第一篇：個人總結(jié)-面板數(shù)據(jù) stata
一、面板數(shù)據(jù)如何從混合最小二乘、固定效應(yīng)、隨即效應(yīng)中選擇
1、混合最小二乘、固定效應(yīng)
.xtreg vol1 FI share1 share2 share3 , fe Fixed-effects(within)regression Number of obs = 289Group variable: code Number of groups = 36R-sq: within = 0.0210 Obs per group: min = 7 between = 0.0259 avg = 8.0 overall = 0.0095 max = 11 F(4,249)= 1.34corr(u_i, Xb)=-0.7580 Prob > F = 0.2569 vol1 Coef.Std.Err.t P>|t| [95% Conf.Interval] FI.0274564.0192466 1.43 0.155-.0104505.0653634 share1.0043386.1112655 0.04 0.969-.2148029.2234801 share2.0075372.111155 0.07 0.946-.2113867.2264611 share3.0058343.1113069 0.05 0.958-.2133888.2250574 _cons-.5947285 11.1241-0.05 0.957-22.50405 21.31459 sigma_u.02625677 sigma_e.05223138 rho.20172957(fraction of variance due to u_i)F test that all u_i=0: F(35, 249)= 0.87 Prob > F = 0.6879
F檢驗，原假設(shè)為個固定效應(yīng)都相同，拒絕則選擇固定效應(yīng)，反之為混合最小二乘?！藭r選混合最小二乘
2、隨即效應(yīng)還是混合最小二乘
.xtreg roa_a stateshr size tl , reRandom-effects GLS regression Number of obs = 77Group variable: id Number of groups = 14R-sq: within = 0.4859 Obs per group: min = 3 between = 0.8053 avg = 5.5 overall = 0.6927 max = 11Random effects u_i ~ Gaussian Wald chi2(3)= 106.77corr(u_i, X)= 0(assumed)Prob > chi2 = 0.0000 roa_a Coef.Std.Err.z P>|z| [95% Conf.Interval] stateshr-.0023371.0011081-2.11 0.035-.0045089-.0001653 size.0008558.000203 4.22 0.000.0004578.0012537 tl-.1132165.0112583-10.06 0.000-.1352823-.0911507 _cons.0922799.0109761 8.41 0.000.0707672.1137926 sigma_u.00103144 sigma_e.00170742 rho.2673593(fraction of variance due to u_i)..xttest0Breusch and Pagan Lagrangian multiplier test for random effects roa_a[id,t] = Xb + u[id] + e[id,t] Estimated results: Var sd = sqrt(Var)roa_a.0000114.0033722 e 2.92e-06.0017074 u 1.06e-06.0010314 Test: Var(u)= 0 chi2(1)= 2.87 Prob > chi2 = 0.0903.原假設(shè)為var(u)=0，拒絕則采用隨即效應(yīng)——此時選隨機
3、固定還是隨即.hausman fe re Coefficients(b)(B)(b-B)sqrt(diag(V_b-V_B))fe re Difference S.E.stateshr-.0208393-.0416243.0207849.022253 size.0287271.0156759.0130511.0068713 tl.0134735.2663396-.252866.2696783 b = consistent under Ho and Ha;obtained from xtreg B = inconsistent under Ha, efficient under Ho;obtained from xtreg Test: Ho: difference in coefficients not systematic chi2(3)=(b-B)'[(V_b-V_B)^(-1)](b-B)= 3.61 Prob>chi2 = 0.3070
原假設(shè)為隨機，拒絕則選固定——此時選隨機
二、縮尾會使顯著性降低
第二篇：面板數(shù)據(jù)和混合數(shù)據(jù)分析相關(guān)總結(jié)
面板數(shù)據(jù)和混合數(shù)據(jù)分析相關(guān)總結(jié)
這是我在查閱各種資料后得出的關(guān)于面板數(shù)據(jù)的總結(jié)，最近在做面板的實證論文，所以需要這個，歡迎大家繼續(xù)擴充，只要是關(guān)于面板的都行，關(guān)于具體如何在Eviews6中實現(xiàn)的更好，不甚感激。
