【解答】

一般不推荐用FE或LSDV来估计动态面板，因为会导致估计有误差的问题（著名的Nickell Bias）。对于一个线性的动态面板模型，目前 已经有很成熟的估计方法了，并且在stata中能够很好的实现。

第一个：Simple IV 简单工具变量估计方法，就是一阶差分后对滞后项只用一个工具变量(Anderson and Hisao (1981, 1982))，xtabond2 y L.y x1 x2 x3 year, gmmstyle(L.y, lags(2 2)) ivstyle(x1 x2 x3) twostep robust noleveleq，这里robust既能控制组间异方差，也能控制组内自相关。

第二个 Arellano-Bond GMM。xtabond2 y L.y x1 x2 x3 year, gmmstyle(L.y,)) ivstyle(x1 x2 x3) twostep robust noleveleq，这里robust既能控制组间异方差，也能控制组内自相关。

第三个 System GMM。xtabond2 y L.y x1 x2 x3 year, gmmstyle(L.y,)) ivstyle(x1 x2 x3) twostep robust，这里robust既能控制组间异方差，也能控制组内自相关。

如果是模型中有组间个体之间存在同期相关，那就是横截面相关，那么上述方法都不能处理，需要新的方法比如主成分分析方法（Bail，2009）或CCE方法（Pesaran， 2006），就计算而已，推荐使用后一个。

学术指导：张晓峒老师
本期解答人：周乾坤老师
统筹：易仰楠
编辑：孙婷婷
技术：林毅

thanks for sharing

陈强的《高级计量经济学》GMM的方法只适用于短面板，如果是长面板还是应该用偏差校lsdv的方法吗？

您好，我想可能不推荐使用LSDV法的原因主要在于无法解决内生性吧。因为很多模型存在内生性问题，所以如果考虑有内生变量的情况下，最好使用系统GMM或差分GMM。但系统GMM和差分GMM的一个问题就是，如果是长面板数据，会因为面板比较长而产生大量的工具变量，产生过度识别问题，导致工具变量有效性被削弱。我自己的理解是，对于变量不存在内生性的长面板数据（前提是需要做检验的，对比工具变量法和普通FE的估计结果是否有显著性区别），是可以使用LSDV法的。与此同时，差分GMM和系统GMM也并非王者，二者都要求扰动项不存在自相关，这在很多长面板数据中是做不到的，随着面板的增长，工具变量的有效性会越来越低。但在很多学术论文中，即便是长面板数据也使用了差分GMM或系统GMM，未对自相关进行检验。所以在此我个人认为，方法其实不是太重要。因为内生性本身是一个很难在现实中去解决的问题，所以只要普通的回归方法能够解决问题即可。而且GMM还有一个问题就是，容易削弱变量的显著性，很多经济问题如果用差分GMM或系统GMM去分析时就会得到与理论完全不同的结论，这是比较危险的。