STATA面板數(shù)據(jù)模型操作命令

1、STATA 面板數(shù)據(jù)模型估計(jì)命令一覽表一、靜態(tài)面板數(shù)據(jù)的 STATA處理命令固定效應(yīng)模型隨機(jī)效應(yīng)模型yiti xitityit xitititit it一）數(shù)據(jù)處理輸入數(shù)據(jù) tsset code year該命令是將數(shù)據(jù)定義為“面板”形式 xtdes該命令是了解面板數(shù)據(jù)結(jié)構(gòu) summarize sq cpi unem g se5 ln各變量的描述性統(tǒng)計(jì)（統(tǒng)計(jì)分析） gen lag_y=L.y /gen F_y=F.y /gen D_y=D.y /gen D2_y=D2.y /產(chǎn)生一個(gè)滯后一期的新變量 產(chǎn)生一個(gè)超前項(xiàng)的新變量 產(chǎn)生一個(gè)一階差分的新變量產(chǎn)生一個(gè)二階差分的新變量1、檢驗(yàn)個(gè)體效應(yīng)二）模型

2、的篩選和檢驗(yàn)混合效應(yīng)還是固定效應(yīng)） （原假設(shè)：使用 OLS混合模型） xtreg sq cpi unem g se5 ln,fe對(duì)于固定效應(yīng)模型而言， 回歸結(jié)果中最后一行匯報(bào)的 F 統(tǒng)計(jì)量便在于檢驗(yàn)所 有的個(gè)體效應(yīng)整體上顯著。在我們這個(gè)例子中發(fā)現(xiàn) F 統(tǒng)計(jì)量的概率為 0.0000 ， 檢驗(yàn)結(jié)果表明固定效應(yīng)模型優(yōu)于混合 OLS模型。2、檢驗(yàn)時(shí)間效應(yīng)合效應(yīng)還是隨機(jī)效應(yīng)）檢驗(yàn)方法： LM統(tǒng)計(jì)量）（原假設(shè)：使用 OLS混合模型） qui xtreg sq cpi unem g se5 ln,rexttest0（ 加上“ qui ”之后第一幅圖將不會(huì)呈現(xiàn) ）可以看出， LM檢驗(yàn)得到的 P 值為 0.00

3、00 ，表明隨機(jī)效應(yīng)非常顯著。可見， 隨機(jī)效應(yīng)模型也優(yōu)于混合 OLS模型。 3、檢驗(yàn)固定效應(yīng)模型 or 隨機(jī)效應(yīng)模型檢驗(yàn)方法： Hausman檢驗(yàn)）原假設(shè)：使用隨機(jī)效應(yīng)模型（個(gè)體效應(yīng)與解釋變量無關(guān)）通過上面分析， 可以發(fā)現(xiàn)當(dāng)模型加入了個(gè)體效應(yīng)的時(shí)候， 將顯著優(yōu)于截距項(xiàng) 為常數(shù)假設(shè)條件下的混合 OLS模型。但是無法明確區(qū)分 FE or RE 的優(yōu)劣，這需 要進(jìn)行接下來的檢驗(yàn)，如下：Step1：估計(jì)固定效應(yīng)模型，存儲(chǔ)估計(jì)結(jié)果Step2：估計(jì)隨機(jī)效應(yīng)模型，存儲(chǔ)估計(jì)結(jié)果Step3 ：進(jìn)行 Hausman檢驗(yàn) qui xtreg sq cpi unem g se5 ln,feest store fequ

4、i xtreg sq cpi unem g se5 ln,reest store rehausman fe (或者更優(yōu)的是 hausman fe,sigmamore/ sigmaless)可以看出， hausman檢驗(yàn)的 P 值為 0.0000 ，拒絕了原假設(shè)， 認(rèn)為隨機(jī)效應(yīng)模型的基本假設(shè)得不到滿足。此時(shí)，需要采用工具變量法和是使用固定效應(yīng)模型三) 靜態(tài)面板數(shù)據(jù)模型估計(jì)1、固定效應(yīng)模型估計(jì) xtreg sq cpi unem g se5 ln,fe(如下圖所示 )其中選項(xiàng) fe 表明我們采用的是固定效應(yīng)模型，表頭部分的前兩行呈現(xiàn)了模型的估計(jì)方法、界面變量的名稱（ id ）、以及估計(jì)中使用的樣本

