)  eventNSR = 0
( 3)  eventV = 0
( 4)  eventLN = 0

       F(  4,   657) =   17.43
            Prob > F =    0.0000