简介这是一份围绕Hansen2000面板门槛模型的PDF讲义面向经济学、金融学等领域需要处理面板数据的研究生、科研人员和Stata使用者重点解决模型原理理解难、软件操作上手难的问题。内容先系统回顾门槛模型的理论基础包括模型设定、识别条件、假设检验框架继而讲解参数估计方法覆盖最大似然估计、GMM估计与Bootstrap模拟并说明门槛效应显著性检验及门槛值置信区间的构造逻辑。在此基础上结合Stata软件展示从数据准备、命令调用如xtptm到结果输出的完整实操流程并对回归系数、门槛值、检验统计量等输出内容做逐项解读便于读者对照自己的数据迁移应用。全包共1个PDF文件大小约282KB篇幅精简但结构完整适合放在手边随用随查。目前已有1002人学习/下载对希望快速掌握面板门槛模型并进行实证分析的研究人员很有帮助。1. 门槛效应与 Hansen(2000) 模型线性面板回归不够用时的另一种选择当面板数据中的解释变量对因变量的影响并不是一条直线而是随着某个门限变量跨过断点后发生跳跃常规的固定效应回归会产生系统性误设。Hansen(2000) 提出的面板门槛模型允许样本按未知门槛值自动分成两个区制且门槛值由数据内生决定而不是研究者预先设定断点。过去二十年这类模型在经济增长、外商直接投资、金融发展等领域被大量使用Stata 中主要通过xtptm命令估计。这篇讲义围绕“理论推导—估计原理—Stata 操作—输出解读”展开适合已经会跑固定效应回归、但想进一步处理非线性结构的研究者。2. 从最小二乘到网格搜索Hansen(2000) 的门槛值识别逻辑2.1 模型设定门槛变量、区制变量与个体效应考虑标准单门槛面板模型[ y_{it} \mu_i \beta_1 x_{it} \cdot I(q_{it} \leq \gamma) \beta_2 x_{it} \cdot I(q_{it} \gamma) e_{it} ]其中i表示个体t表示时间x_{it}是允许存在门槛效应的解释变量向量q_{it}是门槛变量γ是未知门槛值I(·)为指示函数μ_i为个体固定效应。这个写法的关键是当q_{it}低于或等于γ时解释变量的回归系数是β1超过γ后系数跳变为β2。实际应用时需要区分三个角色。被解释变量y可以是任意连续变量门槛变量q可以是解释变量中的一个也可以是外生变量一般建议至少具有较大变异真正需要研究门槛效应的变量放入区制变量集合x。以讲义里的例子来说对外直接投资ofdi是区制变量GDP 是门槛变量同时又作为普通控制变量进入线性部分。这样设置的好处是GDP 本身对因变量的线性影响在区制内保持不变只有 OFDI 的斜率随 GDP 分位发生突变。门槛模型并不要求区制变量与控制变量完全分开但要求门槛变量最好不是虚拟变量或几乎不随时间变化的变量否则候选门槛值过少网格搜索会失去意义。2.2 固定 γ 的组内回归门槛值为什么可以被“当作已知”再搜索如果γ已知模型关于β1和β2是线性的。此时只需要构造两个交互项gen dum (q gamma) gen x_dum0 x * (1 - dum) gen x_dum1 x * dum xtreg y x_dum0 x_dum1, fe由于个体效应μ_i存在运行前会做组内去均值变换对每个个体的时间维度求均值再用原值减均值从而消掉μ_i。这就是为什么xtptm的输出里会出现Fixed-effects (within) regression而不是普通 OLS 的表头。问题在于γ未知且目标函数是S(γ)它关于γ是一个阶梯函数。如果直接对γ做微积分求导结果不存在如果使用普通非线性优化又很容易陷入局部极小。Hansen 的做法是把q_{it}的所有观测值排序去掉过小和过大的候选值然后逐个尝试剩余观测值作为门槛值。对每个候选γ执行一次组内回归得到残差平方和[ \hat{\gamma} \arg\min_{\gamma \in \Gamma} S_1(\gamma) ]其中Γ是候选门槛值集合。由于样本量有限γ的估计只能落在门槛变量观测值附近的集合上这个集合可以很密也可以由grid()控制压缩。