ADF单位根检验
stata中adf检验命令
stata中adf检验命令ADF检验是对时间序列数据进行单位根检验的一种方法，它的全称是Augmented Dickey-Fuller Test。
在stata中，使用adf命令可以对数据进行ADF检验。
ADF检验是判断一个时间序列数据是否稳定的方法，具体来说是判断序列是否存在单位根。
如果数据存在单位根，说明该序列是非平稳的，需要进行差分或其他处理方法，以获得平稳序列。
在stata中，使用adf命令进行ADF检验需要指定数据变量，并且可以指定滞后期数和趋势项。
例如，以下命令对变量y进行ADF检验，指定滞后期数为2，不考虑趋势项：adf y, lags(2) trend(none)其中lags(2)表示使用2个滞后期，trend(none)表示不考虑趋势项。
在ADF检验的结果中，主要关注的是p值和检验统计量。
p值表示拒绝原假设的概率，如果p值小于显著性水平（通常为0.05），则拒绝原假设，认为序列不存在单位根，即是平稳序列。
检验统计量的值越小，说明序列越稳定。
需要注意的是，ADF检验的结果可能受到样本量和滞后期数的影响。
如果样本量不足或者滞后期数选择不当，可能会导致检验结果不准确。
因此，在进行ADF检验时需要谨慎选择滞后期数和样本量。
除了使用adf命令进行ADF检验，stata还提供了其他命令用于时间序列数据分析，例如tsset命令用于将数据变量设置为时间序列，arima命令用于进行时间序列建模和预测等。
ADF检验是一种常用的时间序列分析方法，可以判断序列是否稳定，而stata中的adf命令可以方便地进行ADF检验。
在使用该命令时需要注意滞后期数和样本量的选择，以获得准确的检验结果。
adf检验名词解释
ADF检验名词解释1. 什么是ADF检验？ADF（Augmented Dickey-Fuller）检验是一种用于时间序列数据的单位根检验方法。
单位根是指时间序列数据中存在非随机趋势，即数据具有持续性的特征。
ADF检验可以帮助我们判断一个时间序列数据是否具有单位根，从而确定其是否为稳定的平稳过程。
2. 单位根和平稳过程单位根是时间序列数据中的非随机趋势，它表示数据存在长期依赖关系，即过去的值对未来值有预测能力。
相反，平稳过程是指时间序列数据的统计特性在时间上保持不变，不受外部因素影响。
在经济学和金融学中，平稳过程是进行预测和建模的基础。
如果一个时间序列数据包含单位根，则其统计性质会发生变化，使得预测和建模变得困难。
3. ADF检验的原理ADF检验基于Dickey-Fuller回归模型，在该模型中，被解释变量是时间序列数据的差分值（将原始数据进行一阶差分），解释变量包括差分值、滞后差分值以及其他可能影响时间序列数据的因素。
ADF检验的原假设（H0）是存在单位根，即时间序列数据是非平稳的。
备择假设（H1）是不存在单位根，即时间序列数据是平稳的。
通过对回归模型进行估计和假设检验，我们可以判断原假设是否成立，并得出结论。
4. ADF检验的步骤步骤1：提取差分值首先，我们需要对原始时间序列数据进行差分操作，获得一阶差分值。
这样做可以消除数据中的线性趋势。
步骤2：构建ADF回归模型在ADF检验中，我们使用自回归模型（AR）来对差分后的数据进行建模。
这个模型包括一个滞后项和其他可能影响时间序列数据的因素。
步骤3：估计ADF模型参数通过最小二乘法估计ADF模型中的参数，并计算出参数的标准误差。
这些参数和标准误差将用于后续的统计推断。
步骤4：进行假设检验在ADF检验中，我们需要对回归系数进行假设检验。
常见的方法是计算t统计量，并与相应的临界值进行比较。
如果t统计量大于临界值，则可以拒绝原假设，认为时间序列数据是平稳的。
ADF单位根检验
1.ADF单位根检验2.Engle-Granger协整检验3.Da-vdson误差修正模型4.Granger因果关系检验1、简单回归；2、工具变量回归；3、面板固定效应回归；4、差分再差分回归(difference in differnece)；5、狂忒二回归(Quantile)。
