场景案例 ·

供应链管理实证研究数据分析用 AI 一句话完成 — 面板与工具变量

供应链管理/物流方向必看：用 AI 一句话完成面板数据固定效应回归、工具变量（2SLS）内生性处理，自动输出 APA 7th 格式供应链绩效实证结果，论文可直接用。

供应链/物流/运营管理论文的数据分析死穴：企业面板数据有固定效应要不要控、供应商集中度或信息共享度明显内生却不知道怎么处理、Hausman 检验通过了但聚类标准误没报……这篇文章把供应链绩效实证研究最关键的两条分析主线——面板回归与工具变量（IV/2SLS）——从头到尾串通，每步给出可在 ChatSRS 直接使用的一句话指令，以及可抄进论文 Results 章节的 APA 7th 报告句式。

供应链管理实证研究为什么要用面板数据 + 工具变量

供应链实证研究有两个绕不开的计量难题：

难题一：企业异质性（用面板 FE 解决）

供应链绩效数据往往是多家企业、多年度的面板结构（例如 A 股制造业上市公司 2015—2023）。不同企业的品牌声誉、管理质量、行业地位等不可观测特质会同时影响"供应链投入"和"绩效产出"，如果用截面 OLS 直接跑，这些遗漏变量会让估计量严重偏误。固定效应（FE）模型通过组内去均值，把企业层面所有不随时间变化的异质性一次性控制掉。

难题二：核心自变量内生（用 IV/2SLS 解决）

供应链研究的核心解释变量——供应商集中度、信息共享程度、绿色采购投入——往往是内生的：绩效好的企业更有资源推进信息整合，绩效差的企业反而被迫集中供应商降低谈判成本。这种反向因果（reverse causality）让 OLS/FE 的估计量不一致。**工具变量（IV）/ 两阶段最小二乘（2SLS）**通过寻找"影响内生变量但不直接影响结果变量"的外生变量，识别因果效应。

chatsrs.com 同时支持 Stata 引擎的 xtreg、ivreg2、xtivhreg 以及 R 引擎的 plm、ivreg，一句话调用，自动判断内生性、报告诊断统计量，直出 APA 格式三线表。

典型供应链实证数据结构

场景设定

研究问题：数字供应链信息整合（DSCI）对企业供应链绩效（SCP）的因果效应——以 A 股制造业上市公司 2015—2023 年面板数据为例（N = 286 家，T = 9 年，共 2,574 个观测）。

核心变量：

变量名类型含义
SCP因变量供应链绩效综合指数（存货周转率 + 应付账款周期 + 采购响应速度合成）
DSCI核心自变量（内生）数字供应链信息整合指数（文本爬取构建，含内生性）
firm_size控制变量企业规模（ln 总资产）
leverage控制变量财务杠杆率
age控制变量企业年龄
roa控制变量资产回报率
industry_iv工具变量同行业-同年份其他企业的 DSCI 均值（排除自身，"同伴效应"工具变量）
city_broadband工具变量企业注册地城市宽带普及率（地区信息基础设施，外生冲击）

数据格式（长面板）：

firm_id   year   SCP     DSCI    firm_size   leverage   roa    industry_iv   city_broadband
00001     2015   0.823   0.312   22.41       0.48       0.062   0.289         0.61
00001     2016   0.876   0.358   22.57       0.46       0.071   0.321         0.65
...       ...    ...     ...     ...         ...        ...     ...           ...

