1. 为什么需要GMM-PVAR模型?
做宏观经济研究的朋友们应该都遇到过这样的困扰:我们手头有投资、收入、消费这些关键指标的面板数据,想知道它们之间到底谁影响谁、影响有多大。传统方法要么假设太强(比如固定效应模型),要么处理不了变量间的动态交互(比如普通回归)。这时候PVAR(面板向量自回归)模型就派上用场了。
但PVAR有个头疼的问题——内生性。比如消费可能影响收入,收入反过来又影响消费,这种"鸡生蛋蛋生鸡"的关系会让普通OLS估计产生偏差。我在2018年分析省级经济数据时就踩过这个坑,当时用OLS估计的结果连符号都不合理。后来发现GMM(广义矩量法)才是解决这个问题的金钥匙,它通过巧妙的工具变量设计,能有效处理滞后项的内生性问题。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据准备与模型设定
2.1 数据清洗实战技巧
先说说数据准备这个基础但关键的环节。我常用的数据集结构是这样的:
stata复制* 生成示例数据
clear
set obs 100
gen id = ceil(_n/10) // 10个时间点,10个个体
bysort id: gen year = 2000 + _n
gen inv = runiform(1,5) // 投资
gen inc = inv*0.5 + runiform() // 收入
gen cons = inc*0.7 + inv*0.2 + runiform() // 消费
这里要特别注意三个坑:
- 缺失值处理:PVAR对数据连续性要求高,建议用
tsfill补全时间缺口 - 平稳性检验:一定要做单位根检验!我习惯用
xtunitroot fisher命令 - 变量缩放:量纲差异大的变量建议取对数或标准化,否则会影响GMM权重矩阵
2.2 模型阶数选择
选滞后阶数是个技术活。去年帮某券商做消费预测时,我们对比了三种方法:
- Andrews-Lu准则:最严谨但计算量大
- BIC准则:平衡性好,适合大多数场景
- 逐步检验法:从高阶往低阶试
推荐这个自动化脚本:
stata复制pvar2 inv inc cons, lag(5) gmmstyle
estat ic // 看信息准则
实际应用中,经济数据通常1-2阶