需要留意门槛值是对原始门槛变量的水平值估计不要在门槛变量上做组内去均值否则门槛值会失去原始刻度难以解释。2.3 网格搜索与多重门槛的序贯思路单门槛网格搜索的计算量取决于候选点个数。每个候选门槛值都做一次 within 回归候选点从几百到几千不等xtptm的iter()和grid()参数可以控制搜索密度与迭代上限。实际使用中我一般先用grid(100)快速试跑找到大致区间后再用grid(300)做精化。多重门槛模型使用序贯估计逻辑第一步搜索第一个门槛γ1第二步固定γ1把样本按q_{it} γ1分组后继续搜索第二个门槛γ2第三步再回到第一步重新精化γ1。因此双门槛结果里的第一个门槛值通常不会和单门槛结果完全相等这一点在看输出时不要误判。下表总结了单门槛模型各要素的对应处理方式模型要素处理方式对应 Stata 设置门槛变量q未知断点排序后网格搜索thrvar(gdp)存在门槛效应的变量x与区制交互rx(ofdi)公共控制变量各区制内保持同一斜率写在因变量后如fdi gdp个体效应μ_i组内去均值消除命令内部实现不单独输出3. 门槛效应检验与 Bootstrap为什么不能用普通的 F 检验3.1 原假设下的不可识别问题门槛模型最重要的检验是是否存在门槛效应。设原假设为[ H_0: \beta_1 \beta_2 ]在这个原假设下模型退化为线性固定效应模型而门槛值γ完全消失属于“不可识别参数”。若研究者手动遍历不同γ并选择最大的 F 统计量则存在严重的搜索偏差因为临界值会被人为抬高。Hansen(1996) 的做法是构造关于γ的上确界型 LM 统计量[ F_n \sup_{\gamma \in \Gamma} , n \frac{S_0 - S_n(\gamma)}{S_n(\gamma)} ]这里S_0是线性固定效应模型的残差平方和S_n(γ)是给定门槛值时门槛模型的残差平方和。由于统计量的渐近分布是非标准、非相似的临界值不能查普通 F 表只能依靠 Bootstrap 逼近。3.2 Bootstrap p 值的构造逻辑常见 bootstrap 步骤如下先估计线性固定效应模型得到受限残差ê_it和受限模型参数β̂。保留原始解释变量x_it和门槛变量q_it不变从正态分布N(0, σ̂_e²)中抽取新的扰动项e*_it。用β̂和抽样误差重构被解释变量y*_it。对 bootstrap 样本再次估计门槛模型计算一次F_n^*。重复B次得到经验分布最后计算 p 值[ p \frac{1}{B} \sum_{b1}^B I(F_n^* \geq F_n) ]讲义输出中Number of bootstrap: 300就是这个B。实际操作中 300 次已经能稳定判断 5% 和 1% 显著性但审稿阶段建议提高到 1000 次并固定随机种子。如果het(1)开启稳健标准误bootstrap 抽样过程会相应调整普通标准误和稳健标准误的结果往往有明显差别最终应以稳健结果为准。3.3 门槛值置信区间LR 统计量与临界值 7.35确认存在门槛效应后还需要估计门槛值的置信区间。Hansen(2000) 使用似然比统计量[ LR_n(\gamma) n \frac{S_n(\gamma) - S_n(\hat{\gamma})}{S_n(\hat{\gamma})} ]在γ γ₀的零假设下LR_n(γ)的渐近分布有封闭形式的累积函数。95% 置信区间的临界值为[ c(\alpha) -2 \ln \left( 1 - \sqrt{1 - \alpha} \right) ]代入α 0.05得到约7.35。因此如果某个候选门槛值对应的LR_n(γ)小于 7.35该点就落在 95% 置信区间内。这个 7.35 是门槛值置信区间的判断标准不是是否存在门槛效应的标准二者不要混用。下表总结了三种检验的适用对象检验对象统计量推断方式是否存在门槛效应F_nBootstrap p 值与 90/95/99% 临界值比较门槛值是否等于给定γ0LR_n(γ0)与c(α)7.35比较门槛值置信区间遍历 LR 曲线曲线低于 7.35 的区域4. Stata 实操xtptm 估计单门槛模型的完整流程与输出解读4.1 安装、面板设定与依赖处理Hansen(2000) 的门槛命令不是 Stata 官方命令。