请教arlion关于系统GMM的问题

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

请问在做两步系统GMM时是否一定要采用差分形式？还是水平方程也可以？
谢谢！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏3 回帖

关键词：arlion 系统GMM lion ARL GMM 请教 系统 GMM arlion

仍然采用水平变量，stata会自动帮你进行差分处理。
建议使用Stata官方发布的 xtdpdsys 命令，语法比较简洁，bug 也比较少。

谢谢啊~还有一个问题，
我采用水平变量，xtdpdsys 命令进行分析，但是软件自动把我的应变量的一阶滞后项给剔除了，说是因为多重共线性的存在，请问为什么会碰到这种情况？
再次感谢！

仔细认真的学习着。。。

连老师，多重共线性的问题我知道了，并得到了结果，系统GMM一步的结果是显著的，但是二步的结果就非常不显著了，这说明什么问题呢？再次感谢！

补充一下我的问题，在采用二步时，我最初得到的结果是显著的，但出现了一个warning：
Warning: gmm two-step standard errors are biased; robust standard  errors are recommended.
于是我就采用了twostep vce(robust)，得到的结果就不显著了。

我还有另外一个问题，采用系统GMM估计时，自变量是否可以采用一阶滞后？
谢谢！

连老师：

下面是我碰到的具体问题，请赐教！谢谢！

采用系统GMM命令：
xtdpdsys cs ls Lag_rent2 Lag_si Lag_pro Lag_cov Lag_mb smg nfpg

得到的结果：

System dynamic panel-data estimation         Number of obs         =       669
Group variable: company                      Number of groups      =        67
Time variable: year
                                             Obs per group:    min =         2
                                                               avg =  9.985075
                                                               max =        15

Number of instruments =    128               Wald chi2(9)          =    248.50
                                             Prob > chi2           =    0.0000
One-step results
------------------------------------------------------------------------------
   cs |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
   cs |
         L1. |   .6405133   .0489364    13.09   0.000     .5445998    .7364268
     ls |   .1089056   .0429461     2.54   0.011     .0247327    .1930785
   Lag_rent2 |  -.0008363   .0066601    -0.13   0.900    -.0138898    .0122172
    Lag_si |  -.0884034   .0299857    -2.95   0.003    -.1471744   -.0296325
     Lag_pro |  -.2270473   .0908122    -2.50   0.012     -.405036   -.0490586
     Lag_cov |   .0799174   .0395652     2.02   0.043     .0023711    .1574637
      Lag_mb |   .0009354   .0048314     0.19   0.846     -.008534    .0104049
         smg |  -.0102183     .00719    -1.42   0.155    -.0243104    .0038738
        nfpg |   .0026641   .0028123     0.95   0.343    -.0028479    .0081761
       _cons |  -.5397587   .4232628    -1.28   0.202    -1.369339    .2898211
------------------------------------------------------------------------------
Instruments for differenced equation
        GMM-type: L(2/.).cs
        Standard: D.ls D.Lag_rent2 D.Lag_si D.Lag_pro D.Lag_cov D.Lag_mb D.smg
                  D.nfpg
Instruments for level equation
        GMM-type: LD.cs
        Standard: _cons

此时，ls（我主要关注的变量）前的系数是显著的，然后采用Sargan检验，得到：
estat sargan
Sargan test of overidentifying restrictions
        H0: overidentifying restrictions are valid

        chi2(118)    =  286.3493
        Prob > chi2  =    0.0000
说明工具变量有效。

然后进行steptwo：
命令：
xtdpdsys cs logsloan Lag_rent2 Lag_si Lag_pro Lag_cov Lag_mb smg nfpg, twostep vce(robust)


System dynamic panel-data estimation         Number of obs         =       669
Group variable: company                      Number of groups      =        67
Time variable: year
                                             Obs per group:    min =         2
                                                               avg =  9.985075
                                                               max =        15

Number of instruments =    128               Wald chi2(9)          =     51.43
                                             Prob > chi2           =    0.0000
Two-step results
------------------------------------------------------------------------------
             |              WC-Robust
   cs |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
   cs |
         L1. |   .6112183   .2212093     2.76   0.006      .177656    1.044781
    logsloan |    .106656    .180621     0.59   0.555    -.2473546    .4606667
   Lag_rent2 |  -.0023285   .0149491    -0.16   0.876    -.0316281    .0269712
    Lag_si |  -.0560543   .1457963    -0.38   0.701    -.3418097    .2297012
     Lag_pro |   -.218882   .2758682    -0.79   0.428    -.7595737    .3218097
     Lag_cov |    .072324   .1341872     0.54   0.590    -.1906782    .3353261
      Lag_mb |   .0011677   .0141426     0.08   0.934    -.0265513    .0288868
         smg |  -.0059688   .0149468    -0.40   0.690    -.0352639    .0233263
        nfpg |   .0032441   .0042373     0.77   0.444    -.0050608    .0115491
       _cons |  -.7525732   1.779216    -0.42   0.672    -4.239773    2.734626
------------------------------------------------------------------------------
Instruments for differenced equation
        GMM-type: L(2/.).cs
        Standard: D.logsloan D.Lag_rent2 D.Lag_si D.Lag_pro D.Lag_cov D.Lag_mb
                  D.smg D.nfpg
Instruments for level equation
        GMM-type: LD.cs
        Standard: _cons

在采用steptwo后，ls（我主要关注的变量）前的系数变得不显著了。
在采用二步时，我最初得到的结果是显著的，但出现了一个warning：
Warning: gmm two-step standard errors are biased; robust standard  errors are recommended.
于是我就采用了twostep vce(robust)。

再进行Sargan检验，得到：
estat sargan
Sargan test of overidentifying restrictions
        H0: overidentifying restrictions are valid
        cannot calculate Sargan test with vce(robust)

        chi2(118)    =         .
        Prob > chi2  =         .

我的问题：
1．“cannot calculate Sargan test with vce(robust)”这说明什么？
2．我该如何判断我该采取一步结果还是两步结果呢？
3．Lag_rent2等变量，我是否可以采用一阶滞后的形式？
非常感谢！

8# shinycrystal84
sargan检验说明工具变量不好

一则说明了你的工具变量不是有效的，说明这需要你重新选择工具变量