《2022年完整word版,stata命令大全 .pdf》由会员分享，可在线阅读，更多相关《2022年完整word版,stata命令大全 .pdf（26页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、*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。 * 生产效率分析（尤其指TFP）：
2、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
3、为时间名称） xtdes /*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
4、*或者xtdes tsappend,add(5) /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 year 精选学习资料 - - - - - - -
5、 - - 名师归纳总结 - - - - - - -第 2 页，共 26 页gen 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 /*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 produc
6、t.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 +线性拟合直线精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 3 页，共 26 页twoway (scatter logy h) (
7、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 logy 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,s
8、o 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) 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) y
9、label(,format(%3.0f) xlabel(,format(%3.0f) *每个个体的时间趋势图* xtline h if id R-sq: within 模型 (2) 对应的 R2，是一个真正意义上的R2 * - R-sq: between corrxm_i*b_w,ym_i2 * - R-sq: overall corrx_it*b_w,y_it2 * *- F(4,373) = 855.93检验除常数项外其他解释变量的联合显著性 * * 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 5 页，共 26 页 *- corr(u_i,
10、 Xb) = -0.2347 * *- sigma_u, sigma_e, rho * rho = sigma_u2 / (sigma_u2 + sigma_e2) dis e(sigma_u)2 / (e(sigma_u)2 + e(sigma_e)2) * * 个体效应是否显著？ * F(28, 373) = 338.86 H0: 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 ？ereturn list reg logy h inv gov open dum* *-拟合值和残差 *
11、 y_it = u_i + x_it*b + e_it * predict newvar, option /* xb xb, fitted values; the default stdp calculate standard error of the fitted values ue u_i + e_it, the combined residual xbu xb + u_i, prediction including effect u u_i, the fixed- or random-error component e e_it, the overall error component
12、*/ xtreg logy logk logl, fe predict y_hat predict a , u predict res,e predict cres, ue gen ares = a + res list ares cres in 1/10 * - * - 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_i * 另一种是随时间改变的，即通常意义上的干扰项 u_it * 估计方法： FGLS 精选学习资料 - - - - - -
13、- - - 名师归纳总结 - - - - - - -第 6 页，共 26 页* Var(v_it) = sigma_a2 + sigma_u2 * Cov(v_it,v_is) = sigma_a2 * Cov(v_it,v_js) = 0 * 利用 Pooled OLS ，Within Estimator, Between Estimator * 可以估计出 sigma_a2 和sigma_u2, 进而采用 GLS 或FGLS * Re 估计量是 Fe估计量和 Be估计量的加权平均* yr_it = y_it - theta*ym_i * xr_it = x_it - theta*xm_i
14、* theta = 1 - sigma_u / sqrt(T*sigma_a2 + sigma_u2) * 解读 xtreg,re 的估计结果 use product.dta, clear xtreg logy logk logl, re *- R2 * - R-sq: within corr(x_it-xm_i)*b_r, y_it-ym_i2 * - R-sq: between corrxm_i*b_r,ym_i2 * - R-sq: overall corrx_it*b_r,y_it2 * 上述 R2都不是真正意义上的R2，因为 Re模型采用的是GLS 估计。 * * rho = sig
15、ma_u2 / (sigma_u2 + sigma_e2) dis e(sigma_u)2 / (e(sigma_u)2 + e(sigma_e)2) * * corr(u_i, X) = 0 (assumed) * 这是随机效应模型的一个最重要，也限制该模型应用的一个重要假设 * 然而，采用固定效应模型，我们可以粗略估计出corr(u_i, X) xtreg market invest stock, fe * * Wald chi2(2) = 10962.50 Prob chi2 = 0.0000 *- 时间效应、模型的筛选和常见问题*-目录 - * 7.2.1 时间效应（双向固定( 随机
