目录

1. 引言

泊松回归现已成为「计数数据模型」的标准方法。与普通最小二乘法一样，泊松回归的一致性估计也需要正确说明因变量的条件均值假设 (Gourieroux 等，1984)。在该条件下，泊松回归就能转化为泊松伪最大似然 (PPML) 回归。Gourieroux 等 (1984) 通过放松因变量分布的假设，使泊松回归不再局限于计数数据。也因此，泊松伪最大似然 (PPML) 回归可以应用于任何非负的因变量。

实际上，当非负数据中存在较多 0 的时候，PPML 似乎是最好的选择。并且，这种情况常发生于以下几个领域，例如公司研发支出、专利引用计数、日常产品销售、医生就诊次数、公司信贷量、拍卖竞拍者数量和跨地区通勤者数量。

但是，学者更多使用线性对数回归，即使 PPML 更合理。一种可能的解释是，学者可以轻松估计控制多个固定效应的线性回归。尤其是伴随着大型面板数据集的可用性不断提高，以及具有高维固定效应 (HDFE) 的线性回归模型估计技术的进步，使得学者能够控制更多异质性来源。

需要指出的是，PPML 也可以轻松的实现 HDFE。为此，本文将介绍新命令 ppmlhdfe。相对于用于现有 HDFE 非线性估计算法，ppmlhdfe 消除了一些不必要的步骤，提高了参数的计算速度。