*橫截面的異方差與序列的自相關(guān)性是運用面板數(shù)據(jù)模型時可能遇到的最為常見的問題,此時運用OLS可能會產(chǎn)生結(jié)果失真,因此為了消除影響,對我國東、中、西部地區(qū)的分析將采用不相關(guān)回歸方法(SeeminglyUnrelated Regression, SUR)來估計方程。而對于全國范圍內(nèi)的估計來說,由于橫截面?zhèn)€數(shù)大于時序個數(shù),所以采用截面加權(quán)估計法(Cross SectionWeights, CSW)。
*一般而言，面板數(shù)據(jù)可用固定效應(yīng)(fixed effect)和隨機效應(yīng)(random effect)估計方法,即如果選擇固定效應(yīng)模型,則利用虛擬變量最小二乘法(LSDV)進行估計;如果選擇隨機效應(yīng)模型,則利用可行的廣義最小二乘法(FGLS)進行估計(Greene ,2000)。它可以極大限度地利用面板數(shù)據(jù)的優(yōu)點,盡量減少估計誤差。至于究竟是采用固定效應(yīng)還是隨機效應(yīng),則要看Hausman 檢驗的結(jié)果。
*單位根檢驗：在進行時間序列的分析時,研究者為了避免偽回歸問題,會通過單位根檢驗對數(shù)據(jù)平穩(wěn)性進行判斷。但對于面板數(shù)據(jù)則較少關(guān)注。隨著面板數(shù)據(jù)在經(jīng)濟領(lǐng)域應(yīng)用,對面板數(shù)據(jù)單位根的檢驗也逐漸引起重視。面板數(shù)據(jù)單位根的檢驗主要有Levin、Lin 和Chu 方法(LLC 檢驗)(1992 ,1993 ,2002)、Im、Pesaran 和Shin 方法(IPS 檢驗)(1995 ,1997)、Maddala 和Wu 方法(MW檢驗)(1999)等。
*協(xié)整檢驗：協(xié)整檢驗是考察變量間長期均衡關(guān)系的方法。在進行了各變量的單位根檢驗后,如果各變量間都是同階單整，那么就可以進行協(xié)整檢驗了。面板協(xié)整檢驗理論目前還不成熟,仍然在不斷的發(fā)展過程中,目前的方法主要有:
(1)Kao(1999)、Kao and Chiang(2000)利用推廣的DF和ADF檢驗提出了檢驗面板協(xié)整的方法,這種方法零假設(shè)是沒有協(xié)整關(guān)系,并且利用靜態(tài)面板回歸的殘差來構(gòu)建統(tǒng)計量。
(2)Pedron(i1999)在零假設(shè)是在動態(tài)多元面板回歸中沒有協(xié)整關(guān)系的條件下給出了七種基于殘差的面板協(xié)整檢驗方法。和Kao的方法不同的是,Pedroni的檢驗方法允許異質(zhì)面板的存在。
(3)Larsson et a(l2001)發(fā)展了基于Johansen(1995)向量自回歸的似然檢驗的面板協(xié)整檢驗方法。這種檢驗的方法是檢驗變量存在共同的協(xié)整的秩。
*一般的順序是：先檢驗變量的平穩(wěn)性,當(dāng)變量均為同階單整變量時,再采用協(xié)整檢驗以判別變量間是否存在長期均衡關(guān)系。如果變量間存在長期均衡的關(guān)系,我們可以通過誤差修正模型(ECM)來檢驗變量間的長期因果關(guān)系;如變量間不存在協(xié)整關(guān)系,我們將對變量進行差分,然后通過向量自回歸模型(VAR),檢驗變量間的短期因果關(guān)系。
關(guān)于平穩(wěn)性檢驗和協(xié)整檢驗、因果檢驗流程圖
↗ 同階單整→協(xié)整檢驗→協(xié)整？（YES：EG兩步法 for 長期因果關(guān)系；NO：誤差修正模型ECM/VEC for 短期因果關(guān)系）
平穩(wěn)？（單位根檢驗）
↘非同階單整→差分使平穩(wěn)→VAR→Granger因果檢驗 for 短期因果關(guān)系
關(guān)于面板數(shù)據(jù)模型選擇回歸與檢驗流程圖
混合固定（main：個體固定）隨機（main：個體隨機）▏▁▁▁▁▁▁▁▁▁▁▁▁▏▁▁▁▁▁▁▁▁▁▁▁▁▁ ▏
▏先回歸估計▏先回歸估計
↓Cross-section:fixed↓Cross-section:random
F檢驗Hausman檢驗
▏▏
H0:混合H1:個體固定HO:個體隨機H1:個體固定
--
Output：▏▏
If:If:
F=(Cross-section F Stat.)>Fa(df1,df2)H=(Cross-section Random Stat.)>χ2a(df1)
or Prob. Then:reject H0,accept H1Then:reject H0,accept H 1是先做F檢驗還是先做Hausman檢驗??；做F檢驗的時候，F(xiàn)ixed and Random、comm和Cross-section specific選項應(yīng)該怎么設(shè)置?。涣硗馕铱锤哞F梅上面對面板的分類有些不同，能說說有啥區(qū)別么？ 以Eviews6為例，來說明一下面板模型的選擇問題： F檢驗是用來在混合模型和固定效應(yīng)模型中做出選擇，而Hausman檢驗是用來在固定效應(yīng)模型和隨機效應(yīng)模型中做出選擇，所以不存在孰先孰后的問題； 由于我們通常估計的個體效應(yīng)而不是時刻效應(yīng)，所以我們進行回歸和檢驗的時候，Period選擇None。 