yabo2

看到题主把「sigmamore」写成「stigmamore」,看来一定是我的铁杆粉,必须来答一个。(我的微信昵称是stigma,sigma=σ ,stigma= Ϛ)

Hausman检验要求其中的一个估计b是一致的,而另一个估计尽管可能不是一致的,但是一定是有效的。在这种情况下,var(b-B)=var(b)-var(B)。出现负值说明var(b)-var(B)不是一个正定矩阵,
更多精彩尽在这里,详情点击:https://damagedintransit.com/,阿斯科利队也就意味着,B不是最有效的估计。

看到题主做的是面板数据,导致你的random effects估计不有效的原因很多,比如你的误差项存在着除了随机效应之外的自相关等原因。

的确使用了这两个选项之一之后不容易出现检验为负的问题了,但是我的个人感觉是这并没有从根本上解决问题。

最根本的解决方法是,把random effects换成最有效的估计量。当然,文献中也有推荐使用bootstrap解决这个问题的,我曾经做过一个模拟,的确好用,然而stata不支持,并没有什么卵用。

出现负数是因为var(b-B)=var(b)-var(B)在有限样本的情况下,这两个协方差矩阵的差不能保证是正定的,所以可能会出现负数。在这种情况下无法拒绝random effect model,这是由协方差矩阵的相似性引发的。

如果想进一步检验到底选择随机还是固定效应,可以用Baltagi(2005,pp.65-73)的式子解决这个问题,这个协方差矩阵永远是非负定的:

加sigma就是为了解决负数情况的,但是具体式子help document文件里没给…

另一个答案提到可以用基于 Bootstrap 的 Hausman 检验,有空再看一下原理。