STATA面板大数据模型操作命令.docx

STATA面板大数据模型操作命令.docx

《STATA面板大数据模型操作命令.docx》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.docx（14页珍藏版）》请在冰豆网上搜索。

STATA面板大数据模型操作命令

STATA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

●tssetcodeyear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

●summarizesqcpiunemgse5ln各变量的描述性统计（统计分析）

●genlag_y=L.y///////产生一个滞后一期的新变量

genF_y=F.y///////产生一个超前项的新变量

genD_y=D.y///////产生一个一阶差分的新变量

genD2_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混合模型）

●xtregsqcpiunemgse5ln,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，检验结果表明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）

●quixtregsqcpiunemgse5ln,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，表明随机效应非常显著。

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，可以发现当模型加入了个体效应的时候，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FEorRE的优劣，这需要进行接下来的检验，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：

进行Hausman检验

●quixtregsqcpiunemgse5ln,fe

eststorefe

quixtregsqcpiunemgse5ln,re

eststorere

hausmanfe（或者更优的是hausmanfe,sigmamore/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基本假设得不到满足。

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

●xtregsqcpiunemgse5ln,fe（如下图所示）

其中选项fe表明我们采用的是固定效应模型，表头部分的前两行呈现了模型的估计方法、界面变量的名称（id）、以及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

若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，则我们可以将

视为随机干扰项的一部分。

此时，设定随机效应模型更为合适。

●xtregsqcpiunemgse5ln,re（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加入时间效应，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。

●tabyear,gen（dumt）（tab命令用于列示变量year的组类别，选项gen（dumt）用于生产一个以dumt开头的年度虚拟变量）

dropdumt1（作用在于去掉第一个虚拟变量以避免完全共线性）

若在固定效应模型中加入时间虚拟变量，则估计模型的命令为：

●xtregsqcpiunemgse5lndumt*,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行处理

（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。

●quixtregsqcpiunemgse5ln,fe

xttest3

显然，原假设被拒绝。

此时，需要进一步以获得参数的GLS估计量，命令为xtgls：

●xtglssqcpiunemgse5ln,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:

●xtserialsqcpiunemgse5ln

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

进行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。

●matliste（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：

●quixtregsqcpiunemgse5lndumt*,re

xttest1

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）、序列相关以及二者的联合显著性，检验结果表明存在随机效应和序列相关，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

上述结果表明，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：

●xtregarsqcpiunemgse5lndumt*,felbi

●3、“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：

●xtregsqcpiunemgse5ln,fevce（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）选项的结果完全相同。

●4、截面相关检验原假设：

截面之间不存在着相关性

（1）FE模型检验

对于FE模型，可以利用xttest2命令来检验截面相关性：

●quixtregsqcpiunemgse5ln,fe

xttest2（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。

）

（2）RE模型检验

对于RE模型，可以利用xtcsd命令来检验截面相关性：

●quixtregsqcpiunemgse5ln,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

（1）FE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DriscollandKraay（1998）提出的“异方差—序列相关—截面相关”稳健型标准误：

●xtsccsqcpiunemgse5ln,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的结果完全相同，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。

若读者有跟高的方法来确定自相关的滞后阶数，则可以通过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：

●xtsccsqcpiunemgse5ln,felag（0）

（2）RE模型估计（略，待补充）

二、动态面板数据的STATA处理命令

（一）差分GMM

xtabondlnwicdlngdplanddocfirlnroadlnpopfina

xtabondlnwicdlngdplanddocfirlnroadlnpopfina,lag

（2）twostep

（二）系统GMM

xtdpdsyslnwicdlngdplanddocfirlnroadlnpopfina

xtdpdsyslnwicdlngdplanddocfirlnroadlnpopfina,twostep

（三）内生性检验

●estatsargan

（四）序列相关检验

●estatabond

三、门槛（门限回归）面板模型的STATA处理命令

xtthresy,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：

localq1=e（rhat21）取出门槛值

localq2=e（rhat22）

gend1=（q＜=’q1’）生成虚拟变量

gend2=（q＞’q2’）

genxd1=x*d1

genxd2=x*d2

xtregyxxd1xd2,fe常规标准误

eststorefe

xtregyxxd1xd2,ferobust稳健型估计

eststorefe_robust

localm”fefe_robust”

esttab‘m’,mtitle（‘m’）nogaps（r2r2_wNF）///star（*0.1**0.05***0.01）

1.检验：

是否存在门槛效应

混合面板：

regislfrlfr2hcopenpsratpgr,vce（clustersf）

固定效应、随机效应模型

xtregislfrlfr2hcopenpsratpgr,fe

eststorefe

xtregislfrlfr2hcopenpsratpgr,re

eststorere

hausmanfe

两步系统GMM模型

xtdpdsysrltplf1naiefdopewig,lags

（1）maxldep

（2）twostepartests

（2）

注：

rlt为被解释变量，“plf1naiefdopewig”为解释变量和控制变量；

maxldep

（2）表示使用被解释变量的两个滞后值为工具变量；pre（）表示以某一个变量为前定解释变量；endogenous（）表示以某一个变量为内生解释变量。

自相关检验：

estatabond

萨甘检验：

estatsargan

差分GMM模型

Xtabondrltplf1naiefdopewig,lags

（1）twostepartests

（2）

内生：

该解释变量的取值是（一定程度上）由模型决定的。

内生变量将违背解释变量与误差项不相关的经典假设，因而内生性问题是计量模型的大敌，可能造成系数估计值的非一致性和偏误；

外生：

该解释变量的取值是（完全）由模型以外的因素决定的。

外生解释变量与误差项完全无关，不论是当期，还是滞后期。

前定：

该解释变量的取值与当期误差项无关，但可能与滞后期误差项相关。