动态面板 GMM：差分 GMM、系统 GMM 与工具变量诊断
Dynamic Panel GMM 解决的核心痛点是：当因变量的滞后项出现在回归右边（$y_{it}=\rho y_{i,t-1}+\dots$）时，固定效应 OLS 估计量因 Nickell bias 严重不一致。本页讲 Arellano-Bond (1991) 差分 GMM 与 Blundell-Bond (1998) 系统 GMM 的矩条件、工具变量选择、过度识别检验（Hansen/Sargan）、AR(1)/AR(2) 自相关检验，以及 Stata xtabond2 的完整代码。
xtabond2、estabond2、estout）。Python linearmodels 包也支持 panel.GMM。01 动态面板与 Nickell 偏误
当经济行为存在"惯性"或"调整成本"时，因变量的滞后项自然出现在回归右边：
其中 $\mu_i$ 是不可观测的个体固定效应。问题来了：$y_{i,t-1}$ 与 $\mu_i$ 机械相关——$y_{i,t-1}$ 包含 $\mu_i$，所以即使 $\varepsilon_{it}$ 完全独立同分布，混合 OLS 或固定效应 OLS 对 $\rho$ 的估计都是不一致的。这就是 Nickell 偏误（Nickell bias, 1981）。偏误方向在短面板（$T$ 小、$N$ 大）尤其严重：FE 估计量把 $\rho$ 往负方向拉。
只要模型里出现 $y_{i,t-1}$ 且 $T$ 不大（典型企业面板 $T=10$–$20$、$N=1000$–$10000$），就必须用 GMM。如果 $T$ 很大（$T>30$），Nickell 偏误可以忽略，FE OLS 就够了。典型应用：投资-现金流敏感性（Fazzari-Hubbard-Petersen 1988）、研发平滑、资本结构动态调整、货币政策反应函数。
02 差分 GMM：Arellano-Bond (1991)
Arellano-Bond (1991) 的思路：先对模型一阶差分，消掉固定效应 $\mu_i$：
差分后，$\Delta y_{i,t-1} = y_{i,t-1} - y_{i,t-2}$ 与 $\Delta \varepsilon_{it} = \varepsilon_{it} - \varepsilon_{i,t-1}$ 中的 $\varepsilon_{i,t-1}$ 机械相关。但如果 $\varepsilon_{it}$ 本身不存在序列相关，那么 $y_{i,t-2}, y_{i,t-3}, \dots$ 都是 $\Delta y_{i,t-1}$ 的有效工具变量——它们与 $\Delta y_{i,t-1}$ 相关（通过 $y_{i,t-2}$），但与 $\Delta \varepsilon_{it}$ 不相关。这就是差分 GMM 的矩条件：
每个时期 $t$ 都有一批工具变量（$y_{i,t-2}, y_{i,t-3}, \dots$），所以差分 GMM 的工具变量个数随 $T$ 二次增长。
03 系统 GMM：Blundell-Bond (1998)
差分 GMM 有一个致命弱点：当 $\rho$ 接近 1（序列很持久）时，$y_{i,t-2}$ 对 $\Delta y_{i,t-1}$ 的工具变量强度很弱——工具变量弱，估计就偏向 OLS 那边。Blundell-Bond (1998) 系统 GMM 在差分方程之外，再增加一组水平方程的矩条件：
这要求 $\Delta y_{i,t-1}$ 与固定效应 $\mu_i$ 不相关——在 $y_{it}$ 初始条件稳定（stationarity）假设下成立。系统 GMM 同时利用差分和水平两个方程，工具变量强度比差分 GMM 强很多。
实务默认用系统 GMM。只有当 $y_{it}$ 明显非平稳（如 GDP、人口）或水平矩条件被审稿人质疑时，才退回差分 GMM。判断标准：如果差分 GMM 估计的 $\hat{\rho}$ 明显低于固定效应估计值（甚至为负），说明工具变量太弱，应该用系统 GMM。
04 三大诊断检验：AR / Hansen / 工具变量个数
动态面板 GMM 的输出表里，最关键的三件事：
| 检验 | 原假设 H0 | 期望结果 | 坏结果说明 |
|---|---|---|---|
| AR(1) | 差分残差无一阶自相关 | 通常 p<0.05（拒绝）——这是正常的，因为 $\Delta\varepsilon$ 机械 MA(1) | AR(1) 不显著反而奇怪 |
| AR(2) | 差分残差无二阶自相关 | p > 0.10（不拒绝）——说明原始 $\varepsilon_{it}$ 无自相关，工具变量有效 | AR(2) 显著 → 矩条件失效，需额外滞后工具 |
| Hansen J | 所有工具变量外生（过度识别约束成立） | p > 0.10（不拒绝） | Hansen 显著 → 工具变量有内生，模型设定错 |