全流程分析演示

第一步：描述统计 + 相关系数矩阵

打开 chatsrs.com，上传面板数据后输入：

"请输出所有变量的描述统计（均值、标准差、最小值、最大值、观测数），并生成 APA 格式三线表；同时输出主要变量的 Pearson 相关系数矩阵，标注显著性水平（* p<.05，** p<.01，*** p<.001）。"

ChatSRS 自动输出：

表 1  主要变量描述统计（N = 2,574）

变量                均值    标准差   最小值   最大值
SCP               0.841    0.193    0.312    1.428
DSCI              0.347    0.118    0.051    0.782
firm_size        22.64    1.247   19.88    25.91
leverage          0.453    0.152    0.112    0.821
roa               0.058    0.041   -0.183    0.218
age              12.34    6.82     2        32

注：SCP = 供应链绩效综合指数；DSCI = 数字供应链信息整合指数。

第二步：面板固定效应回归（Panel FE）

"以 SCP 为因变量、DSCI 为核心解释变量，控制 firm_size、leverage、roa、age，使用双向固定效应（企业固定效应 + 年份固定效应）估计，报告聚类在企业层面的稳健标准误（cluster SE），输出 APA 格式系数表，包含系数、标准误、t 值、p 值和 95% CI。"

ChatSRS 调用 Stata xtreg, fe + cluster(firm_id) 自动输出：

表 2  供应链绩效面板固定效应回归结果

变量                   系数(b)    SE      t       p       95% CI
DSCI（核心变量）         0.287    0.064   4.48   <.001   [0.161, 0.413]
firm_size               0.043    0.019   2.26    .024   [0.006, 0.080]
leverage               -0.118    0.038  -3.11    .002   [-0.193, -0.043]
roa                     0.512    0.147   3.48   <.001   [0.224, 0.800]
age                    -0.003    0.004  -0.75    .453   [-0.011, 0.005]

企业固定效应              是
年份固定效应              是
聚类稳健标准误（企业层）   是
N                      2,574
组数                     286
组内 R^2               0.234
F(5, 285)             18.63***

注：*** p < .001，** p < .01，* p < .05。标准误聚类在企业层面。

面板回归的完整方法论，参见：面板数据回归用 AI 一句话完成 — FE/RE 选择、Hausman 检验全攻略

第三步：Hausman 检验 — FE 还是 RE

"对上面的面板回归做 Hausman 检验，判断应使用固定效应还是随机效应，报告检验统计量、自由度和 p 值，并说明结论。"

ChatSRS 输出：

Hausman 检验结果

chi^2(5) = 34.72，p < .001

结论：拒绝零假设（RE 一致），应使用固定效应（FE）模型。
FE 与 RE 的系数差异在统计上显著，确认核心变量 DSCI 与企业不可观测异质性相关，
固定效应估计量为一致估计，随机效应估计量不一致，应优先使用 FE 结果。

第四步：内生性检验 — Durbin-Wu-Hausman 检验

在 FE 基础上，进一步检验 DSCI 是否存在内生性（即 DSCI 与误差项相关，需要用 IV/2SLS）：

"在企业 + 年份双向固定效应框架下，对 DSCI 做 Durbin-Wu-Hausman 内生性检验（Wu-Hausman F 检验），工具变量为 industry_iv 和 city_broadband，报告检验统计量和 p 值，并说明是否存在内生性问题。"

ChatSRS 输出：

Wu-Hausman 内生性检验结果

F(1, 2282) = 12.84，p < .001

结论：DSCI 存在显著内生性（p < .001），FE-OLS 估计量不一致。
建议使用工具变量（IV/2SLS）方法处理内生性，以获得因果效应的一致估计。

第五步：工具变量有效性检验 — 弱工具变量检验 + 过度识别检验

在进入 2SLS 估计前，必须先验证工具变量的有效性：

"使用 industry_iv 和 city_broadband 作为 DSCI 的工具变量，在双向固定效应框架下做第一阶段回归，报告：(1) F 统计量（弱工具变量检验，Stock-Yogo 临界值 10）；(2) Cragg-Donald Wald F 统计量；(3) Hansen J 过度识别检验（工具变量外生性检验）。"

ChatSRS 输出：

第一阶段回归结果（因变量：DSCI）

industry_iv             0.412***   SE = 0.063，t = 6.54
city_broadband          0.187***   SE = 0.044，t = 4.25

弱工具变量检验
  Cragg-Donald Wald F  = 47.32（>Stock-Yogo 10% 临界值 19.93）
  Kleibergen-Paap rk F = 43.18（强工具变量，不存在弱工具变量问题）