大杀器就这几种，破绽最少，公认度最高，使用最广泛。
真是所谓的老少皆宜、童叟无欺。
其他的方法都不会更好，只会招致更多的破绽。
你在STATA里面还可以看到无数的其他方法，例如GMM、随机效应等。
GMM其实是一个没有用的忽悠，例如估计动态面板的diffGMM，其关键思想是当你找不到工具变量时，用滞后项来做工具变量。
结果你会发现令人崩溃的情况：不同滞后变量的阶数，严重影响你的结果，更令人崩溃的是，一些判断估计结果优劣的指标会失灵。
这GMM的唯一价值在于理论价值，而不在于实践价值。
你如果要玩计量，你就可以在GMM的基础上进行修改（玩计量的方法后面讲）。
有人会问：简单回归会不会太简单？我只能说你真逗。
STATA里面那么多选项，你加就是了。
什么异方差、什么序列相关，一大堆尽管加。
如果你实在无法确定是否有异方差和序列相关，那就把选项都加上。
反正如果没有异方差，结果是一样的。
有异方差，软件就自动给你纠正了。
这不很爽嘛。
如果样本太少，你还能加一个选项：bootstrap来估计方差。
你看爽不爽！bootstrap就是自己把脚抬起来扛在肩上走路，就这么牛。
这个bootstrap就是用30个样本能做到30万样本那样的效果。
有吸引力吧。
你说这个简单回归简单还是不简单！很简单，就是加选项。
可是，要理论推导，就不简单了。
我估计国内能推导的没几个人。
那些一流期刊上论文作者，最多只有5%的人能推导，而且大部分是海龟。
所以，你不需要会推导，也能把计量做的天花乱坠。
工具变量(IV)回归，这不用说了，有内生性变量，就用这个吧。
一旦有内生性变量，你的估计就有问题了。
单位根检验的方法
单位根检验的方法主要有以下几种：
1. ADF检验：即Augmented Dickey-Fuller检验，是对Dickey-Fuller检验的扩展，可以处理含有高阶滞后项的时间序列数据。
它通过在回归模型中加入差分滞后项来控制序列相关的干扰。
2. PP检验：即Phillips-Perron检验，与ADF检验类似，但使用非参数方法来修正序列相关的问题，对小样本性质有一定的改进。
3. KPSS检验：即Kwiatkowski-Phillips-Schmidt-Shin检验，是一种基于平稳序列的检验方法，原假设是序列是平稳的，而备择假设是序列存在单位根。
4. ERS检验：即Elliott-Rothenberg-Stock检验，是一种基于误差修正模型的单位根检验方法，适用于存在长期均衡关系的非平稳时间序列。
5. NP检验：即Nelson-Plosser检验，是一种专门用于检验宏观经济时间序列是否存在单位根的方法。
6. DF-GLS检验：即Dickey-Fuller Generalized Least Squares检验，是一种改进的Dickey-Fuller检验，使用广义最小二乘法来估计模型参数，以提高检验的功效。
7. 霍尔斯检验：即Hall测试，也是一种单位根检验方法，主要用于检测分数整合的存在。
8. 其他检验：还有一些其他的单位根检验方法，如Fisher类型的检验、Maddala-Wu检验等，它们在不同的情况下有各自的适用性和优势。
adf检验通俗解释
adf检验通俗解释
ADF检验，即单位根检验（Augmented Dickey-Fuller Test），是一种经济学时间序列分析中常用的统计方法。
它用来判断一个时间序列数据是否存在单位根，即是否存在趋势。
通俗地说，单位根检验用来判断时间序列数据的变化趋势是否随机性的，或者说是否存在长期趋势。
如果数据存在长期趋势，就不能用简单的方法进行分析和预测，因为数据变化是有规律的。
而单位根检验可以帮助我们识别数据是否存在长期趋势，从而选择合适的模型来进行进一步分析。
ADF检验的思路是将时间序列数据拆分成趋势项、季节项、残差项等不同部分，然后分别对这些部分进行统计检验。
如果残差项（即剔除了趋势项和季节项后的数据）不存在单位根，那么我们可以认为原始数据也不存在单位根，即没有长期趋势。
通过ADF检验，我们可以得到一个统计量，根据这个统计量的显著性水平，来判断时间序列是否存在单位根。
