经过一番研究，我可以给出部分答案。在他的书中 ，Wooldridge 讨论了横截面和面板数据的泊松和负二项式回归。但是对于滞后变量的回归，他只讨论了泊松回归。也许在新版本中讨论了负二项式。主要结论是，对于具有滞后随机变量的随机效应泊松回归，可以通过混合效应泊松回归模型进行估计。详细描述可以在这里找到。可以使用包lme4中的glmer估计 R 中的混合效应泊松回归。要使其适应面板数据，您需要显式创建滞后变量。然后你的估计命令应该是这样的：

glmer(y~lagy+exo+(1|Country),data,family=quasipoisson)

您还应该查看@dickoa建议的 gplm 包。但一定要检查它是否支持滞后变量。gplm 和 plm 包的创建者 Yves Croissant 编写了精彩的代码，但不幸的是，根据我的个人经验，代码没有经过足够的测试，因此 bug 比标准 R 包更频繁地出现。

也许你可以看看pglm包（来自 plm 的同一作者），使用家庭negbin。您也可以从贝叶斯的角度尝试 MCMCglmm 包。