結合自身在stata軟件實際操作中的經驗，做出門檻迴歸模型的小結如下：
注：本人採用的是Hansen個人主頁上的代碼完成的，具體代碼請在網上搜索BruceHansen的個人主頁（門檻迴歸創始人）-左下角的Programs and Data--Organized by Subject--Threshold Models--STATA Programs
1、門檻變量的選擇。門檻變量的選擇可由理論模型外生決定，漢森指出，由於門檻迴歸方法是通過對門檻變量進行排序後進行模型估計的，如果門檻變量含有較強的時間趨勢，就會將這種趨勢帶入模型中，趨勢的存在將改變突變點似然分佈檢驗，更重要的是，在這種情況下，置信區間無法構建，使得問題無法研究，因此本文在選取門檻變量時儘量避免選擇帶有趨勢的絕對指標，而選擇相對指標。
2、顯著性檢驗。門檻迴歸模型的實質是利用門檻值將樣本分爲兩組，只有當兩組樣本的估計參數顯著不同時，才使用門檻迴歸模型，否則說明不存在門檻，使用線性模型就可以了，因此必須對模型進行顯著性檢驗。
（1）門檻效應的存在性檢驗：單一門檻存在性檢驗。進行顯著性檢驗的方法是漢森提出的ＬＭ（ｌａｇｒａｎｇｅ ｍｕｌｔｉｐｌｉｅｒ）檢驗，原假設爲：
如果零假設H0被拒絕，則表示模型存在機制轉換（即存在門檻）；反之，則表示不存在門檻。但是該H0假設表示不存在門檻，這將導致門檻參數無法識別，此時檢驗統計量的大樣本分佈將是受到干擾參數影響的“非標準非相似分佈”（ｎｏｎ－ｓｔａｎｄａｒｄ ｎｏｎ－ｓｉｍｉｌａｒ），而不是“卡方分佈”，那麼就無法使用模擬的方法得到分佈的臨界值。漢森爲了解決這個問題，利用統計量本身的大樣本分佈函數進行轉換，並使用“自助抽樣法”（ｂｏｏｔｓｔｒａｐ）進行計算，得到大樣本的漸進ｐ值。如果該ｐ值統計量的大樣本分佈爲均勻分佈，則零假設成立。在對零假設進行統計檢驗時，可以利用ＬＭ統計量構造似然比統計量，其公式爲：
式中，Ｓ０爲在零假設（即無門檻值）下的殘差平方和加總；Ｓ１爲存在門檻效應下的殘差平方和加總。如果拒絕了ＬＭ檢驗，則表示模型至少存在一個門檻值，此時要繼續進行兩個門檻值的檢驗。
（2）門檻效應的存在性檢驗：雙重門檻的存在性檢驗（同上）
原假設爲不存在門檻效應: H0∶ β1= β2= β3; 相應的備擇假設?爲 H1∶ β1≠β2（表示至少存在一個門檻）。我們採用自舉抽樣法( Bootstrap) 模擬似然比檢驗的漸進分佈。
似然比檢驗基於如下統計量:
其中，S0爲假設不存在門檻效應時β估計相應的殘差平方和，S(^γ1)爲存在單一門檻效應時β估計相應的殘差平方和。n爲樣本國家個數，T爲時間跨度。在重複多次自舉抽樣計算後，得到原假設H0下F1統計量的漸進p值，如果p值小於臨界值(1%、5%或10%)，那麼就拒絕原假設。
【例子】：漢森thresholdtest運行結果：F值（LM檢驗值）爲12.6，對於P值爲0.078.
