陳強，分別于1992年與1995年獲得北京大學(xué)經(jīng)濟學(xué)學(xué)士與碩士學(xué)位，2007年獲美Northern Illinois University數(shù)學(xué)碩士與經(jīng)濟學(xué)博士學(xué)位，現(xiàn)任山東大學(xué)經(jīng)濟學(xué)院教授，泰岳經(jīng)濟研究中心副主任（主持工作）。

主要研究領(lǐng)域為發(fā)展經(jīng)濟學(xué)、計量經(jīng)濟學(xué)及經(jīng)濟史。

已獨立發(fā)表論文于Economica，Journal of Comparative Economics，《經(jīng)濟學(xué)(季刊)》、《世界經(jīng)濟》等國內(nèi)外期刊。

獨立編著的經(jīng)典教材《高級計量經(jīng)濟學(xué)及Stata應(yīng)用》第二版于2014年由高教出版社出版。

2010年入選教育部新世紀(jì)人才支持計劃。

A：首先，要學(xué)習(xí)空間計量的理論模型。其次，看相關(guān)Stata命令的help文件（目前已出現(xiàn)不少空間計量的非官方命令）。最后，選擇你要用的空間計量Stata命令，將其提供的案例操作一遍，然后再應(yīng)用到你的研究中。
Matlab也能做空間計量。Stata是涵蓋面最廣、最流行的計量軟件。Eviews擅長時間序列。R很流行，但其實是統(tǒng)計軟件（盡管也有很多計量的包）。還有一些更小眾的計量軟件，僅解決某些特定的問題，比如William Greene開發(fā)的LIMDEP與NLOGIT主要做微觀計量。

A：1、系統(tǒng)GMM的文章很多。比如，創(chuàng)始人的論文：
Blundell, R. and S. Bond, 1998. “Initial Conditions and Moment Restrictions in Dynamic Panel Data Models,” Journal of Econometrics, 87, 115-143.
在應(yīng)用方面，比如Acemoglu et al (2008) 使用差分GMM估計跨國面板數(shù)據(jù)，發(fā)現(xiàn)人均收入(per capita income)對民主(democracy)的作用不顯著。然而，Che et al (2013)使用系統(tǒng)GMM估計同樣的數(shù)據(jù)集，卻發(fā)現(xiàn)人均收入對民主有顯著的正作用。Che et al (2013)認(rèn)為差分GMM存在弱工具變量問題，而系統(tǒng)GMM比差分GMM更有效率。
Acemoglu, D., S. Johnson, and J. Robinson, and P. Yared, 2008. “Income and Democracy,”  American Economic Review, 98, 808-842.
Che, Y., Y. Lu, Z. Tao, and P. Wang, 2013, “The Impact of Income on Democracy Revisited,” Journal of Comparative Economics, 41， 159-169.
2、簡單地以x對y的因果作用作為實證論文的賣點可能已經(jīng)不稀奇了，故有些論文開始以交互項，比如xz，作為主要解釋變量。例如，一般認(rèn)為干旱會提高農(nóng)民起義的概率，而Jia (2014)則研究了美洲抗旱作物土豆的引入，使得此效應(yīng)得以緩解，其核心解釋變量就是 (旱災(zāi) x 土豆引種)，盡管此文未使用動態(tài)面板。
Jia, R. (2014). Weather Shocks, Sweet Potatoes and Peasant Revolts in Historical China, Economic Journal, 124, 92-118. 

A：通常是從定義與經(jīng)濟理論或常識出發(fā)，來確定前定、內(nèi)生與外生變量。比如，你可以先假定全部變量都是外生變量，然后考察哪些變量可能內(nèi)生，例如存在雙向因果關(guān)系、與遺漏變量相關(guān)等。

前定變量與當(dāng)期擾動項不相關(guān)，但可能與其他期擾動項相關(guān)。如果你不確定什么變量為前定，也可以不設(shè)。當(dāng)然，還可以做穩(wěn)健性檢驗，比較不同模型設(shè)定的估計結(jié)果。

A：ARFIMA （fractional integration）模型適用于平穩(wěn)的long memory process。已被提出三十多年了，但實踐中用得少，或許因為經(jīng)濟變量中的long memory process比較少見。

