《STATA面板大数据模型操作命令》由会员分享，可在线阅读，更多相关《STATA面板大数据模型操作命令（15页珍藏版）》请在金锄头文库上搜索。
1、wordSTATA 面板数据模型估计命令一览表一、静态面板数据的STATA处理命令 固定效应模型 随机效应模型一数据处理输入数据tsset code year 该命令是将数据定义为“面板形式xtdes 该命令是了解面板数据结构summarize sq cpi unem g se5 ln 各变量的描述性统计统计分析gen lag_y=L.y / 产生一个滞后一期的新变量gen F_y=F.y / 产生一个超前项的新变量gen D_y=D.y / 产生一个一阶差分的新变量gen D2_y=D2.y / 产生一个二阶差分的新变量二模型的筛选和检验1、检验个体效应混合效应还是固定效应原假设：使用OLS
2、混合模型xtreg sq cpi unem g se5 ln,fe对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果明确固定效应模型优于混合OLS模型。2、检验时间效应混合效应还是随机效应检验方法：LM统计量原假设：使用OLS混合模型qui xtreg sq cpi unem g se5 ln,re (加上“qui之后第一幅图将不会呈现)xttest0可以看出，LM检验得到的P值为0.0000，明确随机效应非常显著。可见，随机效应模型也优于混合OLS模型。3、检验固定效应模型or随机效应模型 检验
3、方法：Hausman检验原假设：使用随机效应模型个体效应与解释变量无关通过上面分析，可以发现当模型参加了个体效应的时候，将显著优于截距项为常数假设条件下的混合OLS模型。但是无法明确区分FE or RE的优劣，这需要进展接下来的检验，如下：Step1：估计固定效应模型，存储估计结果Step2：估计随机效应模型，存储估计结果Step3：进展Hausman检验qui xtreg sq cpi unem g se5 ln,feest store fequi xtreg sq cpi unem g se5 ln,reest store rehausman fe (或者更优的是hausman fe,si
4、gmamore/ sigmaless)可以看出，hausman检验的P值为0.0000，拒绝了原假设，认为随机效应模型的根本假设得不到满足。此时，需要采用工具变量法和是使用固定效应模型。三静态面板数据模型估计1、固定效应模型估计xtreg sq cpi unem g se5 ln,fe (如如下图所示)其中选项fe明确我们采用的是固定效应模型，表头局部的前两行呈现了模型的估计方法、界面变量的名称id、以与估计中使用的样本数目和个体的数目。第3行到第5行列示了模型的拟合优度、分为组内、组间和样本总体三个层面，通常情况下，关注的是组内within，第6行和第7行分别列示了针对模型中所有非常数变量执
5、行联合检验得到的F统计量和相应的P值，可以看出，参数整体上相当显著。需要注意的是，表中最后一行列示了检验固定效应是否显著的F统计量和相应的P值。显然，本例中固定效应非常显著。2、随机效应模型估计假如假设本例的样本是从一个很大的母体中随机抽取的，且与解释变量均不相关，如此我们可以将视为随机干扰项的一局部。此时，设定随机效应模型更为适宜。xtreg sq cpi unem g se5 ln,re (如如下图所示)3、时间固定效应以上分析主要针对的是个体效应如果希望进一步在上述模型中参加时间效应，可以采用时间虚拟变量来实现。首先，我们需要定义一下T-1个时间虚拟变量。tab year ,gen(du
6、mt) (tab命令用于列示变量year的组类别，选项gendumt用于生产一个以dumt开头的年度虚拟变量) drop dumt1 作用在于去掉第一个虚拟变量以防止完全共线性假如在固定效应模型中参加时间虚拟变量，如此估计模型的命令为：xtreg sq cpi unem g se5 ln dumt*,fe四异方差和自相关检验1、异方差检验 组间异方差本节主要针对的是固定效应模型进展处理1检验原假设：同方差 需要检验模型中是否存在组间异方差,需要使用xttest3命令。qui xtreg sq cpi unem g se5 ln,fe xttest3显然，原假设被拒绝。此时，需要进一步以获得参数
7、的GLS估计量，命令为xtgls：xtgls sq cpi unem g se5 ln,panels(heteroskedastic)其中，组间异方差通过panels选项来设定。上述结果是采用两步获得，即，先采用OLS估计不考虑异方差的模型，进而利用其残差计算。，并最终得到FGLS估计量。2、序列相关检验对于T较大的面板而言，往往无法完全反映时序相关性，此时便可能存在序列相关，在多数情况下被设定为AR(1)过程。原假设：序列不存在相关性。（1） FE模型的序列相关检验对于固定效应模型，可以采用Wooldridge检验法，命令为xtserial:xtserial sq cpi unem g se