thresholdtest運行結果中的P值爲0.0788，所以存在一個門檻值，再運行thresholdreg得到具體門檻值。然後再在門檻值左右兩部分分別做thresholdtest和thresholdreg，比較左右部分的thresholdreg結果裏的SSE（殘差平方和），哪個殘差平方和小，對應的門檻值就是第二個門檻值。反過來，再依據第二個門檻值劃分左右兩部分，再在門檻值左右兩部分分別做thresholdtest和thresholdreg，比較左右部分的thresholdreg結果裏的SSE（殘差平方和），哪個殘差平方和小，對應的門檻值就是第一個門檻值。這樣第一、二個門檻值就確定了，各自的迴歸方程也確定了。
結果說明在10%顯著性水平下，存在門檻值，且至少存在一個門檻值。
（3）確定門檻值的個數。
在存在門檻效應的基礎上，再確定門檻值的個數。以雙門檻模型爲例。由於雙重門檻模型可能存在兩個也可能存在一個門檻，所以需要對門檻的個數進行檢驗。原假設爲存在單一門檻: H0: β1= β2≠ β3（數字順序可調換，表示僅存在1個門檻值）; 相應的備擇假設爲 H1: β1≠ β2≠ β3（至少存在2個門檻值）。該檢驗基於如下統計量:
如果 F2大於臨界值，那麼拒絕僅存在一個門檻的假設。如果不只存在單一門檻，還
需對模型進一步檢驗以確定是雙重門檻、三重門檻、四重門檻…或是 n 重門檻。
（4）確定門檻值的個數的理論過程
就是Sum of Squared Iterval最小時的Threshold Estimate值
3、門檻效應的真實性檢驗
顯著性檢驗只能檢驗樣本是否存在門檻值，如果存在門檻值，但是門檻估計值γ與實際門檻值γ０是否一致卻無法確定。這是因爲存在着干擾參數，它使得漸進分佈呈高度非標準分佈。因此漢森提出使用最大似然估計法求得統計量的漸進分佈，來檢驗門檻估計值γ與門檻實際值γ０是否具有一致性。門檻值檢驗的原假設爲：Ｈ０∶γ＝γ０ ，其似然比統計量爲式：
在確定了門檻值之後，還要構造 γ 的置信區間對“門檻效應”進行真實性檢驗。對於
單一門檻估計值的漸進分佈特徵，設 γ 爲真實值，^γ 爲 γ 的一致估計量，它的分佈是高
度非標準分佈，故利用似然比統計量構造出“非拒絕域”。對於單門檻模型，原假設爲 H0:
^γ1= γ1，似然比統計量爲：
對於雙門檻估計值的漸進分佈特徵，記 ( γ1，γ2) 爲真實值，( ^γ1，^γ2) 爲 ( γ1，γ2)的一致估計量，原假設爲 H0: ( ^γ1，^γ2) = ( γ1，γ2) ，似然比統計量爲：
門檻迴歸結果中，係數的t值自己算，t=係數估計值/st error，然後再根據樣本數n和變量數q查t值表得到在1%、5%和10%顯著性水平下的臨界值。拿計算出的t值與臨界值比較。
STATA15軟件中命令threshold默認爲時間序列，並不適用橫截面與面板數據，故首先需要tsset數據，才能使用threshold命令。所以如果對橫截面數據進行門檻迴歸或進行深入的統計推斷，則建議使用門檻迴歸創始人BruceHansen的個人網頁提供的非官方Stata命令（即thresholdreg和thresholdtest命令）
網頁：https://www.ssc.wisc.edu/~bhansen/progs/progs_threshold.html
如果使用面板數據進行門檻迴歸，則建議使用南開大學王羣勇教授的非官方Stata命令xthreg（Wang,2015）,在stata中可輸入命令finditxthreg來搜索下載
結尾附上漢森程序代碼和含義
在漢森STATA程序文件中有如下5個文件：
原始數據是如下這種形式：
在實際操作中，先運行thresholdtest.ado和thresholdreg.ado文件，再分別運行
thresholdtest GDP_Growth log_GDP InvGDP Pop_Growth school, q(GDP) trim_per(0.15) rep(5000)
來檢驗門檻效應是否存在；
thresholdreg GDP_Growth log_GDP InvGDP Pop_Growth school, q(GDP) h(1)
來做門檻迴歸。