5、數(shù)目和個(gè)體的數(shù) 目。第 3行到第 5行列示了模型的擬合優(yōu)度、 分為組內(nèi)、 組間和樣本總體三個(gè)層 面，通常情況下，關(guān)注的是組內(nèi)（ within ），第 6 行和第 7 行分別列示了針對(duì)模 型中所有非常數(shù)變量執(zhí)行聯(lián)合檢驗(yàn)得到的 F 統(tǒng)計(jì)量和相應(yīng)的 P值，可以看出，參 數(shù)整體上相當(dāng)顯著。需要注意的是，表中最后一行列示了檢驗(yàn)固定效應(yīng)是否顯著的 F 統(tǒng)計(jì)量和相 應(yīng)的 P 值。顯然，本例中固定效應(yīng)非常顯著。2、隨機(jī)效應(yīng)模型估計(jì)若假設(shè)本例的樣本是從一個(gè)很大的母體中隨機(jī)抽取的，且 i 與解釋變量均 不相關(guān)，則我們可以將 i 視為隨機(jī)干擾項(xiàng)的一部分。此時(shí)，設(shè)定隨機(jī)效應(yīng)模型 更為合適。 xtreg sq cpi

6、unem g se5 ln,re（ 如下圖所示 ）3、時(shí)間固定效應(yīng)以上分析主要針對(duì)的是個(gè)體效應(yīng)）如果希望進(jìn)一步在上述模型中加入時(shí)間效應(yīng)， 可以采用時(shí)間虛擬變量來實(shí)現(xiàn)。 首 先，我們需要定義一下 T-1 個(gè)時(shí)間虛擬變量 tab year ,gen(dumt)（tab 命令用于列示變量 year 的組類別，選項(xiàng) gen （ dumt ）用于生產(chǎn)一個(gè)以 dumt 開頭的年度虛擬變量 ）drop dumt1作用在于去掉第一個(gè)虛擬變量以避免完全共線性）若在固定效應(yīng)模型中加入時(shí)間虛擬變量，則估計(jì)模型的命令為： xtreg sq cpi unem g se5 ln dumt*,fe四）異方差和自相關(guān)檢驗(yàn) 1

7、、異方差檢驗(yàn)組間異方差）本節(jié)主要針對(duì)的是固定效應(yīng)模型進(jìn)行處理1）檢驗(yàn)原假設(shè)：同方差 需要檢驗(yàn)?zāi)Ｐ椭惺欠翊嬖诮M間異方差 , 需要使用 xttest3 命令 qui xtreg sq cpi unem g se5 ln,fexttest3顯然，原假設(shè)被拒絕。此時(shí)，需要進(jìn)一步以獲得參數(shù)的 GLS估計(jì)量，命令為 xtgls ： xtgls sq cpi unem g se5 ln,panels(heteroskedastic)其中，組間異方差通過 panels （）選項(xiàng)來設(shè)定。上述結(jié)果是采用兩步獲得， 即，先采用 OLS估計(jì)不考慮異方差的模型，進(jìn)而利用其殘差計(jì)算。 。，并最終得 到 FGLS估計(jì)量。

8、2、序列相關(guān)檢驗(yàn)對(duì)于 T較大的面板而言， i往往無法完全反映時(shí)序相關(guān)性， 此時(shí) it 便可能 存在序列相關(guān)，在多數(shù)情況下被設(shè)定為 AR（1）過程。原假設(shè)：序列不存在相關(guān)性。（ 1） FE模型的序列相關(guān)檢驗(yàn)對(duì)于固定效應(yīng)模型，可以采用 Wooldridge 檢驗(yàn)法，命令為 xtserial: xtserial sq cpi unem g se5 ln可以發(fā)現(xiàn)，這里的 P=0.0000，我們可以在 1%的顯著性水平下愛拒絕不存在序列相關(guān)的原假設(shè)?？紤]到樣本，該檢驗(yàn)的最后一步是用 對(duì) 進(jìn)行 OLS回歸， eit ei ，t-1 因此，輸入以下命令得到 。檢驗(yàn)該值是否顯著異于 -0.5 ，因?yàn)樵谠?0

