差分GMM与系统GMM的估计效果比较：基于中国省级面板数据.docxVIP

差分GMM与系统GMM的估计效果比较：基于中国省级面板数据

一、引言

在区域经济、公共政策等领域的实证研究中，中国省级面板数据因其覆盖范围广、时间跨度长、个体异质性显著等特点，成为分析宏观经济现象的重要数据载体。然而，这类数据常面临内生性问题——无论是遗漏变量（如未观测的区域文化、制度差异）还是双向因果（如经济增长与政府支出的相互影响），都可能导致普通最小二乘法（OLS）或固定效应模型（FE）的估计结果出现偏差。广义矩估计（GMM）方法通过引入工具变量有效缓解了内生性困扰，其中差分GMM（DifferenceGMM）与系统GMM（SystemGMM）是最常用的两种变体。二者虽同属GMM框架，但在估计逻辑、工具变量构造及适用场景上存在显著差异。本文基于中国省级面板数据的典型特征（如“大N小T”结构、变量高持续性等），从理论原理、实证效果及影响因素三个维度展开比较，旨在为研究者选择更优估计方法提供参考。

二、差分GMM与系统GMM的基本原理与理论逻辑

（一）差分GMM的核心思想与操作流程

差分GMM的提出源于对面板数据中个体固定效应与内生性的双重处理需求。其核心逻辑是通过一阶差分消除模型中的个体固定效应（如各省份独特的资源禀赋或历史基础），同时利用变量的滞后值作为工具变量解决差分后模型的内生性问题。具体操作可分为三步：首先，对原始模型进行一阶差分，得到仅包含变量变化量的方程，此时原模型中的个体固定效应被消去，但解释变量的差分可能与误差项的差分相关（如原解释变量与原误差项存在滞后相关）；其次，寻找与差分解释变量相关但与差分误差项无关的工具变量，通常选择原解释变量的滞后2期及以上水平值（如t-2期的水平变量作为t期差分项的工具变量），因为滞后水平变量与当期差分项相关（变量具有时间持续性），但与当期误差项的差分不相关（误差项无序列相关假设）；最后，通过构造矩条件（工具变量与误差项的协方差为零）估计模型参数。

差分GMM的优势在于通过差分操作简化了模型设定，避免了对个体固定效应的直接估计，且工具变量的选择基于变量的滞后信息，无需额外外部工具变量。但该方法的局限性也较为明显：当变量具有高度持续性（如地区资本存量、人力资本等变量随时间变化缓慢）时，滞后水平变量与差分项的相关性会显著减弱，导致“弱工具变量”问题，进而造成参数估计的偏差和标准误的非一致性；此外，差分操作会损失部分样本信息（首年数据无法差分），在时间维度较短（T较小）的省级面板数据中，这种信息损失可能进一步降低估计效率。

（二）系统GMM的改进逻辑与估计框架

系统GMM是对差分GMM的重要改进，其核心突破在于将“差分方程”与“水平方程”联立估计，形成“系统”估计框架。理论上，差分GMM仅利用了差分方程的信息，而水平方程（原始变量水平值的方程）中可能包含额外的有效信息。系统GMM的创新点在于：为水平方程构造新的工具变量——使用解释变量的滞后差分值（如t-1期的差分项作为t期水平值的工具变量），这些滞后差分值与水平解释变量相关（变量变化具有延续性），但与水平方程的误差项不相关（误差项无序列相关假设）。通过同时估计差分方程（工具变量为滞后水平值）和水平方程（工具变量为滞后差分值），系统GMM不仅保留了差分GMM消除固定效应的优势，还通过水平方程补充了被差分操作损失的信息，显著增加了工具变量的数量和有效性。

相较于差分GMM，系统GMM的理论优势主要体现在两方面：一是缓解了弱工具变量问题。对于高度持续性变量，其滞后差分值与水平值的相关性通常强于滞后水平值与差分值的相关性，因此水平方程的工具变量更有效；二是提高了估计效率。联立估计两个方程充分利用了面板数据的时间序列和截面信息，尤其在“大N小T”（个体多、时间短）的省级面板数据中，这种信息整合能显著降低估计量的方差。当然，系统GMM的应用也需满足更严格的假设——水平方程的误差项需与差分方程的误差项无交叉序列相关，否则工具变量的有效性会受到影响。

三、基于中国省级面板数据的估计效果比较维度

（一）参数估计的一致性：从理论到数据的验证

参数估计的一致性是衡量估计方法优劣的核心标准。理论上，若工具变量有效（与内生解释变量相关且与误差项无关），差分GMM与系统GMM的估计量均是一致的。但在中国省级面板数据中，二者的实际表现可能因数据特征而异。以研究“政府支出对区域经济增长的影响”为例，政府支出（解释变量）可能与经济增长（被解释变量）存在双向因果（经济增长快的省份可能增加政府支出，而政府支出增加又推动经济增长），同时受地区固定效应（如产业结构）影响。使用差分GMM时，若政府支出具有高持续性（即今年的支出与去年高度相关），其滞后水平值与差分项的相关性较弱，工具变量的“弱性”会导致估计量向OLS估计量偏移（存在正向偏差）；而系统GMM通过水平方程引入滞