简介：这份资源面向使用Stata开展实证研究的高校师生与科研人员，聚焦面板数据中中介效应与调节效应的完整操作演示，适合已掌握基础回归、希望进阶到机制检验与边界条件分析的研究者。压缩包共269个文件，约1.26MB，以ado命令文件为主，辅以hlp、sthlp帮助文档及mata、mlib底层库文件，另含少量dta示例数据与do脚本，覆盖reghdfe、estout、coefplot、xtabond2等常用外部命令的安装与调用。已有24365人学习下载，热度较高。资源围绕面板数据结构、中介变量传递作用、调节变量交互项检验等核心知识点展开，读者可据此完成从数据导入、模型设定到结果解读的全流程练习，理解中介效应量与置信区间的计算逻辑，掌握连续变量与分类变量交互项的写法，并借助帮助文档排查命令报错，提升实证分析的规范性与可信度。
1. 面板数据里做中介和调节，为什么总有人把交互项和中介路径搞反
面板数据的中介效应和调节效应，是实证论文里出现频率极高、但翻车率同样极高的两块内容。我见过太多人把调节效应写成“加个交互项就完事”，也见过有人把中介效应做成三步回归就敢下结论，结果被审稿人一句“Baron-Kenny 在面板结构下不成立”打回重做。这个标题讲的就是：在 Stata 里，面对一份带个体维度和时间维度的面板数据，怎么把中介效应和调节效应分别跑对、跑稳、跑出能写进论文的结果。
它适合正在写毕业论文、投期刊、做政策评估的实证研究者，也适合从截面数据转到面板数据、发现原来那套命令不好使的从业者。核心难点不在命令本身，而在于：面板数据有固定效应和随机效应的选择问题，中介路径里的系数会随效应设定变化，调节效应的交互项在去均值之后解释也会变。这篇笔记按“先分清两类效应 → 再分别落地 → 最后避坑”的顺序展开，命令可以直接抄，参数我会逐个说明。
2. 先把中介和调节分清楚：面板结构下的模型设定差异
2.1 中介效应和调节效应到底在问什么不同的问题
中介效应问的是“X 通过什么渠道影响 Y”，也就是 X → M → Y 这条路径是否成立，M 是传导机制。调节效应问的是“X 对 Y 的影响在什么条件下更强或更弱”，也就是 W 是否改变了 X 对 Y 的斜率，W 是边界条件。这两个问题在计量上是完全不同的设定：中介模型里 M 是内生变量，需要估计间接效应；调节模型里交互项 X×W 是核心解释变量，需要关注主效应和交互项的联合显著性。
很多人翻车的第一个点，就是把中介变量 M 和调节变量 W 混着用。比如研究“数字化水平对企业绩效的影响”，如果问“创新能力是不是中间渠道”，那是中介；如果问“这个影响在国有企业里是不是更强”，那是调节。两者可以同时存在，叫有调节的中介，但那是进阶内容，先把基础的两类分别跑对。
在面板数据里，这个问题会更复杂。因为面板有个体固定效应，中介变量 M 如果随时间变化不大，固定效应会把它的大部分变异吸收掉，导致中介路径估计不出来。这是截面数据里不会遇到的坑。
2.2 面板数据做中介：固定效应还是随机效应，先做检验再决定
面板中介的第一步不是跑命令，而是确定用固定效应（FE）还是随机效应（RE）。常见做法是先跑 Hausman 检验：
* 假设数据已 xtset id year * 先跑固定效应模型 xtreg y x controls, fe estimates store fe_model * 再跑随机效应模型 xtreg y x controls, re estimates store re_model * Hausman 检验 hausman fe_model re_model逻辑说明：Hausman 检验的原假设是“随机效应估计量是一致的”，如果 p 值小于 0.05，拒绝原假设，选固定效应；否则选随机效应。参数上，xtreg前必须xtset声明面板结构，fe和re分别对应固定和随机效应。注意hausman命令要求两个模型用同一批样本，如果样本量不一致会报错，这时候要检查缺失值处理。
选完效应类型之后，中介效应的估计才有意义。如果选固定效应，中介变量 M 的组内变异必须足够大，否则 M 的系数会不显著，这不是方法错了，是数据本身不支持。我一般会先算一下 M 的组内标准差和组间标准差，组内占比太低就考虑换随机效应或者换中介变量。
2.3 调节效应在面板里的设定：交互项要不要去中心化
调节效应的核心是交互项 X×W。在面板固定效应模型里，交互项的设定有两种常见做法：一种是直接生成x_w = x * w然后放进xtreg；另一种是先对 X 和 W 做去中心化（减去均值）再相乘。去中心化的目的是降低主效应和交互项之间的共线性，让主效应的系数更容易解释。
