《最新stata命令大全(全)要点.doc》由会员分享，可在线阅读，更多相关《最新stata命令大全(全)要点.doc（49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、精品资料stata命令大全(全)要点.* 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
2、（尤其指TFP）：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为时间名称） xtde
3、s /*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 *或者 xtdestsappend,add(5) /表
4、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 yeargen 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 /
5、*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 product.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
6、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)*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 lo
7、gy 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,so 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)
8、 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) ylabel(,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) = 85
9、5.93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_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 listr
10、eg logy h inv gov open dum* *-拟合值和残差 * 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 componen
11、t e e_it, the overall error component */ 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
12、 * 估计方法：FGLS* 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* theta = 1 - sigma_u / sqrt(T*sigma_a2 +
13、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 = sigma_u2 / (sigma_u2 + sigma_e2) dis e(sigma_u)2
14、 / (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)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
15、转换 * -* -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 logk 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,
16、 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_feest table m_*, b(%6.3f) star(0.1 0.05 0.01) * RE vs Pooled OLS？ * 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 *- Hau
17、sman 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 xtreg 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
18、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 hausman 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
19、*/ * 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_race3 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
20、+ 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，截面相关性也是一个需要考虑的问题。* 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
21、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, outp
22、ut * Re 模型 xtreg logy logk logl, re xttest1 /*提供多个统计检验量*/ *= 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 /*Fri
23、edman(1937)*/ 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 +
24、 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) * (3)
25、 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 esttab models, b(%6.
26、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, re cluster(id) est store re_cluster *看过去很晕，采用一种综合处理：* xtgls 命
27、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_2 | * | . | | . | | . | * | . | = | . | * b + | . | * | . | | . | |
28、 . | * | y_n | | X_n | | e_n | *- 截面异方差 * Ee_i*e_i = s_i2 * * | s12 0 . 0 | * | 0 s22 . 0 | * | . | * V = | . | * | . | * | 0 0 . sn2 | *- 截面相关 * Ee_i*e_i = s_ij2 * * | s_11 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
29、_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 invest2.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
30、 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(psar1) /*每个截面有自己的自相关系数*/ est store g_psar1 xtgls market invest stock, panel(corr) /*截面间相关且异方差*/ est store g_pcorr xtgls market in
31、vest 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.