linearmodels

它会给你什么

• 完整的回归结果表，包括系数、标准误、显著性检验、置信区间和残差，附带弱工具与内生性诊断统计量。
• 用广义矩方法估计时的结果，额外给出权重矩阵和迭代信息。
• 当模型没有内生变量时，退回普通最小二乘的结果。

你需要准备

• 被解释变量的数据，一行一个观测。

由你把关

• 内生性检验是否真的说明需要用工具变量，由你核对。
• 工具变量的外生性与相关性是否站得住，要结合第一阶段检验结果和理论论证，由你核对。
• 过度识别检验是否通过，由你核对。

它会给你什么

• 系统整体的估计结果，包括所有系数、标准误、显著性检验和每个方程的分项结果。
• 用广义矩方法时的结果，额外给出权重矩阵和迭代次数。
• 跨方程的误差相关矩阵，用来判断这些方程到底有多相关。

你需要准备

• 一份方程清单，写明每个方程的被解释变量和解释变量；需要处理内生变量的方程可另附工具变量。
• 或者用公式写法描述每个方程，支持几个方程共用同一个变量。
• 可选：预先指定各方程误差之间的相关矩阵；不给的话由系统自己估计。

由你把关

• 各方程误差是否真的相关、是否值得做系统估计，由你决定。
• 选似乎不相关回归还是三阶段最小二乘：有没有内生变量、需不需要工具变量，由你决定。
• 数据结构简单、方程之间不共享约束时，逐个估计可能就够了，是否走更简的路径，由你决定。

它会给你什么

• 因子模型估计结果，包括每个资产对因子的敏感度、因子风险溢价、各资产的定价误差和拟合优度。
• 用广义矩方法时的结果，额外给出过度识别检验统计量和迭代信息。
• 过度识别检验统计量，用来判断所选因子是否足以解释资产收益。

你需要准备

• 各资产组合的收益数据表，一行一个时间点、一列一个资产。
• 因子数据表，可以是可交易的组合因子，也可以是不可交易的宏观因子。
• 说明你的收益数据是否已经减掉无风险利率，这会影响估计方式的自动选择。

由你把关

• 根据因子是否可交易选择对应的估计方法，由你决定。
• 无风险利率的处理方式要和收益数据的口径一致，由你核对。
• 广义矩方法的迭代步数选择（两步通常够用），由你决定。

它会给你什么

• 固定效应或随机效应模型的完整结果，包括系数、标准误、拟合值、组内组间拟合优度和检验统计量。
• 混合回归、组间回归或一阶差分模型的结果。
• 随机效应模型的结果，额外附上方差分解等辅助信息。

你需要准备

• 被解释变量，一列数据即可，常见的数据格式都支持。
• 解释变量数据表，也可以直接用公式写明回归式。
• 一份带实体和时间双索引的面板数据表，要求每个实体在每个时间点只出现一次。

由你把关

• 该用固定效应还是随机效应，可参考相应检验并结合理论，由你决定。
• 标准误的聚类维度是否匹配真实的数据相关结构，比如按企业、地区还是年份聚类，由你核对。
• 异方差自相关稳健标准误的参数设置是否适合你的数据长度，由你核对。

它会给你什么

• 回归结果表，包括关心变量的系数、标准误、显著性检验、拟合优度和吸收过程的诊断信息。
• 吸收诊断，告诉你哪些解释变量被完全吸收掉了、哪些是冗余的。
• 被吸收的固定效应的隐含估计值。

你需要准备

• 被解释变量的数据。
• 你真正关心的解释变量。
• 要吸收掉的高维控制项，分类列会当作固定效应，连续列当作普通控制变量。

由你把关

• 关心的解释变量是否在理论上不会被控制项完全吸收掉，由你核对。
• 用高维吸收法还是标准面板回归：前者支持任意多维固定效应，后者更稳但最多两维，由你决定。
• 稀疏迭代求解的精度是否足够，可在子样本上和传统方法对比，由你核对。