内生性:面板数据模型和倍分法(第2天通讯稿）
2019 年 11 月 15 日，这是培训的第2天，也是大家非常期待的，因为今天讲在研究中用得较多的方法——面板数据模型和倍分法。林老师首先给大家介绍了面板数据模型的一致性、动态性和异质性特征，接着详细介绍静态面板数据模型中的混合回归模型组内估计量、组间估计量、OLS 估计量及三者之间的关系，在此基础上阐述了固定效应和随机效应的区别。
在固定效应设定下，不随时间变化的个体效应与解释变量存在相关性，此时通过组内变换将个体效应消除以避免内生性问题，代价是只保留了随时间变化的信息来识别 。
在随机效应设定下，复合扰动项 存在序列相关问题，此时 OLS 估计量虽然是无偏的，但不再有效，需要用到 GLS 和 FGLS 估计，关键在于通过变化使得新的扰动项不存在序列相关。
此后阐述了 Hausman 检验来判断个体效应是固定效应还是随机效应存在的缺陷，由此 Hausman and Taylor (1981) 对此进行修正，采用了折中方案。
对于动态面板模型，林老师首先介绍了模型设定与传统估计量的不一致性，在此基础上阐述了差分 GMM 和系统 GMM 的设定和区别。在介绍动态面板模型的检验主要包括了过度识别约束 Sargan /Hansen 检验、 序列相关检验和过多工具变量问题。
接下来，林老师将 Stata 运行中命令值得注意的地方给大家进行了讲解，并以实例演示了动态面板模型的估计和检验。
下午林老师先给大家介绍了双重差分方法在国内外发展和应用情况，接着比较了总体平均处置效应（ATE）、处理组的平均处置效应（ATT）、控制组的平均处置效应（ATU）的定义和区别。
随后，林老师与大家讨论了理想的随机化试验中的处置是否随机、差分估计量 与
是一致估计量的背后直觉是什么、相关关系为处置效应的推理等问题。并进一步讨论了现实中理想随机化试验的条件是否满足的问题。
接着，林老师给大家介绍了双重差分回归方程，并讨论了双重差分方法的潜在问题及检验、几种特殊形式如何处理，包括连续双重差分、不同处置时间的双重差分（动态 DID ）和三重差分法的思想和原理。最后以三个案例分别生动地演示了双重差分法、动态DID和三重差分法在 Stata 中如何实现以及要注意的问题。
时间飞逝，一天培训很快接近尾声，进入现场答疑环节。学员们非常积极地提出了近十个问题，林老师耐心地一一给予回答。大家对林老师的授课质量和和授课风格给予高度评价，对林老师深厚的学识和扎实的功底感到由衷钦佩，最后全场报以热烈的掌声以感激林老师精彩的授课！