过度识别检验（Hansen J 检验）
  J 统计量 = 1.84，p = .175（不拒绝零假设）

结论：两个工具变量均相关性强（F >> 10），且过度识别检验不拒绝工具变量外生性，
工具变量有效，可进行 2SLS 估计。

第六步：2SLS 固定效应 IV 回归（核心因果识别）

工具变量通过有效性检验后，进行双向固定效应框架下的 2SLS 估计：

"使用 industry_iv 和 city_broadband 作为工具变量，对 DSCI 的内生性做两阶段最小二乘（2SLS）处理，在企业 + 年份双向固定效应框架下估计 DSCI 对 SCP 的因果效应，控制 firm_size、leverage、roa、age，报告聚类稳健标准误，输出 APA 格式系数表，标注一阶段 F 值和 Hansen J 检验结果。"

ChatSRS 自动调用 Stata xtivreg2 / R ivreg + plm 输出：

表 3  2SLS 固定效应工具变量回归结果（因变量：SCP）

                          FE-OLS           FE-2SLS（IV）
变量                   b       SE        b         SE
DSCI（核心变量）      0.287***  0.064    0.431***   0.092
firm_size             0.043*   0.019    0.039*     0.020
leverage             -0.118**  0.038   -0.124**    0.041
roa                   0.512*** 0.147    0.498***   0.152
age                  -0.003   0.004   -0.004      0.004

企业固定效应            是               是
年份固定效应            是               是
聚类稳健标准误          是               是
N                     2,574           2,574
组内 R^2              0.234           0.218
一阶段 F 统计量         —              43.18***
Hansen J（p 值）        —               0.175

注：*** p < .001，** p < .01，* p < .05；标准误聚类在企业层面。
    括号内为 95% 置信区间端点；2SLS 结果为偏向 IV 更大，符合内生性上偏修正方向。

关键解读：FE-OLS 估计的 DSCI 系数为 0.287，FE-2SLS 估计为 0.431，后者更大。在本样本中，绩效差的企业被迫集中供应商、强化信息整合这一反向因果机制占主导，导致 OLS 低估了 DSCI 的真实效应（向下偏误）；而绩效好的企业更有资源推进信息整合这一方向虽同时存在，但在本数据结构下被前者抵消，净结果为 OLS 偏保守。在控制内生性后，DSCI 每提升 1 个标准差，供应链绩效综合指数约提升 0.431 × 0.118 = 0.051 个单位。

论文方法/结果写法（APA 7th，供应链实证报告句式）

方法章节：计量模型说明

本研究采用双向固定效应（Two-way FE）面板模型控制企业层面不可观测的时不变异质性和年份共同趋势。鉴于核心解释变量 DSCI 可能与误差项相关（内生性），以同行业-同年份其他企业 DSCI 均值（industry_iv）和企业注册地宽带普及率（city_broadband）作为工具变量，采用两阶段最小二乘（2SLS）估计因果效应。工具变量有效性通过 Kleibergen-Paap rk F 统计量（弱工具变量检验）和 Hansen J 过度识别检验加以验证。标准误聚类在企业层面以修正组内序列相关。所有分析使用 ChatSRS 完成（Stata 引擎，显著性水平 α = .05）。

方法章节：数据来源说明

本研究使用 A 股制造业上市公司 2015—2023 年非平衡面板数据（N = 286，T = 9，观测值 = 2,574）。供应链绩效（SCP）综合指数由存货周转率、应付账款周期、采购响应速度三项指标经主成分分析合成（第一主成分方差解释率 = 61.3%）。数字供应链信息整合指数（DSCI）由企业年报文本爬取并结合词频-逆文档频率（TF-IDF）方法构建。财务数据来源于 CSMAR 数据库，城市宽带数据来源于《中国城市统计年鉴》。

