正确估计全要素生产率在应用经济领域是一个基础性问题，也是一些具有深远影响文献的主要话题。一般来说，如果一个企业的资本存量较大，那么在面对低效率冲击时，其留在该市场的概率要远远高于那些具有较低资本存量的企业，因为这种规模较大的企业往往对未来的收益抱有更高的预期，从而不会轻易退出目前的市场。这就使得在面对低效率冲击时退出市场的概率和企业资本存量存在负相关关系，从而使得资本项的估计系数容易出现低估偏误。学者们提出不同方法以缓解此问题：固定效应法 (FE) 、工具变量法 (IV) 、控制函数法。在控制函数法中，Olley and Pakes (1996) 首次提出了两步估计法以克服内生性问题：用投资水平作为生产率的代理变量。该方法得到了 Levinsohn and Petrin (2003) 和 Ackerberg, Caves, and Frazer (2015) 进一步完善。Wooldridge (2009) 则提出了一种一步估计法：在 GMM 框架下得到 Levinsohn–Petrin (LP) 估计结果。以上方法都依赖于一个假设：企业在 期面临动态利润最大化问题。这就意味着 期生产率冲击 (后文中 ) 不影响状态而影响自由变量。因此生产率冲击与当期的状态变量无关，与自由变量的滞后项无关，所以这些变量可以作为工具变量。然而，增加滞后项会损失样本信息。本文基于动态面板工具变量对 Wooldridge 的估计方法进行了改进。这种改进可以在增加矩限制的同时而不损失信息。改进后的方法称之为 MrEst ，我们通过一系列模拟检验展示该方法能够产生稳健的结果，在“大 N,小 T”的面板数据中比 Wooldridge 的方法表现更好。本文将重点介绍一个新的命令prodest，该命令可以实现上述所有全要素生产率的计算方法。