9、.8858設(shè)下（不相關(guān)） ，可見本例中不相等， 拒絕原假設(shè)， 說明存在序列相關(guān)-0.5 mat list e(b)（ 2） RE模型的序列相關(guān)檢驗(yàn)對(duì)于 RE模型，可以采用 xttest1 命令來執(zhí)行檢驗(yàn)： qui xtreg sq cpi unem g se5 ln dumt*,rexttest1這里匯報(bào)了 4 個(gè)統(tǒng)計(jì)量，分別用于檢驗(yàn) RE模型中隨機(jī)效應(yīng)（單尾和雙尾）序列相關(guān)以及二者的聯(lián)合顯著性， 檢驗(yàn)結(jié)果表明存在隨機(jī)效應(yīng)和序列相關(guān)， 而且 對(duì)隨機(jī)效應(yīng)和序列相關(guān)的聯(lián)合檢驗(yàn)也非常顯著3） 穩(wěn)健型估計(jì)上述結(jié)果表明，無論是 FE 還是 RE模型，干擾項(xiàng)中都存在顯著的序列相關(guān)為此，我們進(jìn)一步采用 xt

10、regar 命令來估計(jì)模型，首先考慮固定效應(yīng)模型： xtregar sq cpi unem g se5 ln dumt*,fe lbi3、“異方差序列相關(guān)”穩(wěn)健型標(biāo)準(zhǔn)誤雖然上述估計(jì)方法在估計(jì)方差 - 協(xié)方差矩陣時(shí)考慮了異方差和序列相關(guān)的影 響，但都未將兩者聯(lián)立在一起考慮，要獲得“異方差 - 序列相關(guān)”穩(wěn)健型標(biāo)準(zhǔn)誤， 只需在 xtreg 命令中附加 vce(robust) 或者 vce(cluster) 選項(xiàng)即可。 例如，對(duì)于 FE模型，我們可以執(zhí)行如下命令： xtreg sq cpi unem g se5 ln,fe vce(robust)與之前未經(jīng)處理的估計(jì)結(jié)果相比，附加命令 vce（rob

11、ust） 選項(xiàng)時(shí)的結(jié)果，雖 然系數(shù)的估計(jì)值未發(fā)生變化， 但此時(shí)得到的標(biāo)準(zhǔn)誤明顯增大了， 致使得到的估計(jì) 結(jié)果更加保守。對(duì)于面板數(shù)據(jù)模型而言， STATA在計(jì)算所謂的“ robust ”標(biāo)準(zhǔn)誤 時(shí)，是以個(gè)體為單位調(diào)整標(biāo)準(zhǔn)誤的。因此，我們得到的“ robust ”標(biāo)準(zhǔn)誤其實(shí)是 同時(shí)調(diào)整了異方差和序列相關(guān)后的標(biāo)準(zhǔn)誤。換言之，上述結(jié)果與設(shè)定 vce（cluster） 選項(xiàng)的結(jié)果完全相同。 4、截面相關(guān)檢驗(yàn)原假設(shè)：截面之間不存在著相關(guān)性（1）FE模型檢驗(yàn)對(duì)于 FE 模型，可以利用 xttest2 命令來檢驗(yàn)截面相關(guān)性： qui xtreg sq cpi unem g se5 ln,fexttest2 （

