面板数据随机效应模型下，可行的广义最小二乘法FGLS估计

以下的操作都是先基于huasman检验，H检验的p值大于0.05 选择随机效应模型，运用FGLS估计法。若p值小于0.05 选择固定效应模型，运用LSDV估计法。

面板模型估计FGLS

1、导入数据，对面板数据进行Hausman检验
这部分内容具体可参考本人的另一篇文章，就不在多做描述https://blog.csdn.net/zzzxmfj/article/details/88976277
2、面板数据广义最小二乘法FGLS估计
基于我所使用的面板数据得到的p值为0.2148 大于0.05 将进行FGLS估计

可行广义最小二乘法FGLS

xtgls F ROE CI FI i.code1, panels(cor) corr(ar1) igls iterate(100) toleranece(le-3)

以上 F 是面板数据中被解释变量，ROE CI FI 都是面板数据中的解释变量
i.code1 因为是pool回归 必须加i 表示个体固定效应
panels 有三个参数选项panels(het) het表示只有异方差 panels(cor) cor 表示截面相关以及异方差 penels(iid) iid表示独立同分布
corr 有两个参数选项 corr(ar1) corr(psar1) 表示组内自相关 ar1 表示一阶自回归系数相同、 psar1 表示一阶自回归系数不相同
igls 表示迭代方法 igls iterate(100) 表示迭代100次 toleranece(le-3) 表示精度为十的负三次方

下面考虑 个体固定效应 异方差 截面相关以及一阶自回归 且一阶自回归系数相同 迭代次数100次的 FGLS估计

xtgls F ROE CI FI i.code1, panels(cor) corr(ar1) igls iterate(100)
estimates store FGLSAR1

修正的面板数据 使用xtpcse
xtpcse F ROE CI FI i.code1, corr(ar1)
estimates store AR1

可以对比结果

estimates table FGLSAR1 AR1， b se