回歸的時候，具體操作設(shè)置如下，Depedent Variable里填因變量，Common Coefficients里填自變量（包括截距項c），Cross-Section視回歸需要選擇None、Fixed、Random，Period選擇None，可以依次實現(xiàn)混合回歸、個體固定回歸、個體隨機回歸。然后在個體固定回歸之后，進行F檢驗進行模型選擇決策1；在個體隨機回歸之后，進行Hausman檢驗進行模型選擇決策2，從而最終得出最佳回歸。 表2-1: 回歸分析相關(guān)命令一覽 命令用途 anova 方差和協(xié)方差分析 heckman Heckman 篩選模型 intreg 離散型變量模型，包括Tobit、cnreg 和intreg ivreg 工具變量法（IV 或2SLS） newey Newey-West 標(biāo)準(zhǔn)差設(shè)定下的回歸 prais 針對序列相關(guān)的Prais-Winsten, Cochrane-Orcutt, or Hildreth-Lu 回歸 qreg 分量回歸 reg OLS 回歸 sw 逐步回歸法 reg3 三階段最小二乘回歸 rreg 穩(wěn)健回歸（不同于方差穩(wěn)健型回歸，即White 方法）sureg 似無相關(guān)估計 svyheckman 調(diào)查數(shù)據(jù)的Heckman 篩選模型 svyintreg 調(diào)查數(shù)據(jù)的間斷變量回歸 svyregress 調(diào)查數(shù)據(jù)的線性回歸 tobit Tobit 回歸 treatreg treatment 效應(yīng)模型 truncreg 截斷回歸 表2-2: 時間序列命令一覽 命令用途 clemao1 允許結(jié)構(gòu)突變的單位根檢驗 zandrews dfuller dfgls pperron coin 單方程協(xié)整檢驗 dwstat 參考dwstat2 , durbina2 durbinh 表2-3: Panel Data 模型相關(guān)命令一覽I 命令模型 統(tǒng)計描述相關(guān)命令： xtdes 變量類型，數(shù)據(jù)類型描述 xtsum 基本統(tǒng)計量 xttab 按表格形式列示 xtpattern 面板數(shù)據(jù)的模式 估計相關(guān)命令： xtreg 面板數(shù)據(jù)模型（固定效應(yīng)、隨機效應(yīng)） xtregar 含有AR(1)干擾項的固定效應(yīng)和隨機效應(yīng)面板數(shù)據(jù)模型 xtgls 截面-時序混合模型，可處理異方差、組內(nèi)序列相關(guān)和組間相關(guān)性 xtpcse OLS or Prais-Winsten models with panel-corrected standard errors xtrchh Hildreth-Houck random coefficients models xtivreg 面板模型的工具變量或兩階段最小二乘法估計 xtabond Arellano-Bond(1991)線性動態(tài)面板數(shù)據(jù)模型估計 xtabond2 Arellano-Bover(1995)系統(tǒng)GMM 動態(tài)面板數(shù)據(jù)模型估計 xttobit Tobit 隨機效應(yīng)面板模型 xtintreg Random-effects interval data regression models xtlogit Fe, Re, Pa logit models xtprobit Re, Pa probit models xtcloglog Re, Pa cloglog models xtpoisson Fe, Re, Pa Poisson models xtnbreg Fe, Re, Pa negative binomial models xtfrontier 面板隨機前沿模型 xthtylor Hausman-Taylor estimator for error-components models 表2-4: Panel Data 模型相關(guān)命令一覽II 命令模型 假設(shè)檢驗相關(guān)： test Wald 檢驗，如時間效應(yīng)聯(lián)合顯著性檢驗 xttest0 隨機效應(yīng)檢驗 xttest1 面板序列相關(guān)檢驗 xttest2 ads xtserial Wooldridge 一階序列相關(guān)檢驗 xtab Arellano 面板一階序列相關(guān)檢驗 hausman Hausman 檢驗 面板單位根和協(xié)整相關(guān)： xtunit stata提供的檢驗方法 ipshin IPS(2003)面板單位根檢驗 levilin Levin，Lin和Chu(LLC, 2002)面板單位根檢驗 madfuller Sarno-Taylor(1998)面板單位根檢驗 xtfisher Maddala和Wu(1999),基于P 值的面板單位根檢驗 表2-5: Post-estimation Commands 命令名稱用途 adjust 列示預(yù)測結(jié)果的均質(zhì)，適于多種回歸分析，可分組列示 estimates 估計結(jié)果的存儲、再顯示、列表比較等 hausman Hausman 模型識別檢驗 lincom 獲得參數(shù)的線性組合，在Logit 模型中可以獲得系數(shù)線性組合的OR 值 linktest 但方程link 識別檢驗，用y 對Oy 和Oy2 回歸 lrtest 似然比（LR）檢驗 mfx 計算邊際效應(yīng)和彈性系數(shù) nlcom 系數(shù)的非線性組合 predict 獲得擬合值、殘差等 predictnl 