卓顶精文stata命令大全全.docx
《卓顶精文stata命令大全全.docx》由会员分享，可在线阅读，更多相关《卓顶精文stata命令大全全.docx（33页珍藏版）》请在冰豆网上搜索。
卓顶精文stata命令大全全
*********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：
FEvsPOLS,REvsPOLS,FEvsRE（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）：
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（SpilloversEffect）、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
xtsetidyear（id为截面名称，year为时间名称）
xtdes/*数据特征*/
xtsumlogyh/*数据统计特征*/
sumlogyh/*数据统计特征*/
*添加标签或更改变量名
labelvarh"人力资本"
renamehhum
*排序
sortidyear/*是以STATA面板数据格式出现*/
sortyearid/*是以DEA格式出现*/
*删除个别年份或省份
dropifyear<1992
dropifid==2/*注意用==*/
*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）
xtsetidyear_new
**保留变量或保留观测值
keepinv/*删除变量*/
**或
keepifyear==2019
**排序
sortidyear/*是以STATA面板数据格式出现
sortyearid/*是以DEA格式出现
**长数据和宽数据的转换
*长>>>宽数据
reshapewidelogy,i（id）j（year）
*宽>>>长数据
reshapelogy,i（id）j（year）
**追加数据（用于面板数据和时间序列）
xtsetidyear
*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）
bysortyear:
corrYXZ,cov
**生产虚拟变量
*生成年份虚拟变量
tabyear,gen（yr）
*生成省份虚拟变量
tabid,gen（dum）
**生成滞后项和差分项
xtsetidyear
genylag=l.y/*产生一阶滞后项），同样可产生二阶滞后项*/
genylag2=L2.y
gendy=D.y/*产生差分项*/
*求出各省2019年以前的openinv的平均增长率
collapse（mean）openinvifyear<2019,by（id）
变量排序，当变量太多，按规律排列。
可用命令
aorder
或者
orderfdiopeninsti
*-----------------
*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）
useproduct.dta,clear
browse
xtsetidyear
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
twoway（scatterlogyh）（lfitlogyh）
*散点图+二次拟合曲线
twoway（scatterlogyh）（qfitlogyh）
*散点图+线性拟合直线+置信区间
twoway（scatterlogyh）（lfitlogyh）（lfitcilogyh）
*按不同个体画出散点图和拟合线，可以以做出fevsre的初判断*
twoway（scatterlogyhifid<4）（lfitlogyhifid<4）（lfitlogyhifid==1）（lfitlogyhifid==2）（lfitlogyhifid==3）
*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"））
**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））xlabel（,format（%3.0f））
*每个个体的时间趋势图*
xtlinehifid<11,overlaylegend（on）
*一个例子：
中国29个省份的C-D生产函数的估计
tabid,gen（dum）
list
*回归分析
reglogylogklogldum*,
eststorem_ols
xtreglogylogklogl,fe
eststorem_fe
esttablem_olsm_fe,b（%6.3f）star（0.10.050.01）
*Wald检验
testlogk=logl=0
testlogk=logl
*stata的估计方法解析
*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
*因此，要寻求合理的方式去除掉个体效应
*因为，我们关注的是x的系数，而非每个截面的截距项
*处理方法：
*
*y_it=u_i+x_it*b+e_it
（1）
*ym_i=u_i+xm_i*b+em_i
（2）组内平均
*ym=um+xm*b+em（3）样本平均
*
（1）-
（2）,可得：
*（y_it-ym_i）=（x_it-xm_i）*b+（e_it-em_i）（4）/*withinestimator*/
*（4）+（3）,可得：
*（y_it-ym_i+ym）=um+（x_it-xm_i+xm）*b+（e_it-em_i+em）
*可重新表示为：
*Y_it=a_0+X_it*b+E_it
*对该模型执行OLS估计，即可得到b的无偏估计量
**stata后台操作，揭开fe估计的神秘面纱！
！
！
egeny_meanw=mean（logy）,by（id）/*个体内部平均*/
egeny_mean=mean（logy）/*样本平均*/
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
eststorem_stata
esttablem_*,b（%6.3f）star（0.10.050.01）
*解读xtreg,fe的估计结果
xtreglogyhinvgovopen,fe
*--R^2
*y_it=a_0+x_it*b_o+e_it
（1）pooledOLS
*y_it=u_i+x_it*b_w+e_it
（2）withinestimator
*ym_i=a_0+xm_i*b_b+em_i（3）betweenestimator
*
*-->R-sq:
within模型
（2）对应的R2，是一个真正意义上的R2
*-->R-sq:
betweencorr{xm_i*b_w,ym_i}^2
*-->R-sq:
overallcorr{x_it*b_w,y_it}^2
*
*--F（4,373）=855.93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_u^2/（sigma_u^2+sigma_e^2）
dise（sigma_u）^2/（e（sigma_u）^2+e（sigma_e）^2）
*
*个体效应是否显著？
*F（28,373）=338.86H0:
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？
ereturnlist
reglogyhinvgovopendum*
*---拟合值和残差
*y_it=u_i+x_it*b+e_it
*predictnewvar,[option]
/*
xbxb,fittedvalues;thedefault
stdpcalculatestandarderrorofthefittedvalues
ueu_i+e_it,thecombinedresidual
xbuxb+u_i,predictionincludingeffect
uu_i,thefixed-orrandom-errorcomponent
ee_it,theoverallerrorcomponent*/
xtreglogylogklogl,fe
predicty_hat
predicta,u
predictres,e
predictcres,ue
genares=a+res
listarescresin1/10
*---------------------------------
*----------随机效应模型---------
*---------------------------------
*y_it=x_it*b+（a_i+u_it）
升级会员 