16、) 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* - 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 7 页，共 26 页* -时间效应 - * - * 单向固定效应模型 * y_it = u_i + x_it*b + e_it * 双向固定效应模型 * y_it = u_i + f_t + x_it*b + e_it qui tab year, gen(yr) drop yr1 xtreg logy logk logl yr*, fe * 随机效应模型中的时间效应 xtreg logy lo
17、gk logl yr*, fe * - * - 模型的筛选 - * - * 固定效应模型还是Pooled OLS ？ xtreg logy logk logl yr*, fe /*Wald 检验 */ qui tab id, gen(dum) /*LR检验 */ reg logy logk logl /*POLS*/ est store m_ols reg logy logk logl dum*,nocons est store m_fe lrtest m_ols m_fe est table m_*, b(%6.3f) star(0.1 0.05 0.01) * RE vs Pooled O
18、LS？ * H0: Var(u) = 0 * 方法一： B-P 检验 xtreg logy logk logl, re xttest0 * FE vs RE? * y_it = u_i + x_it*b + e_it *- Hausman 检验 - * 基本思想：如果 Corr(u_i,x_it) = 0, Fe 和 Re 都是一致的，但Re更有效 * 如果 Corr(u_i,x_it)!= 0, Fe 仍然有效，但Re是有偏的 * 基本步骤 *情形 1：huasman为正数精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 8 页，共 26 页 xt
19、reg logy logk logl, fe est store m_fe xtreg logy logk logl, re est store m_re hausman m_fe m_re * 情形 2： qui xtreg logy h inv gov open,fe est store fe qui xtreg logy h inv gov open,re est store re hausman fe re * Hausman 检验值为负怎么办？ * 通常是因为 RE模型的基本假设 Corr(x,u_i)=0 无法得到满足 * 检验过程中两个模型的方差- 协方差矩阵都采用Fe模型的 h
20、ausman fe re, sigmaless * 两个模型的方差- 协方差矩阵都采用Re模型的 hausman fe re, sigmamore *= 为何有些变量会被drop 掉？ use nlswork.dta, clear tsset idcode year xtreg ln_wage hours tenure ttl_exp, fe /*正常执行 */ * 产生种族虚拟变量 tab race, gen(dum_race) xtreg ln_wage hours tenure ttl_exp dum_race2 dum_race3, fe * 为何 dum_race2 和 dum_ra
21、ce3 会被 dropped ? * 固定效应模型的设定：y_it = u_i + x_it*b + e_it (1) * 由于个体效应 u_i 不随时间改变， * 因此若 x_it 包含了任何不随时间改变的变量， * 都会与 u_i 构成多重共线性，Stata 会自动删除之。*异方差、序列相关和截面相关问题* - 简介 - * y_it = x_it*b + u_i + e_it * * 由于面板数据同时兼顾了截面数据和时间序列的特征，* 所以异方差和序列相关必然会存在于面板数据中；* 同时，由于面板数据中每个截面（公司、个人、国家、地区）之间还可能存在内在的联系，* 所以，截面相关性也是一
22、个需要考虑的问题。* 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 9 页，共 26 页* 此前的分析依赖三个假设条件：* （ 1） Vare_it = sigma2 同方差假设* (2) Corre_it, e_it-s = 0 序列无关假设* (3) Corre_it, e_jt = 0 截面不相关假设* * 当这三个假设无法得到满足时，便分别出现异方差、序列相关和截面相关问题；* 我们一方面要采用各种方法来检验这些假设是否得到了满足；* 另一方面，也要在这些假设无法满足时寻求合理的估计方法。* - 假设检验 - *= 组间异方差检验（截面数
23、据的特征） * Var(e_i) = sigma_i2 * Fe 模型 xtreg logy logk logl, fe xttest3 * Re 模型 * Re本身已经较大程度的考虑了异方差问题，主要体现在sigma_u2 上 *= 序列相关检验 * Fe 模型 * xtserial Wooldridge(2002)，若无序列相关，则一阶差分后残差相关系数应为-0.5 xtserial logy logk logl xtserial logy logk logl, output * Re 模型 xtreg logy logk logl, re xttest1 /*提供多个统计检验量*/ *=
24、 截面相关检验 * xttest2命令 H0: 所有截面残差的相关系数都相等 xtreg logy logk logl, fe xttest2 * 由于检验过程中执行了SUE 估计，所以要求TN xtreg logy logk logl if id6, fe xttest2 * xtcsd 命令（提供了三种检验方法） xtreg logy logk logl, fe xtcsd , pesaran /*Pesaran(2004)*/ xtcsd , friedman /*Friedman(1937)*/ 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -
25、第 10 页，共 26 页 xtreg logy logk logl, re xtcsd , pesaran * - 估计方法 - *= 异方差稳健型估计 xtreg logy h inv gov open, fe robust est store fe_rb xtreg logy h inv gov open, fe robust est store fe * 结果对比 esttab fe_rb fe, b(%6.3f) se(%6.3f) mtitle(fe_rb fe) *= 序列相关估计 * 一阶自相关 xtregar, fe/re * 模型： y_it = u_i + x_it*b
26、+ v_it (1) * v_it = rho*v_it-1 + z_it (2) xtregar logy h inv gov open, fe est store fe_ar1 xtregar logy h inv gov open,fe lbi /*Baltagi-Wu LBI test*/ * 说明： * (1) 这里的 Durbin-Watson =1.280677 具有较为复杂的分布， * 不同于时间序列中的D-W 统计量。 * (2) 其临界值见 Bhargava et al. (1982, The Review of Economic Studies 49:553-549) *
27、 (3) Baltagi-Wu LBI = 1.4739834 基本上没有太大的参考价值， * 因为他们并未提供临界值表，而该统计量的分布又相当复杂 xtregar logy h inv gov open, re est store re_ar1 * 两阶段估计 xtregar logy h inv gov open, fe twostep est store fe_ar1_two * 结果对比 xtreg logy h inv gov open, fe est store fe local models fe fe_ar1 re_ar1 fe_ar1_two 精选学习资料 - - - - -
28、 - - - - 名师归纳总结 - - - - - - -第 11 页，共 26 页 esttab models, b(%6.3f) se(%6.3f) mtitle(models) r2 sca(r2_w corr) * 高阶自相关 * newey2 命令 newey2 logy h inv gov open, lag(2) *= 组间相关（截面相关） * cluster 选项 use xtcs.dta, clear xtreg logy h inv gov open, fe cluster(id) est store fe_cluster xtreg logy h inv gov open
29、, re cluster(id) est store re_cluster *看过去很晕，采用一种综合处理：* xtgls 命令* xtpcse 命令*- 简介（ Greene, 2000, chp15） * * 模型 * y = X*b + U * 重点在于考虑干扰项 U 的结构，包括 * (1) 异方差 (2) 序列相关 (3) 截面相关性 * 应用范围：多用于“ 大T，小 N ” 型面板数据， * 因为，此时截面的异质性并不是重点关注的，而时序特征则较为明显 * 因此，模型设定中未考虑个体效果 * | y_1 | | X_1 | | e_1 | * | y_2 | | X_2 | | e
30、_2 | * | . | | . | | . | * | . | = | . | * b + | . | * | . | | . | | . | * | y_n | | X_n | | e_n | *- 截面异方差 * Ee_i*e_i = s_i2 * * | s12 0 . 0 | * | 0 s22 . 0 | * | . | 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 12 页，共 26 页 * V = | . | * | . | * | 0 0 . sn2 | *- 截面相关 * Ee_i*e_i = s_ij2 * * | s_11
31、 s_12 . s_1n | * | s_21 s_22 . s_2n | * | . | * V = | . | * sigma2 * | . | * | s_n1 s_n2 . s_nn | *- 序列相关 * Ee_i*e_i = s_i2 * M_i * * | s12*M_1 0 . 0 | * | 0 s22*M_2 . 0 | * | . | * V = | . | * | . | * | 0 0 . sn2*M_n | * GLS 估计 * b = XV-1*X-1XV-1y * Varb = XV-1*X-1 *- 估计和检验 - *= xtgls 命令 use invest
32、2.dta, clear xtgls market invest stock, panels(iid) /*iid, 等同于 Pooled OLS*/ est store g_0 reg market invest stock est store g_ols xtgls market invest stock, panel(het) /*截面异方差 */ est store g_phet xtgls market invest stock, corr(ar1) /*所有截面具有相同的自相关系数*/ est store g_par1 xtgls market invest stock, corr
33、(psar1) /*每个截面有自己的自相关系数*/ est store g_psar1 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 13 页，共 26 页 xtgls market invest stock, panel(corr) /*截面间相关且异方差*/ est store g_pcorr xtgls market invest stock, p(c) corr(ar1) est store g_all * 检验异方差 xtgls market invest stock, panel(het) /*截面异方差 */ xttest3 * 检
34、验序列相关 xtserial market invest stock * 检验截面相关 xtgls market invest stock, panel(het) xttest2 * 结果对比 xtreg market invest stock, fe est store fe local models fe g_0 g_ols esttab models, b(%6.3f) se(%6.3f) mtitle(models) r2 sca(r2_w) local models fe g_phet g_par1 g_psar1 g_pcorr g_all esttab models, b(%6.
