Stata學(xué)習(xí)筆記

1、1、橫截面數(shù)據(jù)：多個經(jīng)濟個體的變量在同一時間點上的取值，如2012 年中國各省的GDP2、時間數(shù)列數(shù)據(jù)：指的是某個經(jīng)濟個體的變量在不同時點上的取值，如1978-2012 年山東省每年的GDP3、面板數(shù)據(jù)：多個經(jīng)濟個體的變量在不同時點上的取值，如1978-2012 年中國各省的GDP小樣本OLS （最小二乘法）：單一方程線性回歸最常見方法條件：解釋變量與擾動項正交、擾動項無自相關(guān)、同方差。擬合優(yōu)度：衡量線性回歸模型對樣本數(shù)據(jù)的擬合程度（R2） ，越高說明模型擬合程度越好。單系數(shù)T檢驗：對回歸方程擾動項的具體概率進(jìn)行假設(shè)顯著性水平進(jìn)行檢驗F 檢驗：整個回歸方程是否顯著STATAt作簡介:如果數(shù)據(jù)中

2、包含1949-10-01 或 1949/10/01 的時間變量，導(dǎo)入stata 后可能會被視為字符串，因此對于日度數(shù)據(jù)，可以使用命令gen newvar=date（varname,YMD）, 將其轉(zhuǎn)換為整數(shù) 日期變量，其中 YMD說明原始數(shù)據(jù)的格式為年月日，如果原始數(shù)據(jù)的格式為月日年則使用MDY 對于月度數(shù)據(jù)貝U gen newvar=monthly（varname,YM）。:刪除和保留：變量之間相關(guān)系數(shù)產(chǎn)生:OLS回歸noc 表示在進(jìn)行回歸時不要常數(shù)項.describe ：數(shù)據(jù)的概貌.drop keep.su ：統(tǒng)計特征PwcorrStar （ .05 ） ： 5%顯著性水平gen:g in

3、tc=log （ tc ） ：取自然對數(shù). reg.Vce ：協(xié)方差矩陣reg。大樣本OLS只要求解釋變量與同期的擾動項正交即可Robust:穩(wěn)健標(biāo)準(zhǔn)誤，如果存在異方差，則應(yīng)使用穩(wěn)健標(biāo)準(zhǔn)誤最大似然估計法：如果回歸方程存在非線性，則使用最大似然估計法（MLE或非線性最小二乘法（NLS）三類在大樣本下漸進(jìn)等價的統(tǒng)計檢驗：Wald test LR （似然比檢驗）LM操作步驟如下：sysuse auto （調(diào)用數(shù)據(jù)集）Hist mpg , normal （畫變量 mpg的直方圖，并與正態(tài)密度比較）直方圖顯示，變量 mpg的分布于正態(tài)分布有一定差距。變量可以取對數(shù)解決非正態(tài)分布的問題。異方差與GLS （

4、廣義最小二乘法）異方差的檢驗：看殘差圖、懷特檢驗（ white test ）、BP檢驗（Breusch and Pagan ）異方差的處理：1、OLS+急健標(biāo)準(zhǔn)誤（最好的）2 、廣義最小二乘法（GLS）3 、加權(quán)最小二乘法（WLS）實例操作：1、 使用數(shù)據(jù)：use ,clear2、 reg intc inq inpl inpk inpf（進(jìn)行回歸）3、4、 畫殘差圖：rvfplot上圖可以發(fā)現(xiàn)當(dāng)擬合值較小時，擾動項方差較大，繼續(xù)考察殘差與解釋變量inq 的散點圖： rvpplot inq ，結(jié)果與上圖幾乎一致，可能存在異方差，即擾動項的方差隨著觀測值而變。5、 完成回歸后，進(jìn)行懷特檢驗：est

5、at imtest ， whiteP 值顯著，認(rèn)為存在異方差6、完成回歸后，進(jìn)行BP檢驗：estat hettest,iid estat hottest,rhs iid estathottest inq,iid三種形式的檢驗都強烈拒絕同方差的原假設(shè)，存在異方差（這里只放一個形式的檢驗結(jié)果）7、處理異方差：擾動項之間自相關(guān)自相關(guān)的例子：1、時間序列數(shù)據(jù)中通常具有某種連續(xù)性和持久性，如相鄰兩年的GDP曾長率；2、截面數(shù)據(jù)中相鄰的觀測單位之間可能存在溢出效應(yīng)，如相鄰地區(qū)的農(nóng)業(yè)產(chǎn)量收到類似天氣變化的影響；3、對數(shù)據(jù)的人為處理如數(shù)據(jù)中包含移動平均數(shù)等；4、如果模型設(shè)定中遺漏了某個自相關(guān)的解釋變量并被納入