讲义使用的是早期版本的xtptm它由ptm.ado和底层 C 语言插件构成安装时要把文件放到个人 ado 目录。当前更常见的做法是ssc install moremata ssc install xtptm如果安装包是离线分发就把ptm.ado等文件复制到个人目录例如~/ado/plus/x然后执行adopath ~/ado/plus再用which xtptm验证命令可见。xtptm依赖moremata提供矩阵运算函数所以moremata必须先于xtptm安装否则运行时会报函数找不到的错误。正式估计前先设定面板结构use ofdi_panel.dta, clear xtset id year不要跳过xtset。xtptm会调用固定效应估计的内部程序如果没有面板声明命令会直接报错。我还会检查一下id和year是否为数值型字符串变量做面板 ID 时排序结果经常不符合预期。4.2 单门槛模型的标准命令与参数含义按照讲义中的例子单门槛模型命令如下xtptm di fdi gdp fe, rx(ofdi) thrvar(gdp) /// iters(300) grid(200) regime(1) het(1) desc(1)这里fe在旧版xtptm中是固定效应指示项如果用的是新版本可能需要改成选项fe或直接省略建议先help xtptm确认当前版本语法。几个关键参数的含义如下参数作用di fdi gdp因变量与公共控制变量gdp同时可作门槛变量rx(ofdi)真正存在门槛效应的解释变量集合thrvar(gdp)指定门槛变量iters(300)Bootstrap 次数300 次是常用起点grid(200)门槛搜索网格数越大越慢但结果更稳定regime(1)1 表示单门槛2 或 3 表示双门槛、三门槛het(1)使用稳健标准误desc(1)输出各门槛区制的描述性统计参数iters()与 bootstrap 次数对应不是 OLS 迭代次数。grid()则是候选门槛值的分位数压缩实际运行中我建议先用grid(100)初筛再用grid(300)精化避免一开始就卡在漫长的搜索中。若rx()里有多个变量命令会为每个变量都构造区制交互项模型形式变为每个解释变量都有两套系数这时候解释门槛效应时要分变量逐个说明。4.3 核心输出门槛值、F 检验与置信区间运行完成后首先看到的是门槛估计与门槛效应检验Threshold estimator (Robust Std. Error): Gamma 1308.26 95% conf. intv. of threshold: 1083.07 1459.24 Ho: No threshold; Ha: Single threshold Number of bootstrap: 300 F-stat Prob: 19.9791 0.0000 F-critical value of 90% 95% 99%: 2.8067 3.8608 6.6919Gamma就是门槛值γ̂GDP 低于 1308.26 的样本为低区制高于 1308.26 的样本为高区制。F 统计量 19.98 对应的 Bootstrap p 值为 0.000说明在 1% 水平上拒绝“无门槛”的原假设。下面三行临界值不是正态分布查表结果而是 300 次 bootstrap 得到的经验分布百分位。注意 90% 临界值小于 95% 临界值小于 99% 临界值这是显著性水平的正常单调关系。随后是各区制回归系数简化后如下Coef. Std_Robust t P|t| ofdi_Dum1 -0.00428 0.00082 -5.22 0.000 ofdi_Dum0 -0.00066 0.00052 -1.27 0.203 fe 9.4269 3.2341 2.91 0.004 gdp 3.5667 0.3911 9.12 0.000ofdi_Dum0与ofdi_Dum1分别是 OFDI 在低区制和高区制的交互项系数。