* 方法一：直接生成交互项 gen x_w = x * w xtreg y x w x_w controls, fe * 方法二：去中心化后生成交互项 center x w, prefix(c_) // 需要安装 center 命令 gen c_x_w = c_x * c_w xtreg y c_x c_w c_x_w controls, fe逻辑说明：方法一简单直接，但主效应系数 x 的含义是“当 w=0 时 x 对 y 的影响”，如果 w 的取值远离 0，这个解释会很别扭。方法二去中心化后，主效应系数 x 的含义变成“当 w 处于均值时 x 对 y 的影响”，更符合实际解释习惯。参数上，center命令需要先ssc install center安装，prefix(c_)指定生成的新变量前缀。
注意：去中心化不改变交互项的系数和显著性，只改变主效应的解释。如果你的论文里主效应不是重点，两种方法结果一样；如果主效应要单独解释，建议去中心化。
3. 中介效应的 Stata 落地：从三步回归到 Bootstrap 间接效应
3.1 传统三步回归在面板里的写法与局限
Baron-Kenny 三步回归是最经典的中介检验方法，步骤是：第一步，X 对 Y 回归，系数显著；第二步，X 对 M 回归，系数显著；第三步，X 和 M 同时对 Y 回归，M 的系数显著，X 的系数下降或变得不显著。在面板里，每一步都要用xtreg而不是reg。
* 第一步：X 对 Y xtreg y x controls, fe estimates store step1 * 第二步：X 对 M xtreg m x controls, fe estimates store step2 * 第三步：X 和 M 同时对 Y xtreg y x m controls, fe estimates store step3逻辑说明：三步回归的优点是直观、好写，缺点是检验力低，尤其是间接效应 a×b 的显著性没有直接检验。在面板数据里，固定效应会吸收不随时间变化的个体差异，如果 M 的组内变异小，第二步的系数很容易不显著，导致中介效应检验失败。这不是中介不存在，是方法本身在面板结构下不够灵敏。
我一般会把三步回归作为初步探索，真正下结论还是用 Bootstrap 间接效应检验。三步回归的结果可以放在论文里作为辅助，但核心结论要基于 Bootstrap。
3.2 用 Bootstrap 估计间接效应：面板里的实现方式
Bootstrap 间接效应的思路是：反复抽样，每次计算 a×b，然后看这个乘积的置信区间是否包含 0。在 Stata 里，可以用bootstrap前缀配合自定义程序实现，也可以用medeff或sgmediation这类命令。面板数据里，我一般用bootstrap手动实现，因为可以控制聚类和抽样方式。
* 定义计算间接效应的程序 capture program drop med_panel program define med_panel, rclass xtreg m x controls, fe scalar a = _b[x] xtreg y x m controls, fe scalar b = _b[m] return scalar indirect = a * b end * Bootstrap 抽样，聚类到个体 bootstrap indirect=r(indirect), reps(1000) cluster(id) idcluster(newid): med_panel逻辑说明：med_panel程序里先跑 M 对 X 的回归拿到系数 a，再跑 Y 对 X 和 M 的回归拿到系数 b，返回 a×b。bootstrap前缀做 1000 次抽样，cluster(id)指定聚类到个体，idcluster(newid)生成新的个体标识用于每次抽样。参数上，reps(1000)是抽样次数，一般至少 1000 次，论文里常用 5000 次。cluster(id)是关键，面板数据里个体内部相关，不聚类会低估标准误。
跑完之后用estat bootstrap, all看偏差校正后的置信区间。如果置信区间不包含 0，间接效应显著。注意 Bootstrap 在面板里比较慢，1000 次可能要跑几分钟，5000 次更久，建议先用 200 次试跑确认程序没问题再正式跑。
3.3 面板中介的效应设定：固定效应中介和随机效应中介的取舍
面板中介还有一个容易忽略的问题：中介变量 M 和结果变量 Y 的效应设定可以不同。常见做法是 M 和 Y 都用固定效应，但如果 M 的组内变异很小，固定效应会吃掉大部分信息，导致 a 路径不显著。这时候可以考虑 M 用随机效应、Y 用固定效应的混合设定。
