动态面板数据模型（如GMM）的内生性问题处理.docxVIP

动态面板数据模型（如GMM）的内生性问题处理

一、引言

在社会科学的实证研究中，面板数据因同时融合截面维度的个体异质性信息与时间维度的动态变化信息，被广泛应用于经济行为、政策效果、社会治理等各类主题的因果识别研究中。与静态面板模型不同，动态面板模型通过在解释变量中引入被解释变量的滞后项，能够捕捉现实中普遍存在的路径依赖特征与动态调整过程，比如居民消费的习惯形成效应、企业投资的惯性特征、区域经济增长的收敛趋势、公共政策的延迟影响等，这些都是静态模型无法准确刻画的现实规律。但从模型设定之初，动态面板就面临着无法回避的内生性挑战：滞后被解释变量天然与误差项存在相关性，再加上双向因果、测量误差、遗漏变量等问题的叠加，传统的最小二乘估计、固定效应估计都会产生系统性偏差，无法得到一致的参数估计结果。

针对这一问题，学界经过多年探索逐步形成了以广义矩估计（简称GMM）为核心的内生性处理方案，这类方法不需要对误差项的分布施加严格假设，能够通过灵活的矩条件构造同时应对多来源的内生性偏差，目前已经成为短动态面板估计的主流方法。但从近年的实证研究实践来看，不少研究者对GMM处理内生性的逻辑理解不够深入，存在机械套用方法、忽略适用前提、操作流程不规范等问题，不仅没能有效解决内生性偏误，反而因为工具变量选择不当、矩条件失效等问题产生了新的估计偏差，甚至出现“为了方法而方法”的学术不端倾向。本文将从动态面板内