獲得非線性估計的擬合值、殘差等 test 線性約束的假設(shè)檢驗，Wald 檢驗 testnl 非線性約束的假設(shè)檢驗 vce 列示參數(shù)估計值的方差-協(xié)方差矩陣 表2-6: 二維圖種類一覽 圖形種類簡單描述 scatter scatterplot line line plot connected connected-line plot scatteri scatter with immediate arguments area line plot with shading bar bar plot spike spike plot dropline dropline plot dot dot plot rarea range plot with area shading rbar range plot with bars rspike range plot with spikes rcap range plot with capped spikes rcapsym range plot with spikes capped with symbols rscatter range plot with markers rline range plot with lines rconnected range plot with lines and markers tsline time-series plot tsrline time-series range plot mband median-band line plot mspline spline line plot lowess LOWESS line plot lfit linear prediction plot qfit quadratic prediction plot fpfit fractional polynomial plot lfitci linear prediction plot with CIs qfitci quadratic prediction plot with CIs fpfitci fractional polynomial plot with CIs function line plot of function histogram histogram plot kdensity kernel density plot 表2-7: 二維圖選項一覽 選項類別簡單描述 added line options draw lines at specified y or x values added text option display text at specified(y,x)value axis options labels, ticks, grids, log scales title options titles, subtitles, notes, captions legend option legend explaining what means what scale(#)resize text, markers, and line widths region options outlining, shading, aspect ratio, size aspect option constrain aspect ratio of plot region scheme(schemename)overall look by(varlist,...)repeat for subgroups nodraw suppress display of graph name(name,...)specify name for graph saving(filename,...)save graph in file advanced options difficult to explain 表2-9: 模擬分析相關(guān)命令一覽 命令用途備注 抽樣相關(guān)： corr2data 產(chǎn)生具有指定相關(guān)性的數(shù)據(jù)僅適用于模擬相關(guān)分析 drawnorm invnorm(uniform())產(chǎn)生服從標(biāo)準(zhǔn)正態(tài)分布的隨機數(shù)函數(shù)，可調(diào)節(jié)均值和方差 matuniform(r,c)產(chǎn)生均勻分布函數(shù) sample 從現(xiàn)有數(shù)據(jù)中進行非重復(fù)隨機抽樣參考bsample sim arma 產(chǎn)生服從ARIMA 過程的隨機變量需要下載 Bootstrap 相關(guān)： bootstrap bs bstat bsample MC 相關(guān): simulate MC simulation jknife 類似于MC permute postfile 存儲MC 的結(jié)果 statsby exp list stata11常用命令 注：JB統(tǒng)計量對應(yīng)的p大于0.05，則表明非正態(tài)，這點跟sktest和swilk檢驗剛好相反； dta為數(shù)據(jù)文件； gph為圖文件； do為程序文件； 注意stata要區(qū)別大小寫； 不得用作用戶變量名： _all _n _N _skip _b _coef _cons _pi _pred _rc _weight double float long int in if using with 命令： 讀入數(shù)據(jù)一種方式 input x y 1 4 2 5.5 3 6.2 4 7.7 5 8.5 end su/summarise/sum x 或 su/summarise/sum x,d 對分組的描述： sort group by group:su x %%%%% tabstat economy,stats(max)%返回變量economy的最大值 %%stats括號里可以是：mean，count(非缺失觀測值個數(shù))，sum(總和)，max，min，range，%% sd，var，cv(變易系數(shù)＝標(biāo)準(zhǔn)差/均值)，skewness，kurtosis，median，p1(1％分位 %% 數(shù)，類似地有p10, p25, p50, p75, p95, p99)，iqr(interquantile range = p75 – p25)_all %描述全部 _N 數(shù)據(jù)庫中觀察值的總個數(shù)。