简介：面向面板数据实证研究者的 Stata 操作资源包，聚焦中介效应与调节效应的完整分析流程。资源结合数据基础、模型设定与命令实操，覆盖 mediate 命令实现中介检验、交互项与 i. 前缀处理调节效应，以及结果解读要点，适合经济学、社会科学领域需要处理面板数据的中级用户。压缩包共 269 个文件，以 ado 程序文件、hlp 帮助文档、sthlp 语法文件为主，另含 mata 矩阵运算模块、mlib 库及少量 dta 示例数据和 do 操作脚本，大小仅 1.26MB，方便本地快速部署扩展命令。目前已有 24380 人学习下载。通过对照包内命令文档与示例数据，读者可快速掌握面板数据中介、调节效应的 Stata 实现路径，避免因命令选项误用导致结果偏误，提升实证研究的规范性与可复现性。
1. 面板数据里的中介效应和调节效应：Stata命令到底怎么跑才不是玄学
中介效应、调节效应在面板数据里怎么用Stata跑通，网上教程大多拿截面数据的例子一笔带过。真到自己动手，xtset、固定效应、交互项中心化、Bootstrap检验，每一步都可能翻车。这篇笔记要拆的是一套面板场景下可复现的Stata操作演示：从面板声明、固定效应判断，到中介三步法与Sobel/Bootstrap，再到调节效应的交互项构造和边际效应绘图，最后是五个最容易踩的坑。适合正在做面板论文、想一次性把中介调节流程跑通的硕博生和科研岗。下面统一用y表示被解释变量、x表示核心解释变量、m表示中介变量或调节变量，跑你自己的数据时替换成实际变量名即可。
2. 先把面板数据立起来：xtset 声明与固定/随机效应选择
2.1 xtset 面板声明：id、time与平衡性检查
打开面板数据第一步是xtset。常见错误是不声明面板直接跑回归，Stata会把每个观测当独立样本，标准误全是错的。正确做法先声明个体id和时间变量，再检查面板结构。
xtset id year xtdescribe xtsum x m yxtset的id是截面个体标识，year是时间标识，两者组合起来必须唯一。如果数据里有重复的id-year组合，xtset会直接报错。xtdescribe输出平衡/非平衡面板的判定：如果你的数据结构是有缺失的，输出里会显示每个id有多少个时期，一眼就能看出哪些个体缺年份。xtsum给组间between、组内within和总体overall三个标准差，这块信息对后文判断变量能不能进固定效应模型非常关键。
我一般会在跑任何回归之前先看xtsum的结果。如果某个变量的within标准差小到接近0，说明它几乎不随时间变化，后面固定效应模型里这个变量的系数会很难估计，甚至被absorb掉。这个检查动作只要十秒钟，但能省掉后面一晚上的排查时间。
2.2 固定效应还是随机效应：Hausman检验定方向
面板中介调节的基准模型，绝大多数文献用固定效应FE，因为它能吸收不随时间变化的个体异质性。但「该用FE」不靠感觉，靠Hausman检验说话。
xtreg y x m, fe estimates store fe_m xtreg y x m, re estimates store re_m hausman fe_m re_m这里先跑固定效应模型并存结果，再跑随机效应模型并存结果，最后用hausman比较两个模型的系数向量。Hausman原假设是随机效应与固定效应估计系统无差异，p值小于0.05就拒绝原假设，选FE；p大于等于0.05时用RE也说得过去，但很多期刊仍倾向报告FE结果。注意estimates store的两个名字不能重复，后缀改成你自己的模型标识即可。
跑面板模型时我还会顺手加上vce(cluster id)，让标准误对个体聚类。面板数据里同一个体的不同年份观测必然相关，不处理聚类会把t值放得很大，这是审稿人最爱问的问题之一。加了聚类选项之后，显著性阈值要重新审视，因为聚类标准误通常比普通标准误大。
2.3 先看变异再跑模型：within标准差决定变量去留
这个判断属于「跑了才发现坑」的预防针。假设你要检验的中介变量是行业属性、地区制度这类不太随时间变化的变量，xtsum输出的within标准差会非常小。在这种情况下，xtreg y x m, fe跑出来的m系数经常不显著，但这不代表中介效应不存在，而是固定效应把m的组内变异消耗殆尽了。
