《stata命令大全全》由会员分享,可在线阅读,更多相关《stata命令大全全(34页珍藏版)》请在金锄头文库上搜索。
1、stata命令大全(全) 作者: 日期:* 面板数据计量分析与软件实现 *说明:以下do文件相当一部分内容来自于中山大学连玉君STATA教程,感谢他的贡献。本人做了一定的修改与筛选。 *-面板数据模型 * 1.静态面板模型:FE 和RE * 2.模型选择:FE vs POLS, RE vs POLS, FE vs RE (pols混合最小二乘估计) * 3.异方差、序列相关和截面相关检验 * 4.动态面板模型(DID-GMM,SYS-GMM) * 5.面板随机前沿模型 * 6.面板协整分析(FMOLS,DOLS)* 说明:1-5均用STATA软件实现, 6用GAUSS软件实现。 * 生产效率分
2、析(尤其指TFP):数据包络分析(DEA)与随机前沿分析(SFA)* 说明:DEA由DEAP2.1软件实现,SFA由Frontier4.1实现,尤其后者,侧重于比较C-D与Translog生产函数,一步法与两步法的区别。常应用于地区经济差异、FDI溢出效应(Spillovers Effect)、工业行业效率状况等。 * 空间计量分析:SLM模型与SEM模型*说明:STATA与Matlab结合使用。常应用于空间溢出效应(R&D)、财政分权、地方政府公共行为等。* -* - 一、常用的数据处理与作图 -* -* 指定面板格式xtset id year (id为截面名称,year为时间名称) xtd
3、es /*数据特征*/xtsum logy h /*数据统计特征*/sum logy h /*数据统计特征*/*添加标签或更改变量名label var h 人力资本rename h hum*排序sort id year /*是以STATA面板数据格式出现*/sort year id /*是以DEA格式出现*/*删除个别年份或省份drop if year宽数据reshape wide logy,i(id) j(year)*宽长数据reshape logy,i(id) j(year)*追加数据(用于面板数据和时间序列)xtset id year *或者 xtdestsappend,add(5) /
4、表示在每个省份再追加5年,用于面板数据/tsset *或者 tsdes.tsappend,add(8) /表示追加8年,用于时间序列/*方差分解,比如三个变量Y,X,Z都是面板格式的数据,且满足Y=X+Z,求方差var(Y),协方差Cov(X,Y)和Cov(Z,Y)bysort year:corr Y X Z,cov*生产虚拟变量*生成年份虚拟变量tab year,gen(yr)*生成省份虚拟变量tab id,gen(dum)*生成滞后项和差分项xtset id yeargen ylag=l.y /*产生一阶滞后项),同样可产生二阶滞后项*/gen ylag2=L2.y gen dy=D.y
5、/*产生差分项*/*求出各省2000年以前的open inv的平均增长率collapse (mean) open inv if year2000,by(id)变量排序,当变量太多,按规律排列。可用命令aorder或者order fdi open insti*-* 二、静态面板模型*-*- 简介 -* 面板数据的结构(兼具截面资料和时间序列资料的特征) use product.dta, clear browse xtset id year xtdes* -* - 固定效应模型 -* -* 实质上就是在传统的线性回归模型中加入 N-1 个虚拟变量,* 使得每个截面都有自己的截距项,* 截距项的不同
6、反映了个体的某些不随时间改变的特征* * 例如: lny = a_i + b1*lnK + b2*lnL + e_it* 考虑中国29个省份的C-D生产函数*-画图-*散点图+线性拟合直线twoway (scatter logy h) (lfit logy h)*散点图+二次拟合曲线twoway (scatter logy h) (qfit logy h)*散点图+线性拟合直线+置信区间twoway (scatter logy h) (lfit logy h) (lfitci logy h)*按不同个体画出散点图和拟合线,可以以做出fe vs re的初判断* twoway (scatter l
7、ogy h if id4) (lfit logy h if id4) (lfit logy h if id=1) (lfit logy h if id=2) (lfit logy h if id=3)*按不同个体画散点图,so beautiful!*graph twoway scatter logy h if id=1 | scatter logy h if id=2,msymbol(Sh) | scatter logy h if id=3,msymbol(T) | scatter logy h if id=4,msymbol(d) | , legend(position(11) ring(0
8、) label(1 北京) label(2 天津) label(3 河北) label(4 山西) *每个省份logy与h的散点图,并将各个图形合并twoway scatter logy h,by(id) ylabel(,format(%3.0f) xlabel(,format(%3.0f)*每个个体的时间趋势图* xtline h if id11,overlay legend(on) * 一个例子:中国29个省份的C-D生产函数的估计 tab id, gen(dum) list * 回归分析 reg logy logk logl dum*, est store m_ols xtreg log
9、y logk logl, fe est store m_fe est table m_ols m_fe, b(%6.3f) star(0.1 0.05 0.01) * Wald 检验 test logk=logl=0 test logk=logl * stata的估计方法解析 * 目的:如果截面的个数非常多,那么采用虚拟变量的方式运算量过大 * 因此,要寻求合理的方式去除掉个体效应 * 因为,我们关注的是 x 的系数,而非每个截面的截距项 * 处理方法: * * y_it = u_i + x_it*b + e_it (1) * ym_i = u_i + xm_i*b + em_i (2) 组内
10、平均 * ym = um + xm*b + em (3) 样本平均 * (1) - (2), 可得: * (y_it - ym_i) = (x_it - xm_i)*b + (e_it - em_i) (4) /*within estimator*/ * (4)+(3), 可得: * (y_it-ym_i+ym) = um + (x_it-xm_i+xm)*b + (e_it-em_i+em) * 可重新表示为: * Y_it = a_0 + X_it*b + E_it * 对该模型执行 OLS 估计,即可得到 b 的无偏估计量 *stata后台操作,揭开fe估计的神秘面纱! egen y_m
11、eanw = mean(logy), by(id) /*个体内部平均*/ egen y_mean = mean(logy) /*样本平均*/ egen k_meanw = mean(logk), by(id) egen k_mean = mean(logk) egen l_meanw = mean(logl), by(id) egen l_mean = mean(logl) gen dyw = logy - y_meanw gen dkw = logk - k_meanw gen dlw=logl-l_meanw reg dyw dkw dlw,nocons est store m_statagen dy = logy - y_meanw + y_mean gen dk = logk - k_meanw +k_mean gen dl=logl-l_meanw+l_mean reg dy dk dl est store m_stata est table m_*, b(%6.3f) star(0.1 0.05 0.01) * 解读 xtreg,fe 的估计结果 xtreg logy h inv gov open,fe *- R2 * y_it = a_0 + x_it*b_o +