与传统的回归分析中的假设不同，如果在分析中存在说明变数和误差之间相关的情况，通常我们使用最小二乘法来进行参数的估计。 但是最小二乘法也存在很多缺陷，为了解决最小二乘法的这些问题，所使用的其中一种方法就是工具变数推定法（Instrumental VariableMethod）。但是，说明变数和误差之间是否存在相关关系，与使用说明变数相比使用工具变量是否更好，仍然是个问题。因此提出了这一标准的代表性检验方法，即Durbin-Wu-Hausman 检验法。
该方法是根据Durbin-Wu-Hausman 统计量的渐近性和卡方分布来进行计算的，对说明变数和误差项之间没有关联的归无假设进行鉴定和检验。 在样本数多的时候，经验分布和卡方分布之间并没有发现很基于STATA 的统计方法分析大的差异，但是在样本数少的情况下，就会出现歪曲的结果，两种分布之间就会存在着很大的差异。
另外，如果存在说明变数和工具变量之间的低相关关系或小标本中误差和工具变量之间的相关关系等情况，那么就说明工具变量的适合性存在着很大的问题，这也会影响Durbin-Wu-Hausman 检验法的检验能力。
之前有很多学者研究过关于说明变量和工具变量之间相关关系较低时可能会发生的问题。Ka-fu Wong（1996）在论述说明变量和工具变量之间的低相关关系对Durbin-Wu-Hausman 检验法产生的影响时，指出了低相关关系对归无假设的驳回率产生重要影响的事实，另外采用不寻求理论性分布，利用样本内在分布信息的非正态分布法——Bootstrap 法，使归无假设的驳回率接近于实际大小，从而进一步提高了Durbin-Wu-Hausman 检验法的检验能力。一般来说，利用经验性分布的Bootstrap 法在样本数量小的时候，与只具有渐近性和妥当性的现有近似法相比，在数据的原始分布上会带来更好的结果。
如果说明变数和误差项之间存在着相关关系，那么通过通常的最小乘数推定法的推定量就不能保证参数估计的一致性。 为了解决这个问题，提出的方法之一就是利用工具变数推定法去进行分析。即，为了解决说明变量X 和误差项之间存在的关联而发生的一系列问题，我们需要找出与X 有相关关系，而与误差项没有相关关系的Z 变量，用Z 来代替X 变量，那么这时Z 变量就属于工具变量。具体来说，如果说明变数和工具变数之间相关关系较低，虽然随着样本群体的扩大推测值的分布会逐渐接近于正规分布，但是如果样本群体太小的话，其准确的推测值分布很难仅以现有的渐进性分布来进行说明。在已有的研究中，Charles R. Nelson 和 Richard Startz（1990）曾指出，即使工具变量满足现有前提条件，但是说明变数和工具变量之间相关关系非常低时，其参数的估计量也会出现问题。另外，Douglas Stager 和 James H. Stock 也指出，如果说明变数和工具变量之间相关性较低，那么在样本群体变大的情况下，也会发生严重的预测不准确的问题。
第 1 章 基于面板分析的数据管理和基础统计
1.1 面板/ 纵截面数据
1.2 面板数据的优点和缺点
1.3 面板分析的数据管理
第2 章 Pooled OLS/Panel GLS
2.1 Pooled OLS
2.2 Panel GLS
2.3 异方差的假定和LR 检验
2.4 自相关的假设
2.5 自相关检验
第3 章 固定效果模型FE
3.1 基础模型的估计
3.2 FE 模型估计
3.3 二元固定效果模型
3.4 自相关关系的检验
3.5 异方差性检验
第4 章 概率效果模型RE
4.1 基本模型和估计
4.2 RE 模型的参数估计
4.3 关于误差项的假设检验
4.4 异方差性检验
4.5 Hausman 检验
4.6 Durbin-Wu-Hausman 检验法
4.7 对Bootstra 检验法的考察
4.8 利用Bootstra 的Durbin-Wu-Hausman 检验法
第5 章 PCSE 模型
5.1 异方差检验
5.2 自相关检验
5.3 PCSE 模型估计
第6 章 回归分析
6.1 一元回归分析
6.2 单纯回归模型的匹配
6.3 总体方差σ2 的估计量
6.4 回归模型的配适度检验
6.5 模型的妥当性检验和模型的变换
6.6 空间回归模型
第7 章 同质面板数据模型
7.1 基本模型以及参数估计的假定
7.2 GMM 估计法
第8 章 面板GEE 模型——logit、probit 和Lasso 回归
8.1 面板GEE 模型的假设
8.2 xtgee（logit）模型参数估计
8.3 logistic 回归模型概述
8.4 xtgee（probit）模型参数估计
8.5 probit 模型和logistic 模型
8.6 probit 模型的参数估计方法
8.7 Lasso 回归模型
第9 章 二重差分法模型和倾向点数匹配
9.1 二重差分法模型的基本概念
9.2 二重差分法的基本假
9.3 二重差分法的基本原理
9.4 相互作用回归分析的二重差分法
9.5 重复测量的二重差分法
9.6 Lag 变量的重复测量法
9.7 Before-After 参数估计法
9.8 Lag 变量的估计法
9.9 倾向点数匹配
第10 章 tobit 模型和Heckman 模型
10.1 面板tobit 模型概述
10.2 tobit 模型的限制
10.3 Heckman 模型
10.4 tobit 模型与Heckman 模型之间的关系
10.5 tobit 回归模型的选择方法
10.6 tobit 回归模型与线性回归模型的参数值比较
第11 章 生存分析
11.1 生存分析概述
11.2 生存特性和生存要因
11.3 Kaplan-Meier 法
11.4 Cox 比例风险模型
11.5 生存函数的估计
11.6 使用协变量的生存分析
11.7 KMV 模型
第12 章 HLM 模型
12.1 HLM 模型概述
12.2 内在多层模型
12.3 内在多层模型的方法论特性
12.4 二元多层模型
12.5 二元多层模型的方法论特性
12.6 内在多层模型与二元多层模型的结构特性
第13 章 方差分析
13.1 方差分析概述
13.2 事后检验的种类和特点
13.3 事后检验的研究