如果统计量的值小于某个阈值，即p值小于显著性水平，那么我们可以拒绝存在单位根的假设，认为数据不存在长期趋势。
总之，ADF检验是一种用来判断时间序列数据是否存在长期趋势的方法，通过检验序列的残差项是否存在单位根，来判断原始数据是否存在单位根。
ADF检验——精选推荐
ADF检验摘⾃：⼀、简介在ARMA/ARIMA这样的⾃回归模型中，模型对时间序列数据的平稳是有要求的，因此，需要对数据或者数据的n阶差分进⾏平稳检验，⽽⼀种常见的⽅法就是ADF检验，即单位根检验⼆、平稳随机过程在数学中，平稳随机过程（Stationary random process）或者严平稳随机过程，⼜称狭义平稳过程，是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程：即随机过程的统计特性不随时间的推移⽽变化。
这样，数学期望和⽅差这些参数也不随时间和位置变化平稳在理论上⼜严平稳和宽平稳两种，在实际应⽤上宽平稳使⽤较多。
宽平稳的数学定义为：给定⼆阶矩过程（⼆阶矩存在）X（t），t属于T，如果X(t)，的均值函数u(t)是常数，相关函数R(t1,t2)=f(t2-t1)即相关函数只与时间间隔相关，则称为宽平稳过程。
严平稳定义：给定随机过程X(t)，t属于T，其有限纬分布组为F(x1, x2,.... xn, t1, t2,...., tn), t1,t2,....tn属于T，对任意n任意的t1, t2, ...., tn属于T，任意满⾜t1+h, t2+h, .... tn+h，称此过程严平稳。
简单点说严平稳是⼀种条件⽐较苛刻的平稳性定义，它认为只有当序列所有的统计性质都不会随着时间的推移⽽发⽣变化时，该序列才能被认为平稳。
⼀般关系严平稳条件⽐宽平稳条件苛刻，通常情况下，低阶矩存在的严平稳成⽴，⽽宽平稳序列不能反推严平稳成⽴。
三、单位根检验单位根检验是指检验序列中是否存在单位根，因为存在单位根就是⾮平稳时间序列了。
单位根就是指单位根过程，可以证明，序列中存在单位根过程就不平稳。
迪基-福勒检验(Dickey-Fuller test)和扩展迪基-福勒检验可以测试⼀个⾃回归模型是否存在单位根。
adf单位根检验法
adf单位根检验法
ADF (Augmented Dickey-Fuller) 单位根检验法是一种常用的时间序列分析方法，用于检验时间序列数据是否具有单位根（非平稳性）。
单位根表示数据具有随机漂移或趋势，而非平稳性的数据在进行统计分析时可能会导致误导性的结果。
ADF 单位根检验法基于 Dickey-Fuller 测试统计量，该测试统计量的原假设为时间序列存在单位根。
如果原假设不能被拒绝，则说明时间序列是非平稳的；反之，如果原假设被拒绝，则说明时间序列是平稳的。
ADF 单位根检验法的步骤如下：
1. 建立原假设（H0）：时间序列具有单位根，即非平稳。
2. 构建回归模型：将时间序列作为因变量，加入滞后项和可能的趋势项作为自变量。
3. 估计回归模型：利用最小二乘法估计回归模型的参数。
4. 计算测试统计量：根据估计的回归模型，计算 ADF 测试统计量。
5. 判断显著性：与临界值比较 ADF 测试统计量，若大于临界值，则拒绝原假设，认为时间序列是平稳的；否则，接受原假设，认为时间序列是非平稳的。
通过ADF 单位根检验法可以判断时间序列数据是否平稳，进而决定是否需要进行差分或其他预处理方法来使数据平稳化。
在经济学、金融学等领域，ADF 单位根检验法被广泛应用于时间序列数据的建模
和分析中。
adf单位根检验法
adf单位根检验法ADF单位根检验法（Augmented Dickey-Fuller test）是一种经济学和计量经济学领域常用的统计检验方法，用于判断一个时间序列数据是否具有单位根（unit root）。
单位根存在指示时间序列数据具有非平稳性，即呈现随机漫步（random walk）的性质，不具备长期平稳的趋势。
本文将详细介绍ADF检验的理论基础、检验过程和应用场景，并对其进行更加深入的探讨。
首先，我们来看看ADF检验的理论基础。
