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：FEvsPOLS,REvsPOLS,FEvsRE(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-GM)M* 5.面板随机前沿模型* 6.面板协整分析(FMOLS,DOLS)***说明：1-5均用STAT儆件实现，6用GAUS软件实现生产效率分析(尤其指TFP):数据包络分析(DEA)与随机前7&分析(SFA)***说明：DE岫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(SpilloversEffect)、工业行业效率状况等空间计量分析：SLM莫型与SEM1型* 说明：STATgMatlab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xtsetidyear(id为截面名称，year为时间名称)xtdes/*数据特征*/xtsumlogyh/*数据统计特征*/sumlogyh/*数据统计特征*/* 添加标签或更改变量名labelvarh"人力资本"renamehhum* 排序sortidyear/*是以STATAU板数据格式出现*/sortyearid/*是以DE船式出现*/* 删除个别年份或省份dropifyear<1992dropifid==2/*注意用==*/*如何得到连续year或id编号(当完成上述操作时，year或id就不连续，为形成panel格式，需要用egen命令)egenyear_new=group(year)xtsetidyear_new* *保留变量或保留观测值keepinv/*删除变量*/* *或keepifyear==2000* *排序sortidyear/*是以STATAU板数据格式出现sortyearid/*是以DE醺式出现 长数据和宽数据的转换* 长 >>>宽数据reshape wide logy,i(id) j(year)1 宽>>>长数据reshapelogy,i(id)j(year)2 *追加数据(用于面板数据和时间序列)xtsetidyear3 或者xtdestsappend,add(5)/表示在每个省份再追加5年，用于面板数据/tsset4 或者tsdes.tsappend,add(8)/表示追加8年，用于时间序列/5 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)bysortyear:corrYXZ,cov6 *生产虚拟变量7 生成年份虚拟变量tabyear,gen(yr)8 生成省份虚拟变量tabid,gen(dum)9 *生成滞后项和差分项xtsetidyeargenylag=l.y/ 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, clearbrowsextset id yearxtdes* * --- 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)产生一阶滞后项)，同样可产生二阶滞后项*/genylag2=L2.ygendy=D.y/*产生差分项*/10 求出各省2000年以前的openinv的平均增长率collapse(mean)openinvifyear<2000,by(id)变量排序，当变量太多，按规律排列。
可用命令aorder或者orderfdiopeninsti11*二、静态面板模型**散点图+二次拟合曲线twoway(scatterlogyh)(qfitlogyh)* 散点图+线性拟合直线+置信区间twoway(scatterlogyh)(lfitlogyh)(lfitcilogyh)* 按不同个体画出散点图和拟合线，可以以做出fevsre的初判断*twoway(scatterlogyhifid<4)(lfitlogyhifid<4)(lfitlogyhifid==1)(lfitlogyhifid==2)(lfitlogyhifid==3)* 按不同个体画散点图,sobeautiful!!!*graphtwowayscatterlogyhifid==1||scatterlogyhifid==2,msymbol(Sh)||scatterlogyhifid==3,msymbol(T)||scatterlogyhifid==4,msymbol(d)||,legend(position(11)ring(0)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twowayscatterlogyh,by(id)ylabel(,format(%3.0f))xlabel(,format(%3.0f))* 每个个体的时间趋势图*xtlinehifid<11,overlaylegend(on)* 一个例子：中国29个省份的C-D生产函数的估计tabid,gen(dum)list* 回归分析reglogylogklogldum*,eststorem_olsxtreglogylogklogl,feeststorem_feesttablem_olsm_fe,b(%6.3f)star(0.10.050.01)* Wald检验testlogk=logl=0testlogk=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)组内平均* ym=um+xm*b+em(3)样本平均* (1)-(2),可得：4) /*within estimator*/* (y_it-ym_i)=(x_it-xm_i)*b+(e_it-em_i)* (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个体内部平均 */样本平均 */* 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_meanw = mean(logy), by(id) /* egen y_mean = mean(logy) /*egenk_meanw=mean(logk),by(id)egenk_mean=mean(logk)egenl_meanw=mean(logl),by(id)egenl_mean=mean(logl)gendyw=logy-y_meanwgendkw=logk-k_meanwgendlw=logl-l_meanwregdywdkwdlw,noconseststorem_statagendy=logy-y_meanw+y_meangendk=logk-k_meanw+k_meangendl=logl-l_meanw+l_meanregdydkdleststorem_stataesttablem_*,b(%6.3f)star(0.10.050.01)*解读xtreg,fe的估计结果xtreglogyhinvgovopen,fe* --RA2* y_it=a_0+x_it*b_o+e_it(1)pooledOLS* y_it=u_i+x_it*b_w+e_it(2)withinestimator* ym_i=a_0+xm_i*b_b+em_i(3)betweenestimator*R2* -->R-sq:within模型⑵对应的R2,是一个真正意义上的* -->R-sq:betweencorr{xm_i*b_w,ym_i}A2* -->R-sq:overallcorr{x_it*b_w,y_it}A2** --F(4,373)=855.93检验除常数项外其他解释变量的联合显著性** --corr(u_i,Xb)=-0.2347** --sigma_u,sigma_e,rho* rho=sigma_uA2/(sigma_uA2+sigma_eA2)dise(sigma_u)A2/(e(sigma_u)A2+e(sigma_e)A2)** 个体效应是否显著？* F(28,373)=338.86H0:a1=a2=a3=a4=a29* Prob>F=0.0000表明，固定效应高度显著* ---如何得到调整后的R2,即adj-R2？ereturnlistreglogyhinvgovopendum** ---拟合值和残差* y_it=u_i+x_it*b+e_it* predictnewvar,[option]/*xbxb,fittedvalues;thedefaultstdpcalculatestandarderrorofthefittedvaluesueu_i+e_it,thecombinedresidualxbuxb+u_i,predictionincludingeffectuu_i,thefixed-orrandom-errorcomponentee_it,theoverallerrorcomponent 7.2.1 时间效应(双向固定 (随机 ) 效应模型)* 7.2.2 模型的筛选* 7.2.3 面板数据常见问题* 7.2.4 面板数据的转换—/xtreglogylogklogl,fepredicty_hatpredicta,upredictres,epredictcres,uegenares=a+reslistarescresin1/10**随机效应模型*—*y_it=x_it*b+(a_i+u_it)=x_it*b+v_it*基本思想：将随机干扰项分成两种* 一种是不随时间改变的，即个体效应a_iu_it* 另一种是随时间改变的，即通常意义上的干扰项* 估计方法：FGLSVar(v_it)=sigma_aA2+sigma_uA2Cov(v_it,v_is)=sigma_aA2* Co。