下面是我用Stata中自带的数据做的一个例子。race是time-invariant的变量。

只是不知道为什么我的Stata中为什么predict newvar, resid不能用了，所以用了xb这个option，然后再从初始值中减去预测值，得到残差估计的。

你先这样做做看。首先要保证没有操作失误，再来分析为什么完全不相关。

. webuse nlswork,clear
(National Longitudinal Survey.  Young Women 14-26 years of age in 1968)

. xtset idcode
       panel variable:  idcode (unbalanced)

.
. xtreg ln_w grade age tenure south, fe
note: grade omitted because of collinearity

Fixed-effects (within) regression               Number of obs      =     28091
Group variable: idcode                          Number of groups   =      4697

R-sq:  within  = 0.1312                         Obs per group: min =         1
       between = 0.2322                                        avg =       6.0
       overall = 0.1751                                        max =        15

                                                F(3,23391)         =   1177.89
corr(u_i, Xb)  = 0.1718                         Prob > F           =    0.0000

------------------------------------------------------------------------------
     ln_wage |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       grade |          0  (omitted)
         age |   .0122972   .0004131    29.77   0.000     .0114876    .0131068
      tenure |   .0209736   .0008013    26.17   0.000     .0194029    .0225442
       south |  -.0725416   .0111645    -6.50   0.000    -.0944246   -.0506585
       _cons |   1.283699   .0117528   109.23   0.000     1.260663    1.306735
-------------+----------------------------------------------------------------
     sigma_u |  .38423247
     sigma_e |  .29784723
         rho |  .62465036   (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0:     F(4696, 23391) =     7.48         Prob > F = 0.0000

. predict y_hat,xb
(443 missing values generated)

.
. gen e=ln_w-y_hat
(443 missing values generated)

.
. reg e i.race

      Source |       SS       df       MS              Number of obs =   28091
-------------+------------------------------           F(  2, 28088) =  225.59
       Model |  85.1877332     2  42.5938666           Prob > F      =  0.0000
    Residual |  5303.21017 28088   .18880697           R-squared     =  0.0158
-------------+------------------------------           Adj R-squared =  0.0157
       Total |   5388.3979 28090  .191826198           Root MSE      =  .43452

------------------------------------------------------------------------------
           e |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
        race |
          2  |  -.1207165   .0057703   -20.92   0.000    -.1320265   -.1094065
          3  |   .0581207   .0252344     2.30   0.021       .00866    .1075814
             |
       _cons |   .0334895   .0030839    10.86   0.000     .0274448    .0395342
------------------------------------------------------------------------------

谢谢你亲自帮我演示一遍，下面是我自己在stata中做的结果，按照你给出的步骤，我做出的结果跟一开始做的的确有所不同，unite 和background是0,1变量，不随时间改变，现在做出来的结果是
unite 和background显著相关。我想要证明的是roe与unite、background的关系，接下来应该怎么做呢？是不是结果已经证明它们之间显著相关了呢？非常感谢！

"D:\STATA\data\unite0810.dta", clear

. tsset code year
       panel variable:  code (strongly balanced)
        time variable:  year, 1 to 3
                delta:  1 unit

. xtreg roe unite background topshare size lev growth, fe
note: unite omitted because of collinearity
note: background omitted because of collinearity

Fixed-effects (within) regression               Number of obs      =       702
Group variable: code                            Number of groups   =       234

R-sq:  within  = 0.7149                         Obs per group: min =         3
       between = 0.0355                                        avg =       3.0
       overall = 0.2555                                        max =         3

                                                F(4,464)           =    290.86
corr(u_i, Xb)  = -0.6440                        Prob > F           =    0.0000

------------------------------------------------------------------------------
         roe |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       unite |          0  (omitted)
  background |          0  (omitted)
    topshare |  -2.495425    1.13707    -2.19   0.029    -4.729871   -.2609801
        size |   .8590939   .0538153    15.96   0.000      .753342    .9648458
         lev |  -1.722668   .2131391    -8.08   0.000    -2.141506   -1.303831
      growth |   .0555929   .0661897     0.84   0.401    -.0744758    .1856616
       _cons |  -15.14238   1.294611   -11.70   0.000     -17.6864   -12.59835
-------------+----------------------------------------------------------------
     sigma_u |  .74010464
     sigma_e |  .48527831
         rho |  .69933602   (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0:     F(233, 464) =     2.82            Prob > F = 0.0000

. predict y_hat,xb

. gen e=roe-y_hat

. reg e unite background

      Source |       SS       df       MS              Number of obs =     702
-------------+------------------------------           F(  2,   699) =    7.60
       Model |  10.4807957     2  5.24039783           Prob > F      =  0.0005
    Residual |  481.669562   699  .689083779           R-squared     =  0.0213
-------------+------------------------------           Adj R-squared =  0.0185
       Total |  492.150357   701  .702068983           Root MSE      =  .83011

------------------------------------------------------------------------------
           e |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       unite |  -.1662893   .0673773    -2.47   0.014    -.2985754   -.0340032
  background |   .2346946    .065596     3.58   0.000     .1059058    .3634835
       _cons |    .001158     .05423     0.02   0.983    -.1053152    .1076313
------------------------------------------------------------------------------

笔误：现在的结果是e 与unite、background显著相关

可以这么说.但是在做结论之前,先用cluster调整一下ＳＥ：

reg e unite background,cluster(code)

reg e unite background,cluster(code)

Linear regression                                      Number of obs =     702
                                                       F(  2,   233) =    4.00
                                                       Prob > F      =  0.0195
                                                       R-squared     =  0.0213
                                                       Root MSE      =  .83011

                                 (Std. Err. adjusted for 234 clusters in code)
------------------------------------------------------------------------------
             |               Robust
           e |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       unite |  -.1662893   .0991929    -1.68   0.095    -.3617189    .0291402
  background |   .2346946   .0957599     2.45   0.015     .0460287    .4233606
       _cons |    .001158   .0866566     0.01   0.989    -.1695726    .1718887
------------------------------------------------------------------------------
调整后的结果如上所示。
可是这一结果不是只能证明残值e与变量unite background相关，而我想要知道的是因变量roa与变量unite background的关系，又该如何说明呢？谢谢~

这个残差是因变量ｒｏａ的残差，其实就是不能被其他变量解释的部分。

现在这个回归说的是剔除掉其他变量的因素以后，unit 和background对ｒｏａ的作用。

我明白了，非常感谢！

您好，请问您介绍的这个估计方法叫什么呢？最近写论文遇到了和答主一样的情况，也用了您的方法，结果较理想，但不知道怎么阐述这个方法....或者有没有使用这个方法的论文或者书籍呢？