1 动态面板模型概述
所谓动态面板，其实就是在解释变量中加入被解释变量的滞后项！
对于短面板数据的动态面板模型可以采用GMM方法进行估计，但是长面板数据的动态面板理论还不太完善。因而，目前EViews中仅支持短面板数据的动态面板模型GMM估计！
2 动态面板模型的应用
在短面板模型的例子中，我们研究了劳动者受教育年限、对外贸易和外商直接投资对经济增长的影响。现实中，经济增长往往具有惯性，即经济开始增长了，就会持续下去；如果开始衰退，就很难扭转颓势。所以我们这里再解释变量中加入经济增长的滞后项，构建动态面板模型！
2.1 新建工作文件
在EViews主窗口中选中file/new/workfile；
在Workfile Create窗口的Workfile structrue type中选择Balanced Panel； Frequency 选择Annual；Start date输入2011，End date 输入2018；Number of cross Sections中输入30。
2.2 导入数据
在EViews主窗口中选中File/import/import from file...；
选择Excel文件所在路径，进入数据导入设置向导窗口。
在Excel Read Step1..窗口中，可以通过Custom range来设置数据导入范围，由于本例默认的数据范围全部需要，所以不用调整；
Excel Read窗口列出了数据预览，其中数据必须包含地区变量（本例为 ：prov）和时间变量（本例为：year），这样EViews才能将数据导入正确的位置。
在Excel Read Step2..窗口中，需要依次点击数据预览窗口中的各列，然后再Name中输入对应的英文名称（EViews不支持中文名）。本列原始数据就是英文名称，所以不用修改！
在Excel Read Step3..窗口中，Import method选择Create new workfile；Basic Structure选择Dated Panel；Cross section ID series中输入prov；Date series中输入year。点击OK完成数据导入！
2.3 估计动态面板
在EViews主窗口中，依次选择Quick/Estiamte Equation...
在Equation Estimation窗口的Method中选择GMM/DPD - ....，切换到GMM估计方法
在Equation Estimation窗口中，点击Dynamic Panel Wizard...，进入GMM方法设置向导。
出现欢迎界面，直接点击下一页
在向导窗口的step1窗口，设置被解释变量pgdp，以及指定被解释变量的滞后项：1。
具体模型解释变量中加入被解释变量几阶滞后项根据实际情况确定，也可以多估计几个结果进行对比，再确定！
在向导窗口的step2窗口，选择是否加入时间固定效应（本例不加入时间固定效应）；输入模型的其他解释变量：eduyear pfdi open。
在向导窗口的step3窗口，选择消除固定效应的方法，这里选择第一项：差分方法，当然也可以选择第二项，两种方法结果差异不大。
在向导窗口的step4窗口，输入GMM模型中的工具变量:@DYN(PGDP,-2)，表示被解释变量PGDP的所有滞后变量（滞后2期、3期，...）都作为工具变量；
如果希望指定被解释变量PGDP的滞后2期、3期、4期作为工具变量，则应输入：@DYN(PGDP,-2，-4)；
一般在GMM中，如果没有特殊情况，最好把被解释变量所有滞后变量都作为工具变量。
在向导窗口的step5窗口，输入其他控制变量，GMM模型中工具变量不太好找，所以可以留空。
在向导窗口的step6窗口，指定GMM迭代次数，这里选择：2-step(update weights once);GMM weighting matrix选择White period。
如果估计结果不理想，也可以试试其他选项！
设置完成后，点击完成。
Equation Estimation窗口已经自动填好参数，点击确定，开始GMM估计！
在估计结果窗口中，PGDP(-1)变量的系数为1.007432，对应P值小于0.1，因而PGDP(-1)变量显著。表明经济增长存在惯性，即本期经济增长提高1单位，可以促进下期提高1.007432单位！
其他控制变量EDUYEAR、PFDI、OPEN也显著，但我们发现EDUYEAR变量的符号变为负数，这可能又是多重共线性造成的。由于本例我们关心的是PGDP(-1)变量的系数，所以不用关心EDUYEAR变量，当然，也可以将EDUYEAR变量去除，重新进行GMM估计。
在计量模型的解释变量中，可以分为主要解释变量和控制变量。只要控制变量不对主要解释变量的估计造成影响，那么可以不用太关系控制变量的系数和显著性！
最后，我们还需要对GMM中的工具变量适合性进行检验，即J统计量，其原假设是检验的工具变量中至少一个是有效的（与扰动项不相关），如果解释原假设，就说明GMM估计是有效的。
本例中J统计量的值为23.63920，对应的P值为0.129575，因而接受原假设，GMM估计是有效的！