ADF检验是以经济学家Dickey和Fuller的名字命名的，旨在解决单位根存在导致回归分析中的问题。
单位根存在意味着时间序列数据具有非平稳性的特征，该非平稳性可能使得回归模型中的OLS（Ordinary Least Squares）估计出现偏误，导致虚假回归（spurious regression）的问题。
为了解决这个问题，Dickey和Fuller提出了ADF检验方法，通过在回归方程中引入差分变量来检验单位根的存在。
从统计学的角度来看，ADF检验是对一个自回归模型（Autoregressive model）的残差序列进行检验，并基于t统计量来判断序列是否具有单位根。
ADF检验的原假设（null hypothesis）是序列具有单位根，即存在非平稳性；备择假设（alternative hypothesis）是序列具有平稳性。
检验统计量的定义如下：ADF检验统计量：t = (β1 - 1) / SE(β1)其中，β1是线性回归方程中单位根存在与否的系数估计值，SE(β1)是其标准误。
根据统计学理论，如果序列具有单位根，则t统计量其实应该服从一个标准正态分布。
因此，我们可以利用标准正态分布的临界值来判断t统计量的显著性，从而对原假设的成立与否进行判断。
接下来，我们来看看ADF检验的实际操作过程。
ADF检验的步骤如下：1.提取时间序列数据。
首先，我们需要选择一个时间序列数据来进行检验。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1.ADF单位根检验2.Engle-Granger协整检验3.Da-vdson误差修正模型4.Granger因果关系检验1、简单回归；2、工具变量回归；3、面板固定效应回归；4、差分再差分回归(difference in differnece)；5、狂忒二回归(Quantile)。
大杀器就这几种，破绽最少，公认度最高，使用最广泛。
真是所谓的老少皆宜、童叟无欺。
其他的方法都不会更好，只会招致更多的破绽。
你在STATA里面还可以看到无数的其他方法，例如GMM、随机效应等。
GMM其实是一个没有用的忽悠，例如估计动态面板的diffGMM，其关键思想是当你找不到工具变量时，用滞后项来做工具变量。
结果你会发现令人崩溃的情况：不同滞后变量的阶数，严重影响你的结果，更令人崩溃的是，一些判断估计结果优劣的指标会失灵。
这GMM的唯一价值在于理论价值，而不在于实践价值。
你如果要玩计量，你就可以在GMM的基础上进行修改（玩计量的方法后面讲）。
有人会问：简单回归会不会太简单？我只能说你真逗。
STATA里面那么多选项，你加就是了。
什么异方差、什么序列相关，一大堆尽管加。
如果你实在无法确定是否有异方差和序列相关，那就把选项都加上。
反正如果没有异方差，结果是一样的。
有异方差，软件就自动给你纠正了。
这不很爽嘛。
如果样本太少，你还能加一个选项：bootstrap来估计方差。
你看爽不爽！bootstrap就是自己把脚抬起来扛在肩上走路，就这么牛。
这个bootstrap就是用30个样本能做到30万样本那样的效果。
有吸引力吧。
你说这个简单回归简单还是不简单！很简单，就是加选项。
可是，要理论推导，就不简单了。
我估计国内能推导的没几个人。
那些一流期刊上论文作者，最多只有5%的人能推导，而且大部分是海龟。
所以，你不需要会推导，也能把计量做的天花乱坠。
工具变量(IV)回归，这不用说了，有内生性变量，就用这个吧。
一旦有内生性变量，你的估计就有问题了。
国际审稿人会拼了老命整死你。
国内审稿人大部分不懂这东西（除了经济研究季刊等等这类刊物的部分审稿人以外）。
工具变量的选择只要掌握一个关键点就行：找一个和内生性变量有数据相关的，但是和残差没有关系的东西，这就是你的IV了。
例如贸易量如果是内生的，那么你找地理距离作为IV。
北京到纽约的距离，那是自然形成的，没人认为是由你的Y或者残差导致的。
但是你会发现贸易量和地理距离在数据上具有相关性。
这就很好。
这种数据相关性越强，IV的效果就越好。