结果章节：描述统计报告

如表 1 所示，供应链绩效综合指数（SCP）的样本均值为 0.841（SD = 0.193），数字供应链信息整合指数（DSCI）的样本均值为 0.347（SD = 0.118），两者的 Pearson 相关系数为 r = .41（p < .001），初步表明 DSCI 与 SCP 之间存在显著正向关联，但需进一步控制内生性加以确认。

结果章节：Hausman 检验与内生性检验报告

Hausman 检验显示，chi^2(5) = 34.72，p < .001，拒绝随机效应一致性假设，确认应使用固定效应（FE）估计量。进一步对 DSCI 的内生性进行 Wu-Hausman F 检验，F(1, 2282) = 12.84，p < .001，结果拒绝外生性零假设，表明 DSCI 存在显著内生性，需采用工具变量方法处理。

结果章节：工具变量有效性报告

弱工具变量检验结果显示，Kleibergen-Paap rk F 统计量为 43.18，远超 Stock-Yogo（2005）10% 偏误水平对应的临界值（19.93），拒绝弱工具变量假设。Hansen J 过度识别检验统计量为 1.84，p = .175，不拒绝工具变量外生性零假设，表明两个工具变量在统计上均有效。

结果章节：2SLS 主回归结果报告

双向固定效应框架下的 2SLS 估计结果如表 3 第 (2) 列所示。控制企业与年份双向固定效应后，DSCI 对 SCP 的因果效应估计量为 b = 0.431，SE = 0.092，t(285) = 4.68，p < .001，95% CI [0.250, 0.612]（非标准化系数，量纲依赖于变量测量单位，如需与 Cohen 效应量阈值比照，应报告标准化 beta 或偏 η²）。与 FE-OLS 结果（b = 0.287）相比，2SLS 估计值更大，符合存在向下偏误内生性的理论预期。上述结果表明，在控制内生性后，数字供应链信息整合对供应链绩效具有显著且稳健的正向因果效应，假设 H1 得到支持。

上面五段可直接进论文 Method 章节和 Results 章节，只需替换你自己的数值。ChatSRS 的"APA 报告"功能可一键输出所有检验段落，无需手动转写。

常见 FAQ

Q1: FE-OLS 和 FE-2SLS 系数差很多，哪个用于论文主结论？

用 2SLS 作为主结论，OLS 作为对比列放在同一表格里（这是管理学/经济学顶刊的标准做法）。

逻辑是：如果内生性检验显著（p < .05），说明 OLS 不一致，2SLS 才是无偏/一致的因果估计量。通常会在表格注释里说明："考虑到核心变量的内生性，本研究以第 (2) 列的 2SLS 估计结果作为主要结论。"在 ChatSRS 里直接要求"同时输出 OLS 和 2SLS 对比列"，AI 自动排列两列系数。

Q2: 工具变量从哪里找？供应链研究常用的有哪些？

供应链/管理学实证研究常见的外生工具变量来源：

  • 同伴效应（Leave-one-out mean）：同行业-同年份其他企业的 X 均值（排除自身），适合信息整合、数字化投入等有同伴效应的变量
  • 地区基础设施变量：宽带普及率、物流基础设施指数、电商渗透率——影响信息化能力但不直接影响企业绩效
  • 政策冲击/准自然实验：互联网+政策、跨境电商试验区、自贸区设立——地区政策冲击作为外生变量
  • 历史滞后变量：解释变量滞后 2 期或 3 期作为工具（弱内生性情形，但需谨慎，易被质疑）

在 ChatSRS 里告诉 AI 你的候选工具变量，AI 自动帮你做相关性检验（F 检验）和外生性检验（Hansen J），判断哪些有效。

Q3: 模型跑出来 Hansen J 检验显著了怎么办？

Hansen J 检验显著（p < .05）意味着至少一个工具变量不外生，过度识别的情形下工具变量可能与误差项相关，2SLS 估计量不一致。处理思路：

  1. 逐一剔除工具变量，改用恰好识别（exactly identified，1 个内生变量 1 个工具变量），此时 Hansen J 无法计算，但第一阶段 F 仍可检验
  2. 重新论证工具变量外生性：在 Exclusion Restriction 框架下写论文逻辑，说明工具变量影响结果的唯一路径只经过内生变量
  3. 换工具变量：告知 ChatSRS 换另一批候选工具变量并重新检验