12、該命令主要針對(duì)的是大 T小 N類型的面板數(shù)據(jù)， 在本例中無法使用， 故圖標(biāo)略去。 ）（2）RE模型檢驗(yàn)對(duì)于 RE模型，可以利用 xtcsd 命令來檢驗(yàn)截面相關(guān)性： qui xtreg sq cpi unem g se5 ln,rextcsd,pesaran(下面命令是另一個(gè)檢驗(yàn)指標(biāo) ）xtcsd,frees可以看出，兩種不同的檢驗(yàn)方法均顯示面板數(shù)據(jù)存在著截面相關(guān)性。5、“異方差序列相關(guān)截面相關(guān)”穩(wěn)健型標(biāo)準(zhǔn)誤1)FE模型估計(jì)對(duì)于 FE模型，在確認(rèn)上述存在著截面相關(guān)的情況下， 我們可以采用 Hoechle(2007) 編寫的 xtscc 命令獲取 Driscoll and Kraay(1998)

13、提出的“異方差序列相關(guān) 截面相關(guān)”穩(wěn)健型標(biāo)準(zhǔn)誤： xtscc sq cpi unem g se5 ln,fe這里， xtscc 命令會(huì)自動(dòng)選擇的滯后階數(shù)為 2，系數(shù)估計(jì)值和 Within-R2 與 xtreg,fe 的結(jié)果完全相同，但標(biāo)準(zhǔn)誤存在著較大差異?？梢?，在本例中，截面 相關(guān)對(duì)統(tǒng)計(jì)推斷有較大的影響。若讀者有跟高的方法來確定自相關(guān)的滯后階數(shù)，則可以通過lag（ ） 選項(xiàng)設(shè)定。當(dāng)然，在多數(shù)情況下，這很難做到。不過我們可以通過附加lag（0） 來估計(jì)僅考慮異方差和截面相關(guān)的穩(wěn)健型標(biāo)準(zhǔn)誤，命令如下： xtscc sq cpi unem g se5 ln,fe lag(0)2）RE模型估計(jì)（略，待

14、補(bǔ)充 ）二、動(dòng)態(tài)面板數(shù)據(jù)的 STATA處理命令一）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）系統(tǒng) GMMxtdpdsys lnwi cd lngdp land doc fir lnroad lnpop fina xtdpdsys lnwi cd lngdp land doc fir lnroad lnpop fina, twostep(三)內(nèi)生性檢驗(yàn) estat sargan（四）序列

15、相關(guān)檢驗(yàn) estat abond三、門檻（門限回歸）面板模型的 STATA處理命令xtthres y, thres(q) dthres(x) bs1(30) bs2(30) bs3(20)各個(gè)門檻的置信區(qū)間圖：xttr_graphxttr_graph,m(22)xttr_graph,m(21) xttr_graph,m(3) 呈現(xiàn)估計(jì)結(jié)果：local q1=e(rhat21)local q2=e(rhat22)gen d1=(q <='q1' )gen d2=(q >'q2')gen xd1=x*d1gen xd2=x*d2 xtreg y x xd

16、1 xd2,fe est store fe第一輪搜索第一個(gè)門檻第二輪搜索第二個(gè)門檻第二輪搜索第一個(gè)門檻取出門檻值生成虛擬變量常規(guī)標(biāo)準(zhǔn)誤xtreg y x xd1 xd2,fe robust 穩(wěn)健型估計(jì)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. 檢驗(yàn)：是否存在門檻效應(yīng)混合面板：reg is lfr lfr2 hc open psra tp gr,vce(cluster sf)固定效應(yīng)、隨機(jī)效應(yīng)模型xt

17、reg is lfr lfr2 hc open psra tp gr,fe est store fextreg is lfr lfr2 hc open psra tp gr,reest store re hausman fe 兩步系統(tǒng) GMM模型xtdpdsys rlt plf1 nai efd op ew ig ,lags(1) maxldep(2) twostep artests(2)注：rlt 為被解釋變量，“plf1 nai efd op ew ig”為解釋變量和控制變量；maxldep(2) 表示使用被解釋變量的兩個(gè)滯后值為工具變量； pre ()表示以某一 個(gè)變量為前定解釋變量； endogenous()表示以某一個(gè)變量為內(nèi)生解釋變量。自相關(guān)檢驗(yàn)： estat ab