就这么一段话，IV变量回归就讲完了。
在STATA里面，你直接把原回归方程写出来，然后把IV填进去就可以了，回车就得到你的结果。
关键是你不一定能找到这样的工具变量。
你能找到，这个工具也不大能用。
不过要注意，IV不灵不代表你不能发表。
你只要找到一个IV，效果不是差的太离谱，一般都能发。
当然不能发国际一流了。
国内是没问题。
国内审稿人没人会重复你的结果看看是否有问题，因此你说这个IV效果已经是最好的了，世界上还找不到第二个比这个更好的了，审稿人也没的话说。
就发表呗！如果审稿人说，另外一个IV效果可能要比你的好。
那你就采纳他的建议用他的IV（尽管他的建议会更差），然后感谢他一下。
第二次审稿，难道他还会说自己上次是胡说八道所以就发表了，哈哈哈哈！有人又会问：面板不是还有个随机效应嘛？我只能说，你是看过书的人，所以才知道随机效应。
其实随机效应压根就没什么用处。
有人信誓旦旦说可以用hausman来检验。
我只能告诉你，这检验压根就不可靠。
可靠也是理论上可靠，实践上根本没人信。
当然中国人都信，不信的都是美国欧洲这样的计量经济学家。
你难道不知道hausman还会出现负值！做过这个检验的人都很头疼这个负值，不知道该怎么做。
你如果看看一些高手的建议，或者一些书籍，你就会发现，最权威的建议就是：当你无法判断该用固定效应还是随机效应的时候，选择固定效应更可靠。
随机效应不是任何时候都可以做，但是固定效应是任何时候都可以做。
所以你知道该怎么做了吧。
差分再差分(Difference-in-Differences)，或者叫作差差分法、双差分法，是固定效应的一个变种，在估计某个事件发生带来的效应时最有用的方法，特简单。
关键思想是通过差分的方法把相同的固定效应差分掉，就剩下来事件的净效应了。
举一个例子你就明白怎么回事了。
大家都知道买房子靠不靠学校医院等设施还是有很大差别的。
ZF为了拉动某个地方的房价，直接把地铁建到那里。
但是你不知道这种设施到底导致价格有多少差别。
你看到学校旁边的学区房价格上升，难道一定是学区房因素导致的吗？北京房价一直飙升，很可能是学区房以外的因素导致的。
现在你要检验一个假设：学区房因素导致房价上升。
差分再差分，这个方法要凑效的秘诀是：学区房因素发生变化，而其他因素基本维持不变。
例如ZF重新划分学区，一个著名小学突然在某个没学校的地方建分校，或者一个著名小学搬迁，这些因素导致房子是否属于学区房发生了变化。
以建分校为例。
建校后周围一片区域A的房子都属于学区房，这个区域以外附近区域(B)的其他房子就不算该校学区房。
然后收集建校前后两个时间点上、A和B区域房价的数据。
所谓的差分再差分法，就是：A区域两个时间点上的平均房价差距 - B区域两时间点上的平均房价差距 = d，这个d就是建校对房价的影响了。
d是两个差距之间的差距，所以才叫做差分再差分。
用计量回归把这个d给估计出来，是有办法的：P= b0 + b1*Da + b2*Dt + d*(Da*Dt) + Xb + eP是房价，Da是虚拟变量，在区域A则为1，否则为0，Dt是时间虚拟变量，建校后为1，建校前为0。
STATA一跑，就把d估计出来了。
为什么d可以如此表示？自己思考一下啦。
实在想不出来，Wooldridge的书上有精确严格的解释。
这里给出一个直观的粗略解释：北京所有区域的房价每个月都在上升，因此需要控制这部分因素，这就是时间因素Dt；区域不同自然也有差别，需要控制区域位置因素，这就是Da，这就控制了即使不建校也存在的差距；控制住其他因素X，那么剩下的Da*Dt就是建校带来的房价提升效应了。
这下明白了哦。
狂忒二回归(Quantile)是一般均值回归的一个推广。
看名字挺吓人，其实很简单。
如果你知道OLS是一个均值回归，那类推就可以知道1/2分位数回归。
你知道的，正态分布下，均值就是1/2分位数的地方。
均值回归就是1/2分位数回归。
知道了1/2回归，你自然知道1/4和3/4分位数回归了。
如果还不懂，翻开伍德里奇的书，讲到简单OLS回归时，我记得有一个图，上面对不同位置的x位置画了不同的正态分布密度函数(第2版是figure 2.1，pp26，见下面)。
