如果我们确切地知道扰动项的协方差矩阵的形式，那么GLS估计是最小方差线性无偏估计，是所有线性估计中最好的。显然它比OLS更有效率。虽然GLS有很多好处，但有一个致命弱点：就是一般而言我们不知道扰动项的协方差矩阵，因而无法保证结果的有效性。 方法二：HC SE
There are 3 kinds of HC SE
（1）Huber-White Robust Standard Errors HC1， 其基本命令是： reg var1 var2 var3, robust
White（1980）证明了这种方法得到的标准误是渐进可用（asymptotically valid）的。这种方法的优点是简单，而且需要的信息少，在各种情况下都通用。缺点是损失了一些效率。这种方法在我们日常的实证研究中是最经常使用。 （2）MacKinnon-White SE HC2，其基本命令是： reg var1 var2 var3, hc2
（3）Long-Ervin SE HC3，其基本命令是： reg var1 var2 var3, hc3
约束条件检验：
如果需要检验两个变量，比如x 与y，之间系
数之间的关系，以检验两者系数相等为例，我们可以直接输入命令： test x=y
再如检验两者系数之和等于1，我们可以直接输入命令： test x+y=1
如果输出结果对应的P-Value 小于0.05，则说明原假设显著不成立，即拒绝原假设。
序列相关性问题的检验与处理
序列相关性问题的检验：
首先，要保证所用的数据必须为时间序列数据。如果原数据不是时间序列数据， 则需要进行必要的处理，最常用的方法就是： gen n=_n tsset n
这两个命令的意思是，首先要生成一个时间序列的标志变量n（或者t 也可以）； 然后通过tsset 命令将这个数据集定义为依据时间序列标志变量n定义的时间序 列数据。
最直观的检验方式是通过观察残差分布，其基本步骤是在跑完回归之后，直接输 入
Predict error, stdp
这样就得到了残差值；然后输入命令： plot error n
会得到一个error 随n 变化的一个散点图。
D-W检验——对一阶自相关问题的检验：
D-W检验是对一阶自相关问题的常用检验方法，但是如果实际问题中存在高阶 序列相关性问题，则不能用这个检验方法。 D-W 检验的命令如下： 首先，输入回归命令，
reg Variable1 Variable2 Variable3?VariableM 输出一个简单的OLS估计结果。然后，再输入命令： dwstat
这时会输出一个DW 统计量。通过与临界值之间的比较，可以得出结论。也可 以执行如下命令
estat durbinalt 直接进行Durbin检验。
Breusch-GodfreyTest in STATA——检验高阶序列相关性： 在得到一个基本回归结果和error 之后，我们假设这样一个关系：
et = α0 + α1 et-1 + α2 et-2 ?+ αk et-p + β1 x1t + β2 x2t ? +βk xkt +εt
BG 检验的原假设是：H0 ： α1 = α2 = ? αp =0。 其基本命令是： bgodfrey , lags(p)
其中p 是你自己设定的一个滞后项数量。如果输出的p-value 显著小于0.05，则
可以拒绝原假设，这就意味着模型存在p 阶序列相关性；如果输出的p-value 显
著大于0.05 甚至很大，则可以接受原假设，即不存在p 阶序列相关性。
处理序列相关性问题的方法——GLS： 常用的几种GLS 方法：
（1） Cochrane-Orcutt estimator 和Prais-Winsten estimator 其基本命令是
prais var1 var2 var3, corc （2） Newey-West standard errors 其基本命令是
newey var1 var2 var3, lag(3)
其中，lag（3）意思是对三阶序列相关性问题进行处理；如果需要对p 阶序列相
关性问题进行处理，则为lag（p）
t因变量，g,f,c是自变量，_26存放了弟26个观测值，为需要预测的值 reg t g f c if _n!=26 点预测
predict taxpredict if _n==26
均值的区间预测
predictnl py=predict(xb),ci(lb ub) l(95)
因变量的区间预测
adjust g=117251.9 f=24649.95 c=99.9,stdf ci level(95)
Hausman检验是检验内生性的最常用的方法。它是通过比较一致估计量与有效估计量的Wald统计量。 命令格式为：
.hausman name-constistent [name-efficent] [,options]
其中，name-cosistent指一致估计的结果， name-efficent 指有效估计的结果。注意，一致、有效估计量的先后顺序不能改变。 Option选项：
constant 计算检验统计量将常数也包括在内，默认值为排除常数 allegs 利用所有方程进行检验，默认只对第一个方程进行检验 skipeqs(eqlist) eqlist只能以方程名称而不能以方程序号表示 equation(matchlist) 比较设定的方程。 force 即使假设条件不满足仍进行检验
df(#) 默认值为一致估计与有效估计的协方差矩阵的差的估计
sigmamore 协方差矩阵采用有效估计量的协方差矩阵 sigmaless 协方差矩阵采用一致估计量的协方差矩阵 tconsistent(string) 一致估计量的标题 tefficient(string) 有效估计量的标题
工具变量估计 命令格式：
.ivregress esitimator depvar [varlist1] [varlist2=varlist_iv] [if] [in] [weight][,options]
其中，estimator包括2sls,gmm,liml三种。varlist1为模型中的外生变量，varlist2为模型中的内生变量，varlist_iv为模型中的工具变量。 Nonconstant 不包括常数项 Hascons 用户自己设定常数项 CMM 选项：
wmatrix(wmtype) robust,cluster clustvar,hac kernel, unadjusted center 权数矩阵采用中心矩 igmm 采用迭代GMM估计
eps(#) 参数收敛标准。默认值为eps（le-6）
weps(#) 权数矩阵的收敛标准。默认值为w eps(le-6)
Vce(vcetype) unajusted,robust,cluster clustvar,bootstrap,jackknife,hac kernel
level(#)置信区间
First 输出第一阶段的估计结果 Small 小样本下的自由度调整
.estat firststage [,all forcenonrobust]
该命令给出第一阶段的估计结果以及各种统计量，包括排除外生变量的相关性检验。All选项给出所有的拟合优度统计量。如果模型存在多个内生变量，则stata给出R2、偏R2、调整的R2 、F统计量；如果模型存在多个内生变量，