1 短期动态面板模型的应用
1.1 数据
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！
1.2 录入数据
打开数据编辑窗口，将数据从Excel中复制到Stata
1.3 设置数据为面板数据类型
生产prov变量对应的数值型变量：
encode prov,g(id)
设置面板数据格式：
xtset id year
1.4 直接估计动态面板
固定面板效应的估计：
xtreg pgdp l.pgdp eduyear pfdi open,fe
由于模型中解释变量加入了pgdp的滞后项，所以直接采用普通面板模型的估计方法，系数估计将失效。这里仅做初步分析！
1.5 差分GMM估计短期动态面板
假设模型没有内生变量：
xtabond pgdp eduyear pfdi open,lags(1) vce(robust)
此时，eduyear pfdi open都被认为是外生变量，仅在模型中加入了被解释变量滞后1期作为解释变量。
假设eduyear为内生变量，educost和college为工具变量：
xtabond pgdp pfdi open,lags(1) vce(robust) endogenous(eduyear)
xtabond pgdp pfdi open,lags(1) vce(robust) endogenous(eduyear) inst( educost college )
此时，eduyear作为内生变量，放入endogenous()中，那么eduyear变量滞后2期及以后的滞后期均作为工具变量来进行估计！由此可知，GMM的优点是即使没有额外的工具变量，也可以对内生变量进行估计！
如果将educost和college加入inst()中，那么这两个变量也将作为工具变量来进行估计！
假设eduyear、pfdi和open都为内生变量，educost和college为工具变量：
xtabond pgdp,lags(1) vce(robust) pre(pfdi open) endogenous(eduyear) inst(educost college)
xtabond pgdp,lags(1) vce(robust) endogenous(pfdi open eduyear) inst(educost college)
由于pfdi和open也属于宏观经济变量，所以其也可能是内生变量。此时有两种处理方法。
一是假定他们为前定变量，即pfdit与εt-1相关，造成Δpfdit与Δεt相关，此时可以使用pfdit-1和更高阶滞后项作为Δpfdit的工具变量！
注意不要纠结前定变量的概念，从公式上看比较容易理解！
二是直接假定他们为内生变量，即Δpfdit-1与Δεt-1相关，此时需要使用此时可以使用pfdit-2和更高阶滞后项作为Δpfdit-1的工具变量！
从公式上看，前定变量的工具变量比内生变量的工具变量多一个！
采用多种模型差分GMM估计，可以发现，pgdp滞后1期和pfdi变量的系数均显著，所以两者是pgdp变动的主要原因！
另外，xtabond命令默认使用gmm来估计，也可以设置参数twostep，使用二阶段最小二乘法来估计。在实际应用中出于稳健性的考虑，最好报告gmm和twostep两种估计方法的结果。这里不在演示！
1.6 系统GMM估计短期动态面板
系统GMM的命令为xtdpdsys，其参数设置和差分GMM一样，这里仅演示一个估计结果！
假设eduyear、pfdi为前定变量，open都为内生变量；educost和college为工具变量：
xtdpdsys pgdp,lags(1) vce(robust) pre(pfdi open) endogenous(eduyear) inst(educost college)
采用系统GMM进行估计后，pgdp滞后1期和pfdi变量的系数依然显著，所以两者是pgdp变动的主要原因！