STATA面板数据模型操作命令讲解.doc

STATASTATA 面板数据模型估计命令一览表面板数据模型估计命令一览表一、静态面板数据的一、静态面板数据的 STATASTATA 处理命令处理命令固定效应模型固定效应模型itxyitiititxyitit随机效应模型随机效应模型ititit（一）数据处理（一）数据处理输入数据输入数据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（二）模型的筛选和检验1、检验个体效应、检验个体效应（混合效应还是固定效应）（混合效应还是固定效应） （原假设：使用（原假设：使用 OLS 混合模型）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，检验结果表明固定效应模型优于混合 OLS 模型。2、检验时间效应（、检验时间效应（混合效应还是随机效应）混合效应还是随机效应） （检验方法：（检验方法：LM 统计量）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，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、检验固定效应模型 or 随机效应模型随机效应模型 （检验方法：（检验方法：Hausman 检验）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 FE or RE 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,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（三）静态面板数据模型估计1、固定效应模型估计、固定效应模型估计xtreg sq cpi unem g se5 ln,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、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i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i更为合适。xtreg sq cpi unem g se5 ln,re (如下图所示)3、时间固定效应、时间固定效应（以上分析主要针对的是个体效应）（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。tab year ,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)drop dumt1 （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：xtreg sq cpi unem g se5 ln dumt*,fe（四）异方差和自相关检验（四）异方差和自相关检验1、异方差检验、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（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）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,fexttest3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：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、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iit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。原假设：序列不存在相关性。（1 1） FEFE 模型的序列相关检验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 se5 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行 OLS 回归， eit1 - tei，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8858. 0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5 . 0-相关。mat list e(b)（2 2） RERE 模型的序列相关检验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 3） 稳健型估计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：xtregar sq cpi unem g se5 ln dumt*,fe lbi3、 “异方差异方差序列相关序列相关”稳健型标准误稳健型标准误 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 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)选项的结果完全相同。4、截面相关检验、截面相关检验 原假设：截面之间不存在着相关性原假设：截面之间不存在着相关性（1）FE 模型检验模型检验对于对于 FE 模型，可以利用模型，可以利用 xttest2 命令来检验截面相关性：命令来检验截面相关性：qui 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。)（2）RE 模型检验模型检验对于对于 RE 模型，可以利用模型，可以利用 xtcsd 命令来检验截面相关性：命令来检验截面相关性：qui xtreg sq cpi unem g se5 ln,rextcsd,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、 “异方差异方差序列相关序列相关截面相关截面相关”稳健型标准误稳健型标准误（1）FE 模型估计模型估计对于 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 Driscoll 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：xtscc sq cpi unem g se5 ln,fe lag(0)（2）RE 模型估计模型估计(略，待补充略，待补充)二、动态面板数据的二、动态面板数据的 STATASTATA 处理命令处理命令（一）差分（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（二）系统 GMMxtdpdsys lnwi cd lngdp land doc fir lnroad lnpop finaxtdpdsys lnwi cd lngdp land doc fir lnroad lnpop fina, twostep（三）内生性检验（三）内生性检验estat sargan（四）序列相关检验（四）序列相关检验estat abond三、门槛（门限回归）面板模型的三、门槛（门限回归）面板模型的 STATASTATA 处理命令处理命令xtthres y, thres(q) dthres(x) bs1(30) bs2(30) bs3(20)各个门槛的置信区间图：各个门槛的置信区间图：xttr_graph 第一轮搜索第一个门槛第一轮搜索第一个门槛xttr_graph,m(22) 第二轮搜索第二个门槛第二轮搜索第二个门槛xttr_graph,m(21) 第二轮搜索第一个门槛第二轮搜索第一个门槛xttr_graph,m(3)呈现估计结果：呈现估计结果：local q1=e(rhat21) 取出门槛值取出门槛值local q2=e(rhat22)gen d1=(q=q1) 生成虚拟变量生成虚拟变量gen d2=(qq2)gen xd1=x*d1gen xd2=x*d2xtreg y x xd1 xd2,fe 常规标准误常规标准误est store fextreg y x xd1 xd2,fe robust 稳健型估计稳健型估计est store fe_ robustlocal m”fe fe_ robust”esttab m,mtitle(m) nogap s(r2 r2_w N F)/star(*0.1 *0.05 *0.01)1.检验：是否存在门槛效应检验：是否存在门槛效应混合面板：reg is lfr lfr2 hc open psra tp gr,vce(cluster sf)固定效应、随机效应模型xtreg is lfr lfr2 hc open psra tp gr,feest store fextreg is lfr lfr2 hc open psra tp gr,reest store rehausman fe两步系统两步系统 GMM 模型模型xtdpdsys rlt plf1 nai efd op ew ig ,lags(1) maxldep(2) twostep artests(2)注：rlt 为被解释变量， “plf1 nai efd op ew ig”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：estat abond萨甘检验：estat sargan差分差分 GMM 模型模型Xtabond rlt plf1 nai efd op ew ig ,lags(1) twostep artests(2)内生：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：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。