| Diff-in-Hansen | 系统 GMM 水平矩条件有效 | p > 0.10 | 显著 → 系统 GMM 不该用，退回差分 GMM |
| 工具变量数 / N | — | 工具数应 < N（个体数） | 工具数 > N → Hansen 检验功效丧失，p 自动虚高 |
动态面板 GMM 的工具变量个数随 $T$ 二次增长。$T=15$、$N=500$ 时，不加限制地用所有滞后项会产生 100+ 个工具——过度识别约束检验（Hansen）会变得几乎必然接受（p≈1.0），完全失去诊断能力。规范做法：
① gmmstyle(lag limits) 限制滞后阶数（如最多用 $t-2$ 到 $t-4$，而不是 $t-2$ 到 $t-T$）；
② 用 collapse 把同一变量不同滞后合并成一个工具；
③ 报告工具变量总数，并保证 工具数 < N。
05 完整 Stata 代码（xtabond2）
下面这段代码完整演示：(1) 模拟企业动态面板数据（投资依赖滞后投资、现金流、Q）；(2) 混合 OLS / FE / 差分 GMM / 系统 GMM 四种估计量对比；(3) AR / Hansen 诊断。
* ============================================================
* 动态面板 GMM 完整演示
* 场景：企业投资 I/K 依赖滞后 I/K、现金流 CF/K、Tobin's Q
* 数据：N=500 企业 × T=15 年
* ============================================================
clear all
set seed 20240102
set obs 7500
gen firm = ceil(_n/15)
bysort firm: gen year = 2000 + _n
* --- 1. 模拟动态面板 ---
* 个体固定效应 mu_i
gen mu_i = rnormal(0, 0.5) in 1/500
bysort firm: replace mu_i = mu_i[1]
* 严格外生变量：CF/K, Q
gen cf = rnormal(0.1, 0.05)
gen q = rnormal(1.5, 0.5)
* 动态因变量：I/K 依赖滞后 I/K（rho=0.6）+ CF + Q + mu_i + eps
gen ik = .
replace ik = 0.1 + mu_i in 1/7500
forvalues t = 2/15 {
bysort firm: replace ik = 0.1 + 0.6*ik[_n-1] + 0.3*cf + 0.05*q + mu_i + rnormal(0,0.1) ///
if year == 2000 + `t'
}
* 第一期
bysort firm: replace ik = 0.1 + mu_i + rnormal(0,0.1) if year==2000
xtset firm year
* --- 2. 四种估计量对比 ---
* (a) 混合 OLS（上偏）
reg L.ik cf q, robust
est store OLS
* (b) 固定效应（下偏，Nickell bias）
xtreg ik L.ik cf q i.year, fe robust
est store FE
* (c) 差分 GMM（Arellano-Bond 1991）
* ssc install xtabond2, replace
xtabond2 ik L.ik cf q i.year, ///
gmm(L.ik, lag(2 4)) /// 工具：L.ik 的 t-2 到 t-4 滞后
iv(cf q i.year) /// 严格外生变量作 IV
twostep small robust /// 两步法 + Windmeijer 修正
noleveleq /// 差分 GMM（不加水平方程）
est store DIFFGMM
estat abond /// AR(1) / AR(2) 检验
estat sargan /// Sargan 检验（同方差下有效）
* (d) 系统 GMM（Blundell-Bond 1998）
xtabond2 ik L.ik cf q i.year, ///
gmm(L.ik, lag(2 4)) ///
iv(cf q i.year) ///
twostep small robust ///
h(2) /// 水平方程用 lag(2) 起
est store SYSGMM
estat abond
* --- 3. 报告工具变量个数 ---
* 查看 xtabond2 输出底部：
* Number of instruments = ??
