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，则stata给出Shea偏R2和调整的偏R2。
forcenonrobust给出最小特征值统计量及其临界值，即使采用稳健估计（这一检验的假设条件是误差项为独立正态分布）。
estat overid[,lag(#) forceweights forcenonrobust]
该命令给出了过度识别约束检验。如果使用2sls估计估计，则Stata给Sargan’s(1958)和Basman’s(1960)卡方统计量，这也是Wooldridge’(1995）稳健得分检验。 如果采用liml估计方法，则stata给出Anderson and Rubin’s(1950) 卡方统计量以及Basmann F统计量；如果采用GMM估计，则stata给出hansen’s(1982)J统计量。Lags(#)用于计算得分检验的HAC（异方差自相关一致）统计量的过程中进行去噪时设定滞后阶数。如果设定lag(0),则表示不进行去噪处理。默认选择为lag(1)。这一选择仅使用于2sls估计方法和设定vce(hac)选项情况。 Forceweight 表示即使采用aweights,pweights或iweights也进行检验。Stata仅对于fweights的情况进行检验，其他权数所得到临界值可能不准确。
Forcenonrobust 指在2sls或LIML估计中即使采用稳健标准差也进行Sargan and Basmann检验（这一检验的假设的假设条件是误差项为独立正态分布）。 例子：
log(wage)=a+b*educ+c*exper+d*expersq+u
怀疑模型教育（educ）具有内生性问题，利用父母接受教育的年数（fatheduc,motheduc）作educ的工具变量估计上述模型。 （1）利用2SLS估计模型
.ivregress 2sls lwage exper expersq (educ=fatheduc motheduc),first 第一阶段回归结果为：
educhat=9.1+0.19fatheduc+0.16motheduc+0.05exper (21.34) (5.62) (4.39) (1.12) - 0.001expersq (-0.84)
第二阶段的估计结果为：
lwagehat=0.05+0.06educ+0.04exper-0.001expersq (0.12) (1.95) (5.29) (-2.24) （2）检验educ的内生性
.quietly ivreg iwage exper expersq {educ=fatheduc motheduc} .est store IV_reg
.quietly regress lwage exper expersq educ .est store LS_reg
.hausman IV_reg LS_reg
可以得到hausman估计量=2.7，P值=0.44。接受原假设，即educ是外生的。 (3)进行过度识别的约束检验 .estat overid
可得Sargan统计量=0.38，P值=0.54接受原假设。 面板数据估计
首先对面板数据进行声明： 前面是截面单元，后面是时间标识： tsset company year tsset industry year
产生新的变量：gen newvar=human*lnrd 产生滞后变量Gen fiscal(2)=L2.fiscal 产生差分变量Gen fiscal(D)=D.fiscal
描述性统计：
xtdes ：对Panel Data截面个数、时间跨度的整体描述 Xtsum：分组内、组间和样本整体计算各个变量的基本统计量 xttab 采用列表的方式显示某个变量的分布
Stata中用于估计面板模型的主要命令：xtreg xtreg depvar [varlist] [if exp] , model_type [level(#) ] Model type 模型
be Between-effects estimator fe Fixed-effects estimator re GLS Random-effects estimator pa GEE population-averaged estimator
mle Maximum-likelihood Random-effects estimator 主要估计方法：
xtreg： Fixed-, between- and random-effects, and population-averaged linear models xtregar：Fixed- and random-effects linear models with an AR(1) disturbance xtpcse ：OLS or Prais-Winsten models with panel-corrected standard errors