R的plm包pgmm函数运行系统GMM时出现system is exactly singular错误求助

报错核心原因 #

你遇到的矩阵奇异报错本质是短面板（T=5）下模型滞后阶数设置不合理、工具变量设定不符合数据维度、缺失值导致样本/工具变量矩阵共线三个问题共同导致的，和变量本身相关性无关，解决方案如下：

具体修复步骤 #

• 第一步：简化模型滞后阶数
  T=5的短面板最多支持被解释变量1阶滞后，你当前设置的lag(log(GDP), 1:2)会直接损失2期初始观测，每个个体仅剩3期有效观测，自由度严重不足；同时控制变量Humancapital的0-2阶滞后也会进一步压缩有效样本，建议仅保留被解释变量1阶滞后，控制变量最多用到1阶滞后。

• 第二步：修正工具变量设定
  你当前只指定了log(GDP)的滞后作为工具变量，未纳入Stations、Humancapital的工具变量；同时lag(log(GDP), 2:5)的设置完全不符合你的数据维度：T=5的情况下最多存在3阶滞后，4、5阶滞后会生成全空的工具列，直接导致矩阵奇异。建议工具变量滞后阶数最高设置到3阶，同时补充所有内生/前定变量的工具，额外添加collapse = TRUE参数压缩工具数量，避免工具过多导致的共线问题。

• 第三步：处理缺失值
  你的样本中1870年的Humancapital全为缺失值，做滞后转换时会进一步损失大量有效样本，建议先按个体对人力资本做线性插值补全缺失值，或直接剔除观测不足4期的个体。

• 第四步：调整估计参数
  短面板下两步GMM估计对样本要求更高，建议先使用model = "onestep"跑通基础模型，再逐步尝试两步估计和双向固定效应；初始测试阶段先使用effect = "individual"，避免时间效应占用过多自由度。

修复后参考代码 #

# 加载缺失值处理包，按个体补全人力资本缺失值
library(dplyr)
library(zoo)
Bachelor_DF <- Bachelor_DF %>%
  group_by(id) %>%
  mutate(Humancapital = na.approx(Humancapital, na.rm = FALSE)) %>%
  ungroup()

# 简化后的GMM估计代码
gmm_estimator <- pgmm(log(GDP) ~ lag(log(GDP), 1) + lag(Stations, 0:1) + lag(Humancapital, 0:1)
                      | lag(log(GDP), 2:3) + lag(Stations, 2:3) + lag(Humancapital, 2:3),
                      data = Bachelor_DF,
                      effect = "individual",
                      model = "onestep",
                      collapse = TRUE)

模型跑通后可再逐步调整滞后阶数、换成两步估计、添加双向效应验证稳健性。

内容的提问来源于stack exchange，提问作者DLTS