另外，ARFIMA可視為ARMA的推廣；因為long memory process也可以用簡單的ARMA模型來估計，只是不如ARFIMA更有效率。

事實上，單變量的ARMA模型也用得不多（除用于預(yù)測外），因為學(xué)術(shù)研究更關(guān)注x對y的因果作用之類的問題。

A：據(jù)我所知，一般不用動態(tài)面板來做Stochastic Frontier Analysis。這是因為，隨機前沿分析本質(zhì)上是用于分析投入與產(chǎn)出的關(guān)系（比如，估計生產(chǎn)函數(shù)或成本函數(shù)）。上期產(chǎn)量盡管可能與本期產(chǎn)量有統(tǒng)計上的相關(guān)性，但上期產(chǎn)量并非用來生產(chǎn)本期產(chǎn)量的投入，故一般不把上期產(chǎn)量放在回歸方程的右邊，因此不是動態(tài)面板。

A：傳統(tǒng)計量與空間計量的區(qū)別之一是研究目的不同。傳統(tǒng)計量也能處理空間自相關(guān)（比如，面板數(shù)據(jù)允許存在截面相關(guān)），但更多地將空間自相關(guān)作為一種nuisance，而試圖得到在存在截面相關(guān)情況下依然穩(wěn)健的估計量與檢驗方法。另一方面，當(dāng)空間計量方法應(yīng)用于urban, regional與geographic等領(lǐng)域時，空間自相關(guān)本身就是主要感興趣的參數(shù)。

傳統(tǒng)計量與空間計量的區(qū)別之二是在穩(wěn)健性與有效性之間的抉擇。傳統(tǒng)計量未假設(shè)空間權(quán)重矩陣（spatial weighting matrix），故更為穩(wěn)健。另一方面，空間計量設(shè)定了空間權(quán)重矩陣，如果此設(shè)定正確，則估計會更有效率；但如果空間權(quán)重矩陣設(shè)定錯誤，則可能更糟糕。

事實上，許多主流的計量經(jīng)濟學(xué)家目前仍不太認(rèn)可空間計量，主要原因就是空間權(quán)重矩陣的主觀性與隨意性，并非用樣本數(shù)據(jù)估計得到。這是空間計量目前的軟肋，也是前沿學(xué)者正在努力的方向。

A：你搜搜吧，但一般都不匯報。原因很簡單，Moran's I 指數(shù)為一個變量與其空間滯后（鄰居）之間的相關(guān)系數(shù)，在一定意義上相當(dāng)于線性相關(guān)系數(shù)；而在估計一般的面板模型時，通常并不匯報線性相關(guān)系數(shù)。

更一般地，絕大多數(shù)實證論文，都直接進行回歸分析，而不提供相關(guān)系數(shù)；因為相關(guān)系數(shù)所包含的信息太少。

A：如果你不放心，可以引入AR(2)項，如果不顯著，則可去掉；如果顯著，則保留AR(2)，進一步檢驗AR(3)是否顯著。

更正式的選擇滯后方法為由大到?。╣eneral to specific）的方法，即設(shè)一個可能的滯后階數(shù)，然后逐步檢驗最后一階滯后項的顯著性，如不顯著則去掉最后一項，直到最后一階滯后項顯著為止。

A：這取決于你有什么樣的數(shù)據(jù)。是面板數(shù)據(jù)，這樣比較有說服力。其次，要注意克服內(nèi)生性，因為顯然存在雙向因果關(guān)系。建議你先看看文獻中是如何建模及使用何種計量方法，然后再考慮你可能的創(chuàng)新是什么。

A：有關(guān)“控制同時影響公司治理和投資的潛在因素”，建議你參考有關(guān)公司治理的相關(guān)文獻。
用Stata實現(xiàn)公司層面的固定效應(yīng)模型，最常見是雙向固定效應(yīng)模型。比如對于年度面板，可使用如下Stata命令：
xtreg y x1 x2 x3 i.year,fe r
其中，i.year為年度虛擬變量（時間固定效應(yīng)），選擇項fe表示個體（公司）固定效應(yīng)，選擇項r表示聚類穩(wěn)健標(biāo)準(zhǔn)誤。
當(dāng)然，取決于你的研究問題，也可以考慮使用動態(tài)面板模型或非線性面板。
更詳細(xì)介紹，參見我的教材《高級計量經(jīng)濟學(xué)及Stata應(yīng)用》，高教社，第二版，2014年，第15-17章。

那么多問題還沒看夠？

沒關(guān)系，你們的男神要開課啦！

陳強老師Stata高級計量獨家暑期六天親授特訓(xùn)：https://mp.weixin.qq.com/s/_j4ib6ZwOZpwIbvavuxn3A