《面板门槛的介绍》由会员分享，可在线阅读，更多相关《面板门槛的介绍（12页珍藏版）》请在金锄头文库上搜索。
1、Hansen_1999.do - Printed on 2012-7-1 21:26:47 Page 1 1 2 * - 3 * - 4 * 5 * Stata 学术论文专题 6 * 7 * - 8 * - 9 10 11 * 主讲人：连玉君 副教授 12 * 13 * 单 位：中山大学岭南学院金融系 14 * 电 邮: 15 * 博 客: http:/ 16 * 主 页：http:/goo.gl/tRXba 17 * 微 博：http:/ 18 19 20 *-面板门槛模型 21 *- 22 * Hansen, B., 1999. 23 * Threshold effects in non
2、-dynamic panels: 24 * Estimation, testing, and inference. 25 * Journal of Econometrics, 93(2):345-368. 26 *- 27 28 29 *-主要方法 30 *- Panel Threshold Model: xtthres 31 *- Bootstrap 32 *- FE (Fixed Effect Model): xtreg, fe 33 34 global path “c(sysdir_personal)PX_papers“ /定义课程目录 35 36 cd “$pathHansen_199
3、9“/ 进入本讲目录 37 adopath + “$pathadofiles“/ 自编程序 38 39 40 *-原始论文 41 shellout “$pathRefsHansen_1999.pdf“ 42 43 *-中文介绍 44 shellout “$pathRefs连玉君_08_Panel_Data.pdf“ 45 46 47 48 49 *- 50 *- 面板门槛模型 51 *- 52 53 *- 54 *-1.1 简介 55 56 *- 57 *-1.1.1 结构突变问题 58 59 *- 60 *-结构变化问题非常普遍 61 62 *-人力资本与经济增长 _| 型, 扁 S 型 6
4、3 64 *-第一大股东持股比例与公司价值 倒 U 型 65 66 *-资本结构与公司价值 倒 U 型 67 68 *- 73 Hansen_1999.do - Printed on 2012-7-1 21:26:47 Page 2 69 *-典型的处理方法 70 71 * 加入解释变量的二次项，如 reg y x x2 72 73 * 加入虚拟变量和交乘项，如 reg y x d d*x (d=1 if top10.5) 74 75 * 分组回归 76 77 *- 78 * 存在的问题：x 与 x2 往往是高度共线性的； 79 * 如何确定分组界点？错误的界点会导致严重的偏误 80 81 8
5、2 *- 83 *-1.1.2 面板门槛模型的设定 84 85 shellout “$pathRefsHansen_1999.pdf“ 86 87 * ui + b1*Xit + eit if qit gamma 90 * 91 *- yit - 被解释变量 92 *- Xit - 解释变量 93 *- qit - 门槛变量 94 95 *- 96 *-Key points: 97 * 98 * (1) gamma 是未知的, 将通过数据的特征自动估计出来； 99 * (2) 可以很方便地扩展多多个门槛的情形 100 101 *-另一种表述方式： 102 * 103 * yit = ui +
6、b1*Xit*I(qitgamma) + eit 105 106 *-估计方法： 107 * 在样本区间内遍试所可能的 qit 值，拟合的最好的就是所需的届点 108 * 109 *-检验方法： 110 * Bootstrap，因为在原假设下，参数 gamma 是未知的； 111 * 详见: Stata 高级视频, B9_MC_BS.do 112 * 113 *-命令： xtthres 和 xttr_graph 114 115 *- 116 *-1.1.3 应用 117 118 *-连玉君, 程建. 119 * 不同成长机会下资本结构与经营绩效之关系研究, 当代经济科学, 2006年02期.
7、120 121 *-李平,许家云. 122 * 国际智力回流的技术扩散效应研究基于中国地区差异及门槛回归的实证分析. 123 * 经济学(季刊). 2011年3期 124 125 *-李梅,柳士昌 126 * 对外直接投资逆向技术溢出的地区差异和门槛效应 127 * 管理世界. 2012年第1期 128 129 *-刘胜强,刘星. 130 * 董事会规模对企业R H1: b1!=b2 405 * 406 * So - S1(gamma) 407 * F = - True value: F0 408 * sigma2 78 Hansen_1999.do - Printed on 2012-7-1
8、 21:26:47 Page 7 409 * 410 *- So: 不存在门槛效应时的 OLS 残差平方和，reg y x e SUM e2 411 *- S1: 存在门槛效应时的 OLS 残差平方和， reg y x xd e SUM e2 412 *- sigma2 = S1/n(T-1) 413 414 *-Bootstrap 步骤 415 * 1. Bootstrap the sample with replace; (以公司为单位) 416 * 2. Use the BS sample, 分别估计 H0 和 H1 下的模型，计算 F 统计量, 417 * 3. 重复第一步和第二步 K
9、=1000 次，得到 Fj = F1, F2, F3, ., F1000 418 * 4. 经验 p 值 = (Fj 大于 F0 的次数)/抽样次数 419 420 use xtthres_sim1.dta, clear 421 422 *- 423 *-Step 1: 计算F真实值 424 *- 425 preserve 426 *-1- 估计线性模型(无门槛)，记录 S0 427 qui reg y x 428 local S0 = e(rss) 429 *-2- 估计单一门槛模型，记录 S1(gamma=50) 430 tempvar d xd 431 gen d= t50 432 ge
10、n xd = x*d 433 qui reg y x xd 434 local S1 = e(rss) 435 local sigma2 = S1/(100-1)/ N-1=100-1 436 *-3- 计算 F 值 437 global F0 = (S0-S1)/sigma2 438 dis “F_true = “ in y $F0 439 restore 440 441 *- 442 *-Step 2: Bootstrap 443 *- 444 global reps = 99/ bootstrap 次数 445 gen F = ./ 记录 Bootstrap 得到的 F 值 446 di
11、s _n in g “STATA 自抽样中，请等待 . .“ _n/ 纯属娱乐 447 forvalues j=1/$reps 448 qui 449 preserve 450 bsample/ Bootstrap 抽样 451 *-计算F值 452 *-1- 估计线性模型(无门槛)，记录 S0 453 qui reg y x 454 local S0 = e(rss) 455 *-2- 估计单一门槛模型，记录 S1(gamma=50) 456 *-2.1-搜索门槛值 457 gen rss = . 458 forvalues i=5/95 459 gen di = (ti) 460 gen
12、xdi = x*di 461 qui reg y x xdi 462 qui replace rss = e(rss) in i 463 drop di xdi 464 465 sort rss 466 local gamma = t1/ 找到了门槛值 467 *-2.2-估计单一门槛模型,计算 BS 样本的 S1 468 gen d = tgamma 469 gen xd= x*d 470 reg y x xd 471 local S1 = e(rss) 472 *-2.3-计算 F 值 473 local F = (S0/S1-1)*(100-1) 474 restore 475 repl
13、ace F = F in j/ 记录第 j 轮循环的 F 值 476 / over qui 79 Hansen_1999.do - Printed on 2012-7-1 21:26:47 Page 8 477 dis in y “+“ _c 478 / over reps 479 480 *- 481 *-Step 3: 计算“经验 p 值” 482 *- 483 dis “$F0“ 484 count if F$F0&F!=. 485 local p_value = r(N)/$reps 486 dis “Empirical p-value = “ p_value 487 488 489 490 *-检验 2：门槛值是否等于真实值？ 491 492 *-H0: gamma_hat = gamma0 (Hansen,1999, p.351) 493 494 *-LR test 495 * S1(gamma) - S1(gamma_hat) 496 * LR(gamma) = - 49