xtsum x xtsum m比较within与between的占比，如果某个变量的within占比低于10%，在FE设定下除非样本期足够长、变化足够大，否则很难估出显著系数。这不是硬性标准，但在我处理过的面板数据里相当靠谱。遇到这种情况，我一般主动改用随机效应做辅助检验，并在稳健性部分说明两种设定下结论是否一致，而不是默默删掉变量。
3. 中介效应三步走：Stata 的逐步回归、Sobel 与 Bootstrap
3.1 逐步回归法在面板里的写法与系数判读
中介效应的经典三步是：总效应c即X对Y的回归系数、路径a即X对M的回归系数、路径b与直接效应c'即X和M同时进入方程后M的系数与X的系数。面板场景下每一步都要带xtreg和fe。
xtreg y x, fe estimates store total xtreg m x, fe estimates store path_a xtreg y x m, fe estimates store path_b三步都跑完后看三个关键系数：xtreg m x里x的系数是a路径；xtreg y x m里m的系数是b路径，x的系数是直接效应c'。a和b都显著是中介成立的前提。c'不显著而a、b显著，属于完全中介；c'显著但绝对值比第一步里的c小，属于部分中介。
这里必须提醒一个新手常犯的理解错误：第三步回归里x和m同时在方程里，两者之间的相关性会放大标准误，c'的显著性不是判断中介的唯一依据。a乘b这个间接效应的检验才更重要。有些数据a和b都显著但c'仍然显著，这时说「部分中介」完全成立；也有a显著、b不显著的情况，这时中介效应不成立，别硬撑。
3.2 Sobel 检验：手动计算与 sgmediation 的边界
Sobel检验的原假设是a乘b等于0，检验统计量的公式是z等于a乘b除以根号下b方乘sa方加a方乘sb方。Stata里不必去记公式，在第三步回归后手动算就行：
xtreg m x, fe scalar a = _b[x] scalar sa = _se[x] xtreg y x m, fe scalar b = _b[m] scalar sb = _se[m] scalar sobel_z = a * b / sqrt(b^2 * sa^2 + a^2 * sb^2) display "Sobel z = " sobel_z这段代码利用xtreg后保存在e()里的系数和标准误，直接算出z值。|z|大于1.96说明间接效应显著。很多教程会让装sgmediation然后一条命令出结果，但sgmediation的底层是OLS回归，并不理解xtset的面板结构，直接把它用在面板数据上等于把固定效应全丢了。我一般只在审稿人明确要求报告Sobel结果时才补这个数，主检验用下面要说的Bootstrap。
3.3 Bootstrap 中介检验：面板下更稳的做法
Bootstrap不依赖a乘b的正态分布假设，是目前主流的间接效应检验方式。面板数据里我习惯自己写一个小的程序块，每次抽样都完整重跑两条xtreg路径：
capture program drop boot_med program define boot_med, rclass xtreg m x, fe scalar a = _b[x] xtreg y x m, fe scalar b = _b[m] return scalar ind = a * b end bootstrap r(ind), reps(1000) seed(2024) nodots: boot_med estat boot, bcbootstrap后面的r(ind)告诉Stata从boot_med的返回值里抽哪个量。reps至少500，我默认用1000，太少的话置信区间每次跑都不一样，结果不可复现。seed设固定值保证任何人用同一数据跑出来的结果一致，这是论文里必须写的细节。estat boot, bc输出偏差校正置信区间，区间不含0说明间接效应显著。
Bootstrap比Sobel稳在哪？它不需要a乘b服从正态分布的假设，在小样本和中介效应较弱时更可靠。而且每次抽样都会重新跑xtreg，面板结构在抽样过程中自然被保留，比手工构造虚拟变量的Sobel更贴合面板设定。如果你的中介效应模型比较复杂，比如有多个中介变量，也可以在这个program里加一条xtreg，返回多个indicator。