35、3f) se(%6.3f) mtitle(models) r2 sca(r2_w) compress * 说明： * 为何 xtgls 不汇报 R2 ? * 因为此时的 R2未必介于 0和1之间，不具有传统线性回归模型中R2的含义 *= xtpcse 命令 * 默认假设：存在截面异方差和截面相关 * 估计方法： OLS 或 Prais-Winsten 回归 * 有别于 xtgls(采用 FGLS 估计 ) * 更适于方块面板 N不大 (10-20),T不大 (10-40) * 与 xtgls 的区别：估计方法不同 * xtgls 采用 GLS 进行估计，而xtpsce 采用 OLS 。 use
36、 invest2.dta, clear xtpcse invest market stock est store pcse_full /*OLS估计，调整异方差和截面相关后的标准误*/ xtgls invest market stock, panels(correlated) est store m_xtgls /*FGLS估计，异方差和截面相关*/ xtpcse invest market stock, correlation(ar1) est store pcse_ar1 /*Prais_Winsten估计，共同的自相关系数*/ 精选学习资料 - - - - - - - - - 名师归纳总
37、结 - - - - - - -第 14 页，共 26 页 xtpcse invest market stock, correlation(ar1) hetonly est store pcse_ar1 /*不考虑截面相关*/ * 结果对比 xtreg invest market stock, fe est store fe local models fe pcse_full m_xtgls pcse_ar1 pcse_ar1 esttab models, b(%6.3f) se(%6.3f) mtitle(models) r2 sca(r2_w) * xtpcse 的结果与 xtgls 非常相
38、似，但前者可以汇报R2 * 当N 较大时，采用该方法会非常费时， * 因为方差协方差矩阵是采用OLS 估计的残差计算的 use xtcs.dta, clear xtdes xtpcse tl size ndts tang tobin npr /*大约 5-8 分钟 */ est store xtpcse xtreg tl size ndts tang tobin npr, fe est store fe * 结果对比 local models fe xtpcse esttab models, b(%6.3f) se(%6.3f) mtitle(models) r2 sca(r2_w) * 系数
39、估计值有较大差别，但符号和显著性是一致的。 *-动态面板模型 Part I *- * 动态面板模型*- * 简介* 一阶差分 IV估计量 (Anderson and Hisao, 1982) * 一阶差分 GMM估计量 (Arellano and Bond, 1991) * 系统 GMM估计量 (AB,1995; BB,1998) * = 简介 = * * 模型： yit = a0*yit-1 + a1*xit + a2*wit + u_i + eit * * 特征：解释变量中包含了被解释变量的一阶滞后项* 可以是非平行面板，但要保证时间连续精选学习资料 - - - - - - - - - 名
40、师归纳总结 - - - - - - -第 15 页，共 26 页* xit 严格外生变量 Ex_it,e_is =0 for all t and s * 即，所有干扰项与x都不相关* wit 先决变量 Ew_it,e_is!=0 for s=t * 即，前期干扰项与当期x相关，但当期和未来期干扰项与x不相关。* yit-1内生变量 Ex_it,e_is!=0 for s=t * 即，前期和当期，尤其是当期干扰项与x相关* u_i 随机效应，在截面间是 iid 的。 u_i 与 eit 独立。* * 内生性问题：* (1) 若假设 u_i 为随机效应，则 Corr(yi,t-1, u_i) !=
41、0 * (2) 若假设 u_i 为个体效应，需要想办法去除之，因为数据为 大N小T * 一阶差分： D.yi,t-1 = yi,t-1 - yi,t-2 * D.ei,t = ei,t - ei,t-1 * 显然： Corr(D.yi,t-1, D.ei,t) !=0, 差分方程存在内生问题；* 组内去心： ymi,t-1 = yi,t-1 - 1/(T-1)*(yi,t-1+.+yi,T) * emi,t = ei,t - 1/T*(ei,t+ei,t-1+.+ei,T) * 显然： Corr(ymi,t-1, emi,t) !=0, 仍然存在内生性问题* * 处理办法： IV估计或 GMM
42、 估计，选择合适的工具变量* * 矩条件： Ee_it,z_it = 0 *= *= 一阶差分 IV 估计量 = *=Anderson and Hisao(1982)= *= * * 基本思想：采用一阶差分去除个体效应 u_i, * y 的滞后二阶作为 D.yit-1 的工具变量* 同时， D.yit-2 也可以作为 D.yit-1 的工具变量use abdata.dta, clear des /*变量的定义 */ tsset id year * 模型 : n_it = b1*n_it-1 + b2*n_it-2 * + b3*w_it + b4*w_it-1 * + b5*k_it + b6
