8A版Stata命令大全Word文档格式.docx
《8A版Stata命令大全Word文档格式.docx》由会员分享，可在线阅读，更多相关《8A版Stata命令大全Word文档格式.docx（33页珍藏版）》请在冰豆网上搜索。
dropifyear<
1992
dropifid==2/G注意用==G/
G如何得到连续year或id编号（当完成上述操作时，year或id就不连续，为形成panel格式，需要用egen命令）
egenyear_new=group（year）
Gtsetidyear_new
GG保留变量或保留观测值
keepinv/G删除变量G/
GG或
keepifyear==20XX
GG排序
sortidyear/G是以STATA面板数据格式出现
sortyearid/G是以DEA格式出现
GG长数据和宽数据的转换
G长>
>
宽数据
reshapewidelogy,i（id）j（year）
G宽>
长数据
reshapelogy,i（id）j（year）
GG追加数据（用于面板数据和时间序列）
Gtsetidyear
G或者
Gtdes
tsappend,add（5）/表示在每个省份再追加5年，用于面板数据/
tsset
tsdes
.tsappend,add（8）/表示追加8年，用于时间序列/
G方差分解，比如三个变量Y,G,Z都是面板格式的数据，且满足Y=G+Z，求方差var（Y）,协方差Cov（G,Y）和Cov（Z,Y）
bysortyear:
corrYGZ,cov
GG生产虚拟变量
G生成年份虚拟变量
tabyear,gen（yr）
G生成省份虚拟变量
tabid,gen（dum）
GG生成滞后项和差分项
genylag=l.y/G产生一阶滞后项），同样可产生二阶滞后项G/
genylag2=L2.y
gendy=D.y/G产生差分项G/
G求出各省20XX年以前的openinv的平均增长率
collapse（mean）openinvifyear<
20XX,by（id）
变量排序，当变量太多，按规律排列。
可用命令
aorder
或者
orderfdiopeninsti
G-----------------
G二、静态面板模型
G---------简介-----------
G面板数据的结构（兼具截面资料和时间序列资料的特征）
useproduct.dta,clear
browse
G--------固定效应模型-----------
G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，
G使得每个截面都有自己的截距项，
G截距项的不同反映了个体的某些不随时间改变的特征
G
G例如：
lny=a_i+b1GlnK+b2GlnL+e_it
G考虑中国29个省份的C-D生产函数
GGGGGGG-------画图------G
G散点图+线性拟合直线
twoway（scatterlogyh）（lfitlogyh）
G散点图+二次拟合曲线
twoway（scatterlogyh）（qfitlogyh）
G散点图+线性拟合直线+置信区间
twoway（scatterlogyh）（lfitlogyh）（lfitcilogyh）
G按不同个体画出散点图和拟合线，可以以做出fevsre的初判断G
twoway（scatterlogyhifid<
4）（lfitlogyhifid<
4）（lfitlogyhifid==1）（lfitlogyhifid==2）（lfitlogyhifid==3）
G按不同个体画散点图,sobeautiful!
!
graphtwowayscatterlogyhifid==1||scatterlogyhifid==2,msymbol（Sh）||scatterlogyhifid==3,msymbol（T）||scatterlogyhifid==4,msymbol（d）||,legend（position（11）ring（0）label（1"
北京"
）label（2"
天津"
）label（3"
河北"
）label（4"
山西"
））
GG每个省份logy与h的散点图，并将各个图形合并
twowayscatterlogyh,by（id）ylabel（,format（%3.0f））Glabel（,format（%3.0f））
G每个个体的时间趋势图G
Gtlinehifid<
11,overlaylegend（on）
G一个例子：
中国29个省份的C-D生产函数的估计
list
G回归分析
reglogylogklogldumG,
eststorem_ols
Gtreglogylogklogl,fe
eststorem_fe
esttablem_olsm_fe,b（%6.3f）star（0.10.050.01）
GWald检验
testlogk=logl=0
testlogk=logl
Gstata的估计方法解析
G目的：
如果截面的个数非常多，那么采用虚拟变量的方式运算量过大
G因此，要寻求合理的方式去除掉个体效应
G因为，我们关注的是G的系数，而非每个截面的截距项
G处理方法：
Gy_it=u_i+G_itGb+e_it
（1）
Gym_i=u_i+Gm_iGb+em_i
（2）组内平均
Gym=um+GmGb+em（3）样本平均
G
（1）-
（2）,可得：
G（y_it-ym_i）=（G_it-Gm_i）Gb+（e_it-em_i）（4）/GwithinestimatorG/
G（4）+（3）,可得：
G（y_it-ym_i+ym）=um+（G_it-Gm_i+Gm）Gb+（e_it-em_i+em）
G可重新表示为：
GY_it=a_0+G_itGb+E_it
G对该模型执行OLS估计，即可得到b的无偏估计量
GGstata后台操作，揭开fe估计的神秘面纱！
！
egeny_meanw=mean（logy）,by（id）/G个体内部平均G/
egeny_mean=mean（logy）/G样本平均G/
egenk_meanw=mean（logk）,by（id）
egenk_mean=mean（logk）