* 混合设定：M 用随机效应，Y 用固定效应 xtreg m x controls, re scalar a = _b[x] xtreg y x m controls, fe scalar b = _b[m] display "间接效应 = " a * b逻辑说明：这种混合设定的理由是，M 作为中介变量，如果它的个体差异本身是机制的一部分（比如企业创新能力中的长期积累部分），用随机效应保留组间变异更合理；而 Y 用固定效应控制个体异质性。参数上，re和fe分别对应随机和固定效应，display直接计算乘积。
注意这种混合设定在理论上需要论证，不能随便混。我一般会在论文里说明：M 的组间变异占总变异比例较高，且理论上个体差异是机制的一部分，因此 M 采用随机效应。如果审稿人质疑，可以补充 M 用固定效应的结果作为稳健性检验。
4. 调节效应的 Stata 落地：交互项、简单斜率与图形呈现
4.1 交互项的生成与回归：从中心化到结果解读
调节效应的核心命令是生成交互项并放进回归。前面提到去中心化的好处，这里给一个完整的操作流程：
* 去中心化 foreach v in x w { quietly summarize `v' gen c_`v' = `v' - r(mean) } * 生成交互项 gen c_x_w = c_x * c_w * 回归 xtreg y c_x c_w c_x_w controls, fe estimates store mod_model逻辑说明：foreach循环对 x 和 w 分别去中心化，r(mean)是上一步summarize的均值。c_x_w是去中心化后的交互项。回归结果里，c_x的系数是 w 处于均值时 x 对 y 的影响，c_x_w的系数是 w 每变化一个单位，x 对 y 影响的改变量。参数上，quietly抑制summarize的输出，让结果更干净。
解读时注意：如果c_x_w显著为正，说明 w 越大，x 对 y 的正向影响越强；显著为负则相反。如果主效应c_x不显著但交互项显著，说明 x 对 y 的影响完全取决于 w，这时候不能直接说“x 对 y 没有影响”，要说“x 对 y 的影响在 w 的某些取值下显著”。
4.2 简单斜率检验：在特定 w 取值下看 x 的边际效应
交互项显著只说明调节存在，但具体在 w 的哪些取值下 x 对 y 显著，需要做简单斜率检验。常见做法是在 w 的均值、均值±1 个标准差处计算 x 的边际效应。
* 在 w 的均值、均值±1SD 处计算简单斜率 summarize c_w scalar sd_w = r(sd) * 均值处 lincom c_x + c_x_w * 0 * 均值+1SD 处 lincom c_x + c_x_w * sd_w * 均值-1SD 处 lincom c_x + c_x_w * (-sd_w)逻辑说明：lincom是线性组合检验，c_x + c_x_w * 0就是 w 处于均值（去中心化后均值为 0）时 x 的边际效应。sd_w是 w 的标准差，lincom会给出系数、标准误和置信区间。参数上，scalar sd_w = r(sd)把标准差存下来，方便后面调用。
如果三个位置的简单斜率都显著且符号一致，说明调节是“增强型”的；如果符号相反，说明 w 高到一定程度后 x 的影响反转，这是“削弱型”或“反转型”调节。论文里一般会报告这三个点的简单斜率，再配一张调节效应图。
4.3 调节效应图：用 margins 和 marginsplot 画出交互模式
Stata 里画调节效应图最方便的是margins配合marginsplot。思路是固定 w 的几个取值，计算 x 对 y 的预测值，然后画线。
* 用 margins 计算预测值 margins, at(c_x=(-1 0 1) c_w=(-1 0 1)) atmeans * 画图 marginsplot, xdimension(c_x) noci /// title("调节效应图") /// xtitle("自变量 X") ytitle("预测的 Y") /// legend(order(1 "低 W" 2 "中 W" 3 "高 W"))逻辑说明：margins的at(c_x=(-1 0 1) c_w=(-1 0 1))指定在 x 和 w 的 -1、0、1 处计算预测值，atmeans表示其他变量固定在均值。marginsplot的xdimension(c_x)表示 x 轴用 c_x，noci表示不画置信区间（画了会更乱）。参数上，legend(order(1 "低 W" 2 "中 W" 3 "高 W"))自定义图例，让读者一眼看出三条线对应 w 的低中高。
如果三条线斜率不同，说明调节存在；如果斜率相近，说明调节效应弱。图里一般还会加scheme(s1mono)变成黑白图，适合期刊要求。
5. 避坑与排查：面板中介调节里最容易翻车的五个点
5.1 固定效应吃掉中介变量变异，a 路径不显著