_n 當(dāng)前觀察值的位置。_pi 圓周率π的數(shù)值。list gen/generate %產(chǎn)生數(shù)列 egen wagemax=max(wage)clear use by(分組變量)set more 1/0 count %計數(shù) gsort +x(升序)gsort-x(降序)sort x 升序；并且其它變量順序會跟著改變 label var y “消費” %添加標(biāo)簽 describe %描述數(shù)據(jù)文件的整體，包括觀測總數(shù)，變量總數(shù)，生成日期，每個變量的存儲類型(storage type)，標(biāo)簽(label)replace x5=2*y if x!=3 %替換變量值 replace age = 25 in 107 %令第107個觀測中age為25 rename y2 u %改變變量名 drop in 2 %刪除全部變量的第2行 drop if x==.刪去x為缺失值的所有記錄 keep if x<2 %保留小于2的數(shù)據(jù)，其余變量跟隨x改變 keep in 2/10 %保留第2-10個數(shù) keep x1-x5 %保留數(shù)據(jù)庫中介于x1和x5間的所有變量(包括x1和x5)，其余變量刪除 ci x1 x2,by(group)%算出置信區(qū)間,不過先前對group要先排序，即sort group； %by的意思逐個進行 cii 12 3.816667 0.2710343, level(90)%已知均值，方差，計算90%的置信區(qū)間 cii 10 2 %obs=10,mean=2,以二項分布形式，計算置信區(qū)間 centile x,centile(2.5 25 50 75 97.5)%取分位數(shù) correlate/corr x y z %相關(guān)系數(shù) pwcorr x y,sig %給出原假設(shè)r=0的命令 %如果變量非服從正態(tài)分布，則spearman x y regress/reg mean year %回歸方程建立 reg y x,noconstant %無常數(shù)項 predict meanhat %預(yù)測擬合值 predict e,residual %得到殘差 estat hettest % 異方差檢驗 dwstat % Durbin-Watson自相關(guān)檢驗 vif % 方差膨脹因子 logit y x1 x2 x3(y取0或1，是被解釋變量，x1-x3是被解釋變量)%logit回歸 probit y x1 x2 x3(y取0或1，是被解釋變量，x1-x3是被解釋變量)%probit回歸 tobit y x1 x2 x3(y取值在0和1之間，是被解釋變量，x1-x3是被解釋變量)%tobit回歸 sktest e %殘差正態(tài)性檢驗 p>0.05則接受原假設(shè)，即服從正態(tài)分布； %% sktest是基于變量的偏度和斜度(正態(tài)分布的偏度為0，斜度為3)swilk x %基于Shapiro-Wilk檢驗 %%p值越小，越傾向于拒絕零假設(shè)，也就是變量越有可能不服從正態(tài)分布 xi %生成虛擬變量 tabulat gender,summ(math)%用gender指標(biāo)對math進行分類，返回兩類math的mean、std、freq tabulate=tab %gen f=int((shengao-164)/3)*3+164 組距為3 tabulate 變量名 [, generate(新變量)missing nofreq nolabel plot ] %%%%% generate(新變量)// 按分組變量產(chǎn)生啞變量 nofreq // 不顯示頻數(shù) nolabel // 不顯示數(shù)值標(biāo)記 plot // 顯示各組頻數(shù)圖示 missing // 包含缺失值 cell // 顯示各小組的構(gòu)成比(小組之和為 1)column // 按欄顯示各組之構(gòu)成(各欄總計為 1)row // 按行顯示各組之構(gòu)成(各行總計為 1)%%%%% 求和，求最??？ mod(x,y)%求余數(shù) means %返回三種平均值 di normprob(1.96)di invnorm(0.05)di binomial(20,5,0.5)di invbinomial(20,5,0.5)di tprob(10,2)di invt(10.0.05)di fprob(3,27,1)di invfprob(3,27,0.05)di chi2(3,5)di invchi2(3,0.05)stack x y z,into(e)%把三列合成一列 xpose,clear %矩陣轉(zhuǎn)置 append using d:
第三篇：stata命令總結(jié)
第四篇：stata命令總結(jié)