4. 调节效应：交互项构造、中心化与边际效应绘图
4.1 交乘项的两种构造方式与多重共线性
调节效应在回归里就是交乘项。连续变量x与调节变量m，最简单的做法是生成x_m等于x乘m后放进回归。但直接用原始值相乘，x和x乘m之间的相关系数经常超过0.9，回归系数会被共线性折腾得符号乱跳。常见做法是先中心化再乘：
summarize x gen x_c = x - r(mean) summarize m gen m_c = m - r(mean) gen xm_c = x_c * m_c xtreg y x_c m_c xm_c, fer(mean)是summarize之后保存的样本均值。中心化只改变变量的位置，不改变回归的拟合优度，但交乘项系数b3的含义变得更清晰：它表示x对y的作用如何随m偏离均值而变化。嫌手动生成麻烦，也可以用因子变量写法xtreg y c.x##c.m, fe，c.x##c.m等价于x加m加x乘m三项，c.前缀声明连续变量。因子变量写法的优点是Stata自动处理交乘，缺点是不方便直接提取交乘项做后续绘图，我通常二选一，手动生成更灵活。
4.2 调节效应系数解释：不能只看交乘项显著不显著
很多新手把c.x##c.m跑出来，只看x乘m的系数b3显著就说调节效应成立。这是不完整的。调节效应的实质是x对y的边际效应随m变化：对y关于x求偏导，得到b1加b3乘m_c。b1是m_c等于0即m在样本均值处时x的效应；b3只是这个边际效应的变化斜率。
所以在报告结果时我会同时给b1和b3，并说明「m每增加一个单位，x对y的效应增加b3个单位」，而不是只写一句「调节效应显著」。还要注意另一个细节：中心化之后，b1是m在均值时的效应，这个值通常落在样本支持范围内；不中心化时b1是m等于0时的效应，如果你的m取值都在50附近，m等于0就是纯外推，b1的解释没有实际意义。这就是为什么中心化不只是为了对付共线性，更是为了让主效应有可解释的参照点。
4.3 margins 与 marginsplot：把调节方向画出来
单看表格很难判断调节方向，尤其b3为负时到底是「削弱」还是「反转」，图形最直观。标准做法是用margins算x的边际效应在m不同取值上的估计值，然后画出来：
margins, dydx(x) at(m=(20(5)40)) marginsplot graph export "margins_plot.png", width(800) replaceat(m=(20(5)40))表示m取20、25、30、35、40五个值，括号里第一个数是起点、第二个数是步长、第三个数是终点。dydx(x)表示求x对y的边际效应。marginsplot会画出边际效应及置信区间：如果斜线从显著正走向不显著再走向显著负，说明调节效应存在且发生了方向反转；如果区间始终不包括0，说明x的效应在m的整个取值范围内都显著，只是大小在变。
图形输出的宽度单位是像素，期刊插图一般要矢量图，写论文时我通常换成导出.eps。注意margins的at()语法在Stata不同版本里写法略有差异，新版本建议用at(m=(20(5)40))这种带括号的形式，旧版本写at(m=20(5)40)也行，但要确认你的版本支持哪一种。
5. 面板中介调节避坑实录：五条能救命的踩坑记录
5.1 把截面三步法硬搬到面板，中介变量被固定效应吃掉
现象：xtreg m x, fe不显著，换成xtreg m x, re立刻显著，中介路径断了。
原因：固定效应只利用组内变异，如果中介变量的within标准差太小，FE把它的解释力全吸收掉了。很多截面数据里显著的中介关系，进了面板FE模型就消失，不一定是真消失，而是数据里这个中介变量本身就不怎么随时间变。
解决：先跑xtsum m看within占比，占比过低时改用RE或系统GMM做辅助检验；两种设定结论矛盾时，在正文里报告两种结果，用Bootstrap置信区间作为最终判定依据。不要因为FE不显著就悄悄删掉中介变量，审稿人看到变量清单里缺了理论核心变量，问题比不显著更严重。