43、*k_it-1 + b7*k_it-2 * + b8*ys_it + b9*ys_it-1 + b10*ys_it-2 * xtivreg n L2.n w L1.w k L1.k L2.k ys L1.ys L2.ys yr1981-yr1984 / (L.n = L3.n), fd * * 等价于* xtivreg n L2.n L(0/1).w L(0/2).(k ys) yr1981-yr1984 (L.n = L3.n), fd 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 16 页，共 26 页*= *= 一阶差分 GMM 估计量 =
44、 *=AB91= * * L.Hansen (1982) 提出 GMM * * Arellano and Bond (1991) * * 模型：* * yit = a0*yit-1 + a1*xit + a2*wit + u_i + vit * * 假设条件：* 干扰项 vit 不存在序列相关；* * 适用范围：* 大N，小 T * 随后，我们会介绍“ 小N大T” 型动态面板的估计方法* * 基本思想：* * 在 Anderson and Hisao(1982) 基础上增加了更多可用的工具变量* * 在 t=3 处， y_i1 可以作为所有滞后项的工具变量* 在 t=4 处, y_i1, y_
45、i2 可以作为所有滞后项的工具变量* * D.yit = a1*D.yit-1 + a2*D.Xit + D.vit X_it = x_it, w_it * * 因此，所有工具变量构成的矩阵如下：* * |y_i1 0 0 0 0 0 . 0 . 0 D.x_i3 | * | 0 y_i1 y_i2 0 0 0 . 0 . 0 D.x_i4 | * | 0 0 0 y_i1 y_i2 y_i3 . 0 . 0 D.x_i5 | * Z_i = | . . . . . . . . . . . | * | . . . . . . . . . . . | * | 0 0 0 0 0 0 . y_i1
46、 . yiT-2 D.x_iT | * * Z_i 的行数为 T-2 * Z_i 的列数为 sum_(m=1)(T-2)m + K, K 为 X 的列数* * 以 T =7 ，K=3 为例，则 Z_i 的列数为 (1+2+3+4+5)+3 = 18 * * 设定工具变量的基本原则：* * 对- 内生 -变量的处理：与上述方法类似，精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 17 页，共 26 页* 即滞后两阶以上的水平变量均可作为差分方程的工具变量 (GMM type) * 对- 先决 -变量的处理：滞后一阶以上的水平变量均可作为工具变量 (G
47、MM type) * 对- 外生 -变量的处理：自己作为自己的工具变量 (Standard IV) *= 例1：一阶差分估计量的基本设定* 解释变量仅包含 y_it 的一阶滞后项，默认设定* 干扰项同方差，一阶段估计 use abdata.dta, clear xtabond n L(0/1).w L(0/2).(k ys) yr1980-yr1984 est store ab_0 *- 结果释疑 * * -1- 工具变量的个数是如何确定的？(xtdpd, p.74) * * 外生变量的工具变量等于外生变量的个数 * L(0/1).w L(0/2).(k ys) yr1980-yr1984 共
48、 13 个 * 内生变量的工具变量：共 27 个 * list id year n L2.n DL2.n if id = 140 * * 差分方程的可用工具变量 *- * year of Years of Number of * difference equation instruments instruments * 1978 1976 1 * 1979 1976-1977 2 * 1980 1976-1978 3 * 1981 1976-1979 4 * 1982 1976-1980 5 * 1983 1976-1981 6 * 1984 1976-1982 7 *- * 28个 * -2
49、- GMM-type 和 Standard 两种类型的工具变量有何差异？(xtabond,p.27) * * GMM-type 是针对内生变量或先决变量而言的工具变量，有多列 * Standard 是针对外生变量而言的工具变量，只有一列 *- 过度识别检验（工具变量的使用是否合理） * estat sargan * * 说明：精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 18 页，共 26 页 * H0: overidentifying restrictions are valid * 这里，我们拒绝了原假设，但AB91指出，当干扰项存在异方差时
50、， * Sargan检验倾向于过度拒绝原假设，因此此处得到的结论并不可信。 * 采用两阶段估计，然后再执行Sargan 检验较为稳妥： * xtabond n L(0/1).w L(0/2).(k ys) yr1980-yr1984,twostep estat sargan * * 说明：不过， AB91发现， * 若存在异方差，在两阶段估计后执行Sargan 检验往往倾向于 * Underreject问题，即过度接受原假设。 * 通常而言，这很可能是我们的模型设定不当，或是工具变量的选择不合理。 * - 干扰项序列相关检验 * * AB91 一阶差分估计量要求原始模型的干扰项不存在序列相关，