如果是异方差问题，那么不同x位置的正太分布图的方差就有变化。
这个图上注明了预测值是E(Y|X)，就是Y的条件期望，就是那根回归预测直线啦。
在正态分布下就是Y的密度函数的中心点的连线，就是1/2分位数点的连线。
如果那条预测线画在密度函数的1/4和3/4分位数点上，那么预测结果就不是Y的均值（在非正态下可能是均值），而是1/4和3/4分位数点的预测值。
这下明白狂忒二回归了吧。
分位数回归就是看看那根预测直线在不同的分位数点上有什么结果,得到什么样的回归系数。
通常的OLS预测直线，仅仅是一个特例而已。
进一步推广，可以推广到任意分位数点回归的情况。
道理一样。
quantile回归还可以推广到带bootstrap的quantile回归哦，想起来是不是很过瘾啊道理还是一样的，具体怎样操作，耐心往下看，到最后有quantile的速成秘诀哦，包你10分钟能在STATA里面跑出quantile回归来。
伍德里奇《计量经济学导论——现代观点》的图2.1（解释Quantile回归的意义）不过要注意，大杀器要用对。
有内生性变量，你就不要用简单回归了，你得用IV回归。
这几种大杀器的精髓一领会，基本上其他东西就难不倒你了。
就是STATA里面的选项多选几个或者少选几个的问题。
你所要做的就是在STATA里面打钩、设置参数。
对付一般的CSSCI论文，已经是绰绰有余了。
如果你提了一个大家很感兴趣的问题，就是一个重要问题，那么用用IV，或者固定面板，发个一流基本没问题。
如果你的问题不是很重要，还想发一流，那你就要简单问题复杂化。
上面大杀器能解决的问题，你就用更复杂的方法去解决吧。
这就是传说中的瞎折腾。
你要是想折腾，接着往下看吧。
四、瞎折腾计量的秘诀瞎折腾有三种水平，第一种是低水平，第二种，高水平瞎折腾。
第三种，当然是中等水平折腾。
当然，我必须承认，我基本不用瞎折腾的方法。
因为最简单的方法往往是最安全的方法，就像五种大杀器一样。
各位网友自己要折腾，责任自负。
低水平瞎折腾，就是大杀器不够过瘾，要用摄人魂魄、但容易走火入魔的计量方法达到发表一流期刊的目的。
例如，没事弄弄协整，搞一把单位根检验之类的。
听起来头头是道，其实都是杞人忧天。
你想想，要是有协整，时间序列你根本不用着急，超一致收敛的呀，比一般的OLS估计要快准狠。
要是没有协整，你着急也没用。
那你还协整个啥！面板来说，你有协整，也没有一个完美的估计方法。
事实上目前很多人把面板协整当序列协整做，理由是协整下OLS超一致收敛。
不信你查查期刊上是不是还有很多人在用固定效应OLS？不会还有人用随机效应OLS估计吧？一般不带这么玩的。
大家都以为存在面板协整，那OLS岂不是一样超一致收敛？诸不知差以毫厘失之千里。
那有木有办法？有木有？这个，可以有！纠偏OLS可以。
但立马有人跳出来说，这个真木有，并且证明了纠偏OLS不可以，晕倒！有木有其他办法？这个有~~还是木有？有人说充分纠偏OLS可以。
窃喜。
但又有人不合时宜地跳出来证明：偏差不可能被充分纠正。
咣当彻底晕倒。
到底有木有？！这个或许可能估计仿佛有吧！像时间序列一样撒一把动态项能不能纠偏？看偏差方向推断行不行？是啊，不要去纠啥偏了，只要这偏差不影响你的结论，你急个啥！例如估计量往左偏，你得到的结果是系数显著大于0，那真实系数肯定显著大于0.一般假设检验不就是检验系数不为0嘛，现在你都得到真实系数显著大于0了，这结论还不够强悍啊！所以，使用纠偏的各种方法，你还得要协整存在，不存在还纠不了偏。
哎~~存在了也纠不了偏。
但根据偏差方向来判断的方法，面板协不协整都无所谓。
看方向推断，事实上是国际一流期刊上发现的最可靠的方法。
不但可以对付面板估计偏差，还可以对付任何因素引起的偏差。
例如内生变量，要找IV多难呀，但按方向推断，一切迎刃而解。
真是“无为而无不为！”所以，俺从来不玩协整。
一般就用加强版简单OLS或者面板固定效应OLS一做，分析一下偏差方向就万事大吉了。
如果审稿人说：你的估计有偏差。
我就说：这又不影响我的结论，关我屁事。