Q4: 双向固定效应（TWFE）和单向固定效应（FE-only）怎么选？

  • 单向 FE（企业固定效应）：控制企业异质性，但如果每年都有宏观共同冲击（如金融危机、疫情、政策变化），年份效应会污染估计
  • 双向 FE（企业 + 年份固定效应）：同时控制企业异质性和年份共同趋势，是供应链/管理学实证研究的推荐默认选项
  • 判断方式：在 ChatSRS 里要求"对年份虚拟变量做联合显著性检验（F 检验）"，若显著则年份固定效应不可省略

在 ChatSRS 里说明"双向固定效应"即可，AI 自动在 Stata 里加入 i.year 或 absorb(firm_id year)。

Q5: 研究用的是非平衡面板，会影响估计吗？

非平衡面板（unbalanced panel，每家企业不一定都有 T 年数据）在实务中非常常见，不会使 FE/2SLS 估计失效，但需注意：

  1. 样本选择偏误：企业上市/退市、ST 等导致的非平衡可能是内生的。如果"绩效好才留在样本"，需要报告存活偏误（Survivorship bias）并在稳健性检验里剔除特定年份数据
  2. ChatSRS 自动识别非平衡面板，在运行 xtreg/plm 时自动调整自由度，不需要手动处理

告诉 ChatSRS"这是非平衡面板，请在稳健性检验中报告仅保留平衡子样本的结果"，AI 自动过滤并对比。

Q6: 论文要求报告 Kleibergen-Paap rk Wald F 还是 Cragg-Donald F？

两者都要报，但侧重不同：

  • Cragg-Donald Wald F：假设误差项独立同分布（i.i.d.），是经典弱工具变量检验（Stock & Yogo 临界值表对应这个）
  • Kleibergen-Paap rk F：允许序列相关和异方差（robust），在使用聚类稳健标准误时更合适，已成为应用计量学期刊的报告标准

当使用聚类标准误时，以 Kleibergen-Paap rk F 为准。严格而言，Stock-Yogo（2005）临界值表对应 Cragg-Donald（i.i.d. 假设），不能直接用于 KP-F；对于允许异方差/聚类误差的场景，正确参考是 Montiel Olea & Pflueger（2013）为有效 F 统计量（effective F）提供的稳健临界值。实践中许多期刊仍接受 KP-F 与 Stock-Yogo 表的交叉比较，但投稿时建议同时注明局限并酌情补充 Olea-Pflueger 临界值。在 ChatSRS 里要求"同时报告两种 F 统计量"，AI 自动输出两行。

供应链实证分析小结

分析步骤方法ChatSRS 关键指令
了解数据全貌描述统计 + 相关矩阵"分组描述统计三线表 + 相关系数矩阵"
FE vs RE 选择Hausman 检验"做 Hausman 检验，判断 FE 还是 RE"
基准回归双向 FE + 聚类 SE"双向固定效应，DSCI 为核心变量，聚类稳健标准误"
内生性识别Wu-Hausman F 检验"对 DSCI 做 Durbin-Wu-Hausman 内生性检验"
工具变量有效性弱 IV 检验 + Hansen J"报告 KP-F 统计量和 Hansen J 过度识别检验"
因果识别FE-2SLS"工具变量为…，2SLS 估计 DSCI 对 SCP 的因果效应"
APA 报告自动生成"按 APA 7th 格式输出 Methods 和 Results 段落"

每步 ChatSRS 都可直接生成 APA 7th 报告段落，无需手动转写。如需系统 GMM 处理动态面板（含被解释变量滞后项），参见：系统 GMM 用 AI 一句话完成 — 动态面板估计与 APA 报告

相关阅读

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。