Dum0 对应q ≤ γDum1 对应q γ。如果输出中只保留了一个 Dum 变量说明命令默认把另一区制作为基准组解读时需要来回换算。该结果的经济含义是GDP 未过门槛时 OFDI 不显著GDP 过门槛后 OFDI 系数为负且高度显著说明 OFDI 的抑制作用只在高 GDP 区制出现。4.4 固定效应汇总与 R² 的读法输出最后还有一段类似固定效应回归的汇总R-sq: within 0.9664 between 0.9444 overall 0.9450 F test that all u_i0: F(24, 95) 23.99, Prob F 0.0000 rho 0.8854门槛模型是固定效应模型的推广所以within R²才是真正反映组内解释力的指标报告时优先使用within 0.9664。between和overall不是不好但它们混合了个体间变异与门槛区制的解释逻辑不完全对应。rho是指个体效应在复合误差中的占比rho 越接近 1说明个体异质性越强使用门槛模型前必须控制个体效应。这个 F 检验只有原假设“所有个体效应均为 0”与门槛效应检验的 F 统计量是两回事报告中要分开写。5. 门槛模型落地LR 图、多重门槛与常见误区5.1 用 LR 图验证门槛值置信区间xtptm不会自动画出 LR 曲线但会把门槛候选值和对应 LR 统计量保存在矩阵中。常见做法是_matplot LR, columns(1 2) yline(7.35) /// name(lr, replace) graphregion(color(white)) graph export lr_plot.pdf, replace这段命令中columns(1 2)表示第一列是门槛候选值第二列是 LR 值。yline(7.35)会把 95% 临界值画成一条水平参考线LR 曲线低于这条参考线的横轴范围就是门槛值的 95% 置信区间。如果画出的曲线下沿只在一个很窄的区域低于 7.35说明门槛值识别得很精确如果整个区间横跨大半边门槛值识别力就很弱即使 Bootstrap 检验显著也要谨慎下结论。注意_matplot是独立扩展包提供的绘图命令。如果运行报错先安装matplot再重新跑_matplot LR, columns(1 2)。画图之前不要关掉上一轮估计的内存结果。5.2 双门槛与三门槛的序贯估计要估计双门槛模型只需把regime(1)改成regime(2)xtptm di fdi gdp fe, rx(ofdi) thrvar(gdp) /// iters(300) grid(200) regime(2) het(1) desc(1)命令会先搜索第一个门槛固定后搜索第二个门槛再重新精化第一个门槛。输出中的Thresholds in double model会给出两个门槛值但不要直接拿第一个门槛和单门槛结果比较因为它们不是同一次迭代下的估计量。正确做法是先确认单门槛显著再跑双门槛最后用信息准则、区制样本量以及置信区间是否重叠来判断双门槛是否真的比单门槛更好。如果两个门槛的置信区间高度重叠或者某个区制样本量只有几十个观测多重门槛结果很难被解释。此时宁可回到单门槛模型。门槛模型的复杂度应当由数据支持而不是用regime(3)强行分出更多区制。5.3 必须写入稳健性检查的几个细节检查项原则het(1)vs 普通标准误存在异方差时以稳健标准误为准更换grid()数量门槛值不应发生大幅漂移更换 Bootstrap 次数p 值不应从显著跳到不显著固定随机种子set seed 13579后再跑保证可复现剔除极端个体去掉前后 1% 样本后结论方向应一致set seed这一步经常被忽略。Bootstrap 依赖随机抽样不设种子时每次运行得到的 p 值会有微小差异如果差异大到影响显著性结论说明抽样次数不够或样本数据太脆弱。设定固定种子后结果可复现期刊审稿和后续修改都会方便很多。本文还有配套的精品资源点击获取