面板数据下DWH检验与过度识别约束检验的R（plm包）实现方法

一、Durbin-Wu Hausman（DWH）检验（面板Hausman检验） #

面板数据场景下的DWH检验核心用于对比固定效应（FE）与随机效应（RE）模型的适用性，plm包自带的phtest()函数可直接完成该检验，操作步骤如下：

1. 先拟合FE和RE模型

library(plm)
# 以plm自带的Grunfeld面板数据集为例
data("Grunfeld", package = "plm")

# 拟合固定效应模型
fe_model <- plm(inv ~ value + capital, data = Grunfeld, model = "within")
# 拟合随机效应模型
re_model <- plm(inv ~ value + capital, data = Grunfeld, model = "random")

2. 执行DWH检验

# 对比FE与RE模型的Hausman检验（即面板DWH检验）
hausman_result <- phtest(fe_model, re_model)
# 输出检验结果
print(hausman_result)

若结果中的p值小于设定的显著性水平（如0.05），则拒绝随机效应模型的原假设，应选择固定效应模型。

二、过度识别约束检验 #

该检验仅适用于工具变量（IV）模型（要求工具变量数量多于内生变量数量），用于验证工具变量的外生性。基于plm拟合的IV-FE/IV-RE模型，操作步骤如下：

1. 拟合面板IV模型 #

假设存在内生变量，需指定合法工具变量。以Grunfeld数据集为例，假设value为内生变量，选取lag(value, 1)和lag(capital, 1)作为工具变量：

# 拟合IV固定效应模型
iv_fe_model <- plm(inv ~ value + capital | capital + lag(value,1) + lag(capital,1), 
                   data = Grunfeld, model = "within")
# 拟合IV随机效应模型
iv_re_model <- plm(inv ~ value + capital | capital + lag(value,1) + lag(capital,1), 
                   data = Grunfeld, model = "random")

2. 执行过度识别检验 #

可通过AER包的overid()函数完成检验：

library(AER)
# 对IV-FE模型做过度识别检验
overid_fe <- overid(iv_fe_model)
print(overid_fe)

# 对IV-RE模型做过度识别检验
overid_re <- overid(iv_re_model)
print(overid_re)

若检验结果的p值大于显著性水平，则无法拒绝“所有工具变量均外生”的原假设，说明工具变量选择符合要求。

注意：若工具变量数量等于内生变量数量，不存在过度识别约束，无法执行该检验。

内容的提问来源于stack exchange，提问作者Muller I.