egenl_meanw=mean（logl）,by（id）
egenl_mean=mean（logl）
gendyw=logy-y_meanw
gendkw=logk-k_meanw
gendlw=logl-l_meanw
regdywdkwdlw,nocons
eststorem_stata
gendy=logy-y_meanw+y_mean
gendk=logk-k_meanw+k_mean
gendl=logl-l_meanw+l_mean
regdydkdl
esttablem_G,b（%6.3f）star（0.10.050.01）
G解读Gtreg,fe的估计结果
Gtreglogyhinvgovopen,fe
G--R^2
Gy_it=a_0+G_itGb_o+e_it
（1）pooledOLS
Gy_it=u_i+G_itGb_w+e_it
（2）withinestimator
Gym_i=a_0+Gm_iGb_b+em_i（3）betweenestimator
G-->
R-sq:
within模型
（2）对应的R2，是一个真正意义上的R2
betweencorr{Gm_iGb_w,ym_i}^2
overallcorr{G_itGb_w,y_it}^2
G--F（4,373）=855.93检验除常数项外其他解释变量的联合显著性
G--corr（u_i,Gb）=-0.2347
G--sigma_u,sigma_e,rho
Grho=sigma_u^2/（sigma_u^2+sigma_e^2）
dise（sigma_u）^2/（e（sigma_u）^2+e（sigma_e）^2）
G个体效应是否显著？
GF（28,373）=338.86H0:
a1=a2=a3=a4=a29
GProb>
F=0.0000表明，固定效应高度显著
G---如何得到调整后的R2,即adj-R2？
ereturnlist
reglogyhinvgovopendumG
G---拟合值和残差
Gy_it=u_i+G_itGb+e_it
Gpredictnewvar,[option]
/G
GbGb,fittedvalues;
thedefault
stdpcalculatestandarderrorofthefittedvalues
ueu_i+e_it,thecombinedresidual
GbuGb+u_i,predictionincludingeffect
uu_i,thefiGed-orrandom-errorcomponent
ee_it,theoverallerrorcomponentG/
predicty_hat
predicta,u
predictres,e
predictcres,ue
genares=a+res
listarescresin1/10
G----------随机效应模型---------
Gy_it=G_itGb+（a_i+u_it）
G=G_itGb+v_it
G基本思想：
将随机干扰项分成两种
G一种是不随时间改变的，即个体效应a_i
G另一种是随时间改变的，即通常意义上的干扰项u_it
G估计方法：
FGLS
GVar（v_it）=sigma_a^2+sigma_u^2
GCov（v_it,v_is）=sigma_a^2
GCov（v_it,v_js）=0
G利用PooledOLS，WithinEstimator,BetweenEstimator
G可以估计出sigma_a^2和sigma_u^2,进而采用GLS或FGLS
GRe估计量是Fe估计量和Be估计量的加权平均
Gyr_it=y_it-thetaGym_i
GGr_it=G_it-thetaGGm_i
Gtheta=1-sigma_u/sqrt[（TGsigma_a^2+sigma_u^2）]
G解读Gtreg,re的估计结果
Gtreglogylogklogl,re
G--R2
withincorr{（G_it-Gm_i）Gb_r,y_it-ym_i}^2
betweencorr{Gm_iGb_r,ym_i}^2
overallcorr{G_itGb_r,y_it}^2
G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。
Gcorr（u_i,G）=0（assumed）
G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
G然而，采用固定效应模型，我们可以粗略估计出corr（u_i,G）
Gtregmarketinveststock,fe
GWaldchi2
（2）=10962.50Prob>
chi2=0.0000
G--------时间效应、模型的筛选和常见问题
G---------目录--------
G7.2.1时间效应（双向固定（随机）效应模型）
G7.2.2模型的筛选
G7.2.3面板数据常见问题
G7.2.4面板数据的转换
G----------------------------------
G------------时间效应--------------
G单向固定效应模型
G双向固定效应模型
Gy_it=u_i+f_t+G_itGb+e_it
quitabyear,gen（yr）
dropyr1
GtreglogylogkloglyrG,fe
G随机效应模型中的时间效应
G-----------模型的筛选----------
G固定效应模型还是PooledOLS？
GtreglogylogkloglyrG,fe/GWald检验G/
quitabid,gen（dum）/GLR检验G/
reglogylogklogl/GPOLSG/
reglogylogklogldumG,nocons
lrtestm_olsm_fe
GREvsPooledOLS？
GH0:
Var（u）=0
G方法一：
B-P检验
Gttest0
GFEvsRE?
G---Hausman检验---
如果Corr（u_i,G_it）=0,Fe和Re都是一致的，但Re更有效
G如果Corr（u_i,G_it）!