5.2 交乘项加进去后主效应符号翻转
现象：xtreg y x, fe里x系数为正，加入x乘m后x的系数变成负的。这是我在多个数据集里反复见到的情况，第一反应不是改模型，而是查共线性。
原因：原始值相乘导致x与x乘m高度共线，系数被重新分配；另一种可能是m等于0处本身就是外推区域，b1的解释没有实际意义。中心化可以缓解前者，但不能完全消除。
解决：先中心化再重跑。若翻转仍然存在，不要急着删交乘项，去看margins的边际效应图在m的合理取值范围内是否保持一致。如果图形显示x的效应在m的绝大多数取值上都是正的，那表格里b1的负号只是一个外推假象，报告时说明「在m的样本取值范围内，x的效应为正且随m递增/递减」即可。
5.3 Bootstrap 的 reps 太少或搞不清聚类
现象：bootstrap跑出来每次置信区间都不一样，reps(200)时上下界差距很大，reps(1000)才收敛。
原因：Bootstrap的抽样误差随reps增大而减小，200次对间接效应这种小方差统计量不够稳定。另一个常见问题是面板内自相关没处理，抽样时把同一个体的不同年份当独立观测。
解决：reps至少500，我一律用1000并固定seed。如果担心面板内自相关，在bootstrap命令里加cluster参数，或对整个id做block bootstrap，保证同一个体的观测被一起抽入或一起排除。
5.4 sgmediation 的面板结果被审稿人质疑
现象：用sgmediation跑出z值显著，但xtreg路径里b路径不显著，两个结果打架。这是典型的模型设定不一致造成的矛盾。
原因：sgmediation是OLS版本，既没吸收固定效应，也没考虑面板聚类。它把重复观测当作独立样本，标准误被系统性低估，z值虚高。
解决：面板里别把sgmediation当主结果。主检验用xtreg路径系数加Bootstrap；sgmediation只在审稿人明确要求报告传统Sobel时作为补充，并标注这是横截面设定下的结果，不作为结论依据。
5.5 调节变量是类别变量时交互项解释出错
现象：m是0/1虚拟变量，跑xtreg y c.x##i.m, fe后交乘项不显著，分组回归却一组显著一组不显著。
原因：交乘项的基准组选择影响显著性，分组回归只是「看起来」有差异，真正的组间差异要用全样本交互项检验，「一组显著一组不显著」本身不能证明调节效应存在。很多人踩这个坑是被「分组显著差异」的表象骗了。
解决：用因子变量i.m##c.x做全样本检验，直接看交乘项的p值。想报告分组结果，也得先保证全样本交互项显著，否则分组差异只是抽样噪声。基准组的选取会影响交互项系数符号和显著性，换一个基准组重跑一遍是必要的稳健性检查。
6. 验证与进阶：分组检验、稳健性与回归结果的呈现
6.1 分组回归与组间系数差异
调节效应的补充验证，最常见的做法是按m的中位数把样本分两组，分别跑xtreg y x, fe，然后比较x的系数。注意组间差异不能靠「一组显著、一组不显著」来证明，要回到全样本交互项：
xtreg y x m xm_c, fe test xm_ctest xm_c的p值才是组间系数差异的正式检验。我习惯把分组回归放在稳健性部分，正文主结论用交互项模型，分组结果用一张表附在文末。
6.2 稳健性：换估计量、加聚类、做滞后
面板中介调节的稳健性一般做三件事：第一，把FE换成RE，看方向是否一致；第二，加vce(cluster id)处理个体聚类；第三，把解释变量滞后一期，缓解反向因果：
xtset id year gen lx = l.x gen lxm = l.x * m_c xtreg y lx m_c lxm, fe滞后一期会损失一年的观测，非平衡面板里尤其要确认样本量变化。x对y的作用如果靠l.x才能显现，说明当期效应可能偏弱，这本身也是信息。所有稳健性结果我习惯排成一张表，第一列放基准模型，后面放RE、加聚类、滞后期的结果，表注里写清楚每列的关键设定。
从那以后，我每次跑面板中介调节都强制走一遍「xtsum看变异 → Hausman定模型 → 三步法 → Bootstrap → margins画图 → 三组稳健性」的完整流程，这套流程帮我躲过了不少审稿意见，希望帮到你。
本文还有配套的精品资源，点击获取