* AR(1) p = 0.000 (应显著)
* AR(2) p = 0.2?? (应 > 0.10)
* Hansen p = 0.??? (应 > 0.10)
* 工具数应 < N=500
* --- 4. 汇总对比 ---
esttab OLS FE DIFFGMM SYSGMM, ///
b(%9.3f) se(%9.3f) star(* 0.10 ** 0.05 *** 0.01) ///
mtitles("Pooled OLS" "FE" "Diff GMM" "Sys GMM") ///
stats(N N_g inst ar2p hansenp, fmt(0 0 0 3 3)) ///
title("动态面板四种估计量对比")
xtabond2 关键选项速查gmm(varname, lag(#1 #2))：把 varname 当作内生变量，用其 $t-#1$ 到 $t-#2$ 滞后作为 GMM 型工具。lag(2 .)表示从 $t-2$ 到最早可用期。iv(varlist)：把这些变量当作严格外生，直接作为工具。twostep：两步 GMM（更有效率，但标准误需 Windmeijer 修正）。robust：Windmeijer (2005) 修正标准误（必须配twostep）。collapse：把同一变量不同滞后合并成一列工具，大幅减少工具数。noleveleq：只跑差分 GMM；不加则默认系统 GMM。
06 论文案例与常见错误
论文案例
xtabond2 命令的官方教程。系统讲解工具变量过多问题、collapse 选项、AR/Hansen 诊断、以及差分 vs 系统 GMM 的选择。中文论文写作 GMM 部分的最佳参考。常见错误
不加 lag(2 4) 或 collapse 限制，工具数轻易突破 200，Hansen p 永远 = 1.0——这不是"工具有效"，而是 Hansen 检验被工具过多废掉了。规范做法：限制工具数到 N 的一半以下，并在表里报告工具数。
差分残差的 AR(1) 是机械存在的（MA(1) 结构），AR(1) 显著才是正常的。真正要看的是 AR(2)：AR(2) p>0.10 才说明原始误差无序列相关。初学者常把 AR(1) 不显著当成模型设定正确，方向完全反了。
Hansen p<0.05 说明工具变量中有内生——可能是把内生变量当成外生了（如把企业规模当成严格外生，但它与投资同时决定）。规范做法：把可疑变量移到 gmmstyle() 而非 iv()，让它用自己的滞后作工具。
如果 FE 估出 ρ=0.8，差分 GMM 估出 ρ=0.2，说明差分工具太弱（Blundell-Bond 1998 的典型弱工具症状）。此时必须用系统 GMM，或报告"差分 GMM 工具弱、系统 GMM 结果为准"。
两步 GMM 的标准误在小样本下严重偏小。必须加 twostep robust（= Windmeijer 2005 修正）。不加修正，t 值会虚高，显著性全是假的。
进阶资料
- Roodman (2009 Stata Journal) —— 入门 GMM 的最佳中文翻译版教程，必读。
- Bond (2002) —— "Dynamic panel data models: a guide to researchers"，区分 OLS/FE/Diff-GMM/Sys-GMM 边界的经典讲义。
- Windmeijer (2005 JoE) —— 两步 GMM 标准误修正的原始论文。