现象：跑xtreg m x controls, fe时，x 的系数不显著，但用reg m x controls跑截面回归时显著。
原因：固定效应吸收了个体不随时间变化的差异，如果 M 的组内变异很小，x 对 M 的影响就被淹没在噪声里。
解决：先算 M 的组内和组间标准差，组内占比低于 30% 就要警惕。可以换随机效应跑 M 的方程，或者在论文里说明 M 的个体差异是机制的一部分，用随机效应更合理。如果审稿人坚持固定效应，可以补充组内变异不足的说明，或者换一个组内变异更大的中介变量。
5.2 交互项和主效应共线性导致系数符号反转
现象：不加交互项时 x 对 y 显著为正，加了交互项后 x 的系数变成负的，交互项显著为正。
原因：这是典型的共线性问题，主效应系数在加入交互项后含义变了，不再是“x 对 y 的平均影响”，而是“w=0 时 x 对 y 的影响”。如果 w 的取值远离 0，这个系数就会很别扭。
解决：对 x 和 w 去中心化后再生成交互项，主效应系数就变成“w 处于均值时 x 对 y 的影响”，符号一般不会反转。如果去中心化后还是反转，检查 w 的分布，看 0 是不是在合理范围内。
5.3 Bootstrap 间接效应不显著但三步回归显著
现象：三步回归里 a 和 b 都显著，但 Bootstrap 的间接效应置信区间包含 0。
原因：三步回归的检验力低，a 和 b 分别显著不代表 a×b 显著。Bootstrap 直接检验乘积，更严格。
解决：以 Bootstrap 结果为准。如果 Bootstrap 不显著，说明间接效应证据不足，不能下中介成立的结论。可以尝试增加 Bootstrap 次数到 5000 次，或者检查是否有异常值影响。如果还是不显著，考虑换中介变量或换模型设定。
5.4 调节效应图三条线平行但交互项显著
现象：交互项 p 值小于 0.05，但marginsplot画出来的三条线看起来平行。
原因：交互项显著说明斜率有差异，但差异可能很小，图上看不出来。另外，如果 y 轴范围太大，微小的斜率差异会被压缩。
解决：先看简单斜率检验的结果，如果三个点的简单斜率确实不同且显著，图平行只是视觉问题。可以调整 y 轴范围，或者用marginsplot的yline选项加参考线。如果简单斜率也不显著，那交互项的显著性可能是假阳性，检查样本量和异常值。
5.5 面板中介调节里忘记聚类标准误
现象：系数显著，但审稿人要求聚类标准误后变得不显著。
原因：面板数据里同一个体的观测值相关，不聚类会低估标准误，导致 t 值虚高。
解决：所有回归都加vce(cluster id)，Bootstrap 里加cluster(id)。注意xtreg的fe和re默认已经处理了个体层面的相关，但如果是混合效应或者手动 Bootstrap，必须显式聚类。我一般会在论文里报告聚类标准误的结果，并在脚注里说明聚类层级。
6. 进阶技巧：把中介和调节放进同一个框架，以及稳健性检验的写法
有调节的中介是中介和调节的结合，核心是看间接效应 a×b 是否随调节变量 W 变化。在 Stata 里，可以用sem命令或者手动分步实现。手动分步的思路是：先按 W 的高低分组，分别跑中介效应，比较间接效应的大小。分组标准可以用中位数、均值±1SD 或者三分位。
* 按 W 的中位数分组 summarize w, detail gen w_group = (w > r(p50)) * 分组跑 Bootstrap 间接效应 * 低 W 组 bootstrap indirect=r(indirect), reps(1000) cluster(id): med_panel if w_group == 0 * 高 W 组 bootstrap indirect=r(indirect), reps(1000) cluster(id): med_panel if w_group == 1逻辑说明：r(p50)是中位数，w_group是 0/1 分组变量。分组跑 Bootstrap 后比较两组的间接效应置信区间，如果一组显著另一组不显著，说明有调节的中介存在。参数上，if w_group == 0是条件抽样，只对低 W 组做 Bootstrap。
稳健性检验方面，我一般会做三件事：一是换效应设定（固定效应换随机效应），二是换 Bootstrap 次数（1000 换 5000），三是换聚类层级（个体换省份或行业）。如果三个稳健性检验结果一致，结论就比较可靠。如果某个检验下结论变了，要在论文里说明原因，不能藏着。
最后说一个我自己的习惯：每次跑完中介调节，我都会把关键系数和置信区间记在一个单独的 do 文件里，标注数据版本和日期。因为面板数据的中介调节对样本和设定很敏感，过两周再跑可能结果就变了，没有记录根本对不上。这个习惯帮我省了很多后悔药。希望帮到你。
本文还有配套的精品资源，点击获取