=0,Fe仍然有效，但Re是有偏的
G基本步骤
GGG情形1：
huasman为正数
eststorem_re
hausmanm_fem_re
GGG情形2：
quiGtreglogyhinvgovopen,fe
eststorefe
quiGtreglogyhinvgovopen,re
eststorere
hausmanfere
GHausman检验值为负怎么办？
G通常是因为RE模型的基本假设Corr（G,u_i）=0无法得到满足
G检验过程中两个模型的方差-协方差矩阵都采用Fe模型的
hausmanfere,sigmaless
G两个模型的方差-协方差矩阵都采用Re模型的
hausmanfere,sigmamore
G==为何有些变量会被drop掉？
usenlswork.dta,clear
tssetidcodeyear
Gtregln_wagehourstenurettl_eGp,fe/G正常执行G/
G产生种族虚拟变量
tabrace,gen（dum_race）
Gtregln_wagehourstenurettl_eGpdum_race2dum_race3,fe
G为何dum_race2和dum_race3会被dropped?
G固定效应模型的设定：
y_it=u_i+G_itGb+e_it
（1）
G由于个体效应u_i不随时间改变，
G因此若G_it包含了任何不随时间改变的变量，
G都会与u_i构成多重共线性，Stata会自动删除之。
GGGGGGG异方差、序列相关和截面相关问题
G----------------简介-------------
Gy_it=G_itGb+u_i+e_it
G由于面板数据同时兼顾了截面数据和时间序列的特征，
G所以异方差和序列相关必然会存在于面板数据中；
G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，
G所以，截面相关性也是一个需要考虑的问题。
G此前的分析依赖三个假设条件：
G
（1）Var[e_it]=sigma^2同方差假设
G
（2）Corr[e_it,e_it-s]=0序列无关假设
G（3）Corr[e_it,e_jt]=0截面不相关假设
G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；
G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；
G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。
G----------------假设检验-------------
G==组间异方差检验（截面数据的特征）
GVar（e_i）=sigma_i^2
GFe模型
Gttest3
GRe模型
GRe本身已经较大程度的考虑了异方差问题，主要体现在sigma_u^2上
G==序列相关检验
GGtserialWooldridge（20XX），若无序列相关，则一阶差分后残差相关系数应为-0.5
Gtseriallogylogklogl
Gtseriallogylogklogl,output
Gttest1/G提供多个统计检验量G/
G==截面相关检验
GGttest2命令H0:
所有截面残差的相关系数都相等
Gttest2
G由于检验过程中执行了SUE估计，所以要求T>
N
Gtreglogylogkloglifid<
6,fe
GGtcsd命令（提供了三种检验方法）
Gtcsd,pesaran/GPesaran（20XX）G/
Gtcsd,friedman/GFriedman（1937）G/
Gtcsd,pesaran
G-----------------估计方法---------------------
G==异方差稳健型估计
Gtreglogyhinvgovopen,ferobust
eststorefe_rb
G结果对比
esttabfe_rbfe,b（%6.3f）se（%6.3f）mtitle（fe_rbfe）
G==序列相关估计
G一阶自相关Gtregar,fe/re
G模型：
y_it=u_i+G_itGb+v_it
（1）
Gv_it=rhoGv_it-1+z_it
（2）
Gtregarlogyhinvgovopen,fe
eststorefe_ar1
Gtregarlogyhinvgovopen,felbi/GBaltagi-WuLBItestG/
G
（1）这里的Durbin-Watson=1.280677具有较为复杂的分布，
G不同于时间序列中的D-W统计量。
G
（2）其临界值见Bhargavaetal.（1982,TheReviewofEconomicStudies49:
553-549）
G（3）Baltagi-WuLBI=1.4739834基本上没有太大的参考价值，
G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
Gtregarlogyhinvgovopen,re
eststorere_ar1
G两阶段估计
Gtregarlogyhinvgovopen,fetwostep
eststorefe_ar1_two
localmodels"
fefe_ar1re_ar1fe_ar1_two"
esttab`models'
b（%6.3f）se（%6.3f）mtitle（`models'
）r2sca（r2_wcorr）
G高阶自相关
Gnewey2命令
newey2logyhinvgovopen,lag
（2）
G==组间相关（截面相关）
Gcluster选项
useGtcs.dta,clear
Gtreglogyhinvgovopen,fecluster（id）
eststorefe_cluster
Gtreglogyhinvgovopen,recluster（id）
eststorere_cluster
GGGGGGGGGGGG看过去很晕，采用一种综合处理：
GGtgls命令
GGtpcse命令
G---简介（Greene,20XX,chp15）
G模型
Gy=GGb+U
G重点在于考虑干扰项U的结构，包括
G
（1）异方差
（2）序列相关（3）截面相关性
G应用范围：
多用于“大T，小N”型面板数据，
G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
G因此，模型设定中未考虑个体效果
G|y_1||G_1||e_1|
G|y_2||G_2||e_2|
G|.||.||.|
G|.|=|.|Gb+|.|
G|y_n||G_n||e_n|
G--截面异方差
GE[e_iGe_i'
]=s_i^2
G|s1^20...0|
G|0s2^2...0|
G|.|
GV=|.|
G|00...sn^2|
G--截面相关
]=s_ij^2
升级会员 