8、5 ln可以发现，这里的P=0.0000，我们可以在1%的显著性水平下爱拒绝不存在序列相关的原假设。考虑到样本，该检验的最后一步是用对进展OLS回归，因此，输入以下命令得到。检验该值是否显著异于-0.5，因为在原假设下不相关，可见本例中不相等，拒绝原假设，说明存在序列相关。mat list e(b)（2） RE模型的序列相关检验对于RE模型，可以采用xttest1命令来执行检验：qui xtreg sq cpi unem g se5 ln dumt*,rexttest1这里汇报了4个统计量，分别用于检验RE模型中随机效应单尾和双尾、序列相关以与二者的联合显著性，检验结果明确存在随机效应和序列相
9、关，而且对随机效应和序列相关的联合检验也非常显著。（3） 稳健型估计上述结果明确，无论是FE还是RE模型，干扰项中都存在显著的序列相关。为此，我们进一步采用xtregar命令来估计模型，首先考虑固定效应模型：xtregar sq cpi unem g se5 ln dumt*,fe lbi3、“异方差序列相关稳健型标准误 虽然上述估计方法在估计方差-协方差矩阵时考虑了异方差和序列相关的影响，但都未将两者联立在一起考虑，要获得“异方差-序列相关稳健型标准误，只需在xtreg命令中附加vce(robust)或者vce(cluster)选项即可。例如，对于FE模型，我们可以执行如下命令：xtreg
10、sq cpi unem g se5 ln,fe vce(robust)与之前未经处理的估计结果相比，附加命令vce(robust)选项时的结果，虽然系数的估计值未发生变化，但此时得到的标准误明显增大了，致使得到的估计结果更加保守。对于面板数据模型而言，STATA在计算所谓的“robust标准误时，是以个体为单位调整标准误的。因此，我们得到的“robust标准误其实是同时调整了异方差和序列相关后的标准误。换言之，上述结果与设定vce(cluster)选项的结果完全一样。4、截面相关检验 原假设：截面之间不存在着相关性1FE模型检验对于FE模型，可以利用xttest2命令来检验截面相关性：qui
11、xtreg sq cpi unem g se5 ln,fexttest2(该命令主要针对的是大T小N类型的面板数据，在本例中无法使用，故图标略去。)2RE模型检验对于RE模型，可以利用xtcsd命令来检验截面相关性：qui xtreg sq cpi unem g se5 ln,re xtcsd,pesaran (下面命令是另一个检验指标) xtcsd,frees可以看出，两种不同的检验方法均显示面板数据存在着截面相关性。5、“异方差序列相关截面相关稳健型标准误1FE模型估计对于FE模型，在确认上述存在着截面相关的情况下，我们可以采用Hoechle(2007)编写的xtscc命令获取Drisco
12、ll and Kraay(1998)提出的“异方差序列相关截面相关稳健型标准误：xtscc sq cpi unem g se5 ln,fe 这里，xtscc命令会自动选择的滞后阶数为2，系数估计值和Within-R2与xtreg,fe的结果完全一样，但标准误存在着较大差异。可见，在本例中，截面相关对统计推断有较大的影响。假如读者有跟高的方法来确定自相关的滞后阶数，如此可以通过lag( )选项设定。当然，在多数情况下，这很难做到。不过我们可以通过附加lag(0)来估计仅考虑异方差和截面相关的稳健型标准误，命令如下：xtscc sq cpi unem g se5 ln,fe lag(0)2RE模型
13、估计(略，待补充)二、动态面板数据的STATA处理命令一差分GMMxtabond lnwi cd lngdp land doc fir lnroad lnpop finaxtabond lnwi cd lngdp land doc fir lnroad lnpop fina,lag(2) twostep二系统GMMxtdpdsyslnwi cd lngdp land doc fir lnroad lnpop finaxtdpdsyslnwi cd lngdp land doc fir lnroad lnpop fina, twostep三内生性检验estat sargan四序列相关检验esta
14、t abond三、门槛门限回归面板模型的STATA处理命令xtthres y, thres(q) dthres(x) bs1(30) bs2(30) bs3(20)各个门槛的置信区间图：xttr_graph 第一轮搜索第一个门槛xttr_graph,m(22) 第二轮搜索第二个门槛xttr_graph,m(21) 第二轮搜索第一个门槛xttr_graph,m(3)呈现估计结果：local q1=e(rhat21) 取出门槛值local q2=e(rhat22)gen d1=(q=q1) 生成虚拟变量gen d2=(qq2)gen xd1=x*d1gen xd2=x*d2xtreg y x xd1 xd2,fe 常规标准误est store fextreg y x xd1 xd2,fe robust 稳健型估计est store fe_ robustlocal mfe fe_ robustesttab m,mtitle(m) nogap s(r2 r2_w N F)/star(*
