R语言中控制年份/行业固定效应的Dynamic GMM实现方法咨询

动态GMM（pgmm）实现步骤 #

1. 误区澄清 #

你之前对plm索引的顾虑可以打消：pdata.frame设置PERMNO和Year为索引，仅用于识别每个个体的时序关系、正确生成滞后项，不会强制加入个体固定效应，你依然可以按照需求手动控制行业和年份固定效应，和你用lm时的逻辑完全一致。

2. 具体实现代码 #

# 加载plm包
library(plm)

# 转换为面板数据格式，用于识别个体时序关系
pdata <- pdata.frame(data, index = c("PERMNO", "Year"))

# 拟合动态GMM模型
gmm_result <- pgmm(
  # 公式左侧为被解释变量，右侧为回归项，|后为工具变量设定
  formula = A ~ B + Controls + lag(A, 1) + lag(A, 2) + factor(SIC) + factor(Year) | 
    # 用A的3阶及以上滞后作为内生滞后项的工具，外生变量直接作为自身工具
    lag(A, 3:99) + B + Controls + factor(SIC) + factor(Year),
  data = pdata,
  model = "twosteps", # 选择两步GMM，估计效率更高
  transformation = "d" # 选d为差分GMM（Arellano-Bond），选ld为系统GMM
)

3. 结果检验与输出 #

# 输出回归系数与显著性
summary(gmm_result)

# Sargan过度识别检验，p值>0.05说明工具变量设定有效
sargan.test(gmm_result)

# 二阶序列相关检验，p值>0.05说明模型无二阶自相关，符合GMM设定要求
mtest(gmm_result, order = 2)

关键说明 #

• 工具变量部分的lag(A, 3:99)是通用写法，即使用所有可用的3阶及以上A的滞后值作为工具，若你的样本时序长度较短，可以调整为lag(A, 3:n)，n为你样本的最大时序长度。
• 如果你需要使用系统GMM，仅需将transformation参数改为"ld"即可，工具变量部分无需额外调整，pgmm会自动生成水平方程的对应工具。

内容的提问来源于stack exchange，提问作者derek