6、到擾動項中，則會引起擾動項的自相關(guān)。自相關(guān)的檢驗：1、畫圖（不推薦） 2、BG檢3e estat bgodfrey 3、BOX-Pierce Q 檢驗4、DW僉驗estat dwatson.檢驗都要在OLS做完后才能做。自相關(guān)的處理：1、使用OLS矯方差自相關(guān)穩(wěn)健的標(biāo)準(zhǔn)誤；2、OLS喋類穩(wěn)健的標(biāo)準(zhǔn)誤；3、使用可行廣義最小二乘法（FGLS） ； 4、修改模型設(shè)定自相關(guān)處理實例：1、使用數(shù)據(jù)icecream 然后進(jìn)行回歸BG 檢驗顯著 拒絕了原假設(shè)無自相關(guān)，則認(rèn)為存在自相關(guān)Q檢驗（略）、DW僉驗如下DW= 距離 2 很遠(yuǎn) 可以認(rèn)為存在自相關(guān)。由以上的檢驗可以看出擾動項之間存在自相關(guān)，因此OLS提供

7、的標(biāo)準(zhǔn)誤是不準(zhǔn)確的，應(yīng)使用異方差自相關(guān)穩(wěn)健標(biāo)準(zhǔn)誤，由于樣本為30個，n四分之一二,故取NEWey-West估計量的滯后值為P=3,結(jié)果如下：上圖顯示標(biāo)準(zhǔn)誤與 OLS標(biāo)準(zhǔn)誤無多大區(qū)別，因此將滯后階數(shù)增加為6,從上圖可以看到無論截斷參數(shù)是3 還是 6，標(biāo)準(zhǔn)誤都變化不大，比較穩(wěn)健。此外，前面提到自相關(guān)存在可能是因為模型設(shè)定不正確，因此考慮在解釋變量中加入temp的滯后值，然后再進(jìn)行 OLS回歸：然后使用BG檢驗是否存在自相關(guān)：結(jié)果顯示無自相關(guān)，而后 DW直也改進(jìn)為，因此修改模型后擾動項基本不再存在自相關(guān)。模型設(shè)定與數(shù)據(jù)問題遺漏變量：被解釋變量可能被加入到擾動項中解決方式：加入盡可能多的控制變量；使用

8、代理變量；工具變量法；使用面板數(shù)據(jù)；隨機試驗或自然實驗。其中代理變量應(yīng)滿足兩個條件：多余性，僅通過影響遺漏變量而作用于被解釋變量；剩余獨立性，遺漏變量中不受代理變量影響的剩余部分與所有解釋變量均不相關(guān)。多重共線性：某一解釋變量可以由其他解釋變量線性表出，即存在多重共線性。檢測：先回歸，然后estat vif VIF 低于 10 即不存在多重共線性。工具變量，2SLS與GMM工具變量的適用條件：OLS 成立的最重要條件是解釋變量與擾動項不相關(guān)，如出現(xiàn)相關(guān)可以使用工具變量法來解決。其中在計量經(jīng)濟學(xué)中，將所有與擾動項相關(guān)的解釋變量成為內(nèi)生變量，一個有效的工具變量應(yīng)滿足一下兩個條件：1、工具變量與內(nèi)生

9、解釋變量相關(guān)；2、工具變量與擾動項不相關(guān)。過程：傳統(tǒng)的工具變量法一般通過二階段最小二乘法（2SLS或TSL9來實現(xiàn)：1、用內(nèi)生解釋變量對工具變量進(jìn)行回歸，得到擬合值Pt（ Pt 實際上是內(nèi)生變量中的外生部分，而另一部分是與擾動項相關(guān)）； 2、用被解釋變量對第一階段的擬合值Pt 進(jìn)行回歸。工具變量的檢測：1、 不可識別檢驗；2、 弱工具變量檢驗；3、 過度識別檢驗（ estat overid ） 。豪斯曼檢驗：原假設(shè)為所有解釋變量均為外生變量，若拒絕假設(shè)的話應(yīng)該使用工具變量法，若接受的話使用OLS。豪斯曼過程：reg X1 x2Estimates store ols（ 存儲 OLS的結(jié)果）Ivr

10、egress 2sls y x1（x2=z1 z2）（ 假設(shè)懷疑X2 為內(nèi)生變量）Estimates store iv（ 存儲 2SLS 結(jié)果 ）Hausman iv ols,constant sigmamore（根據(jù)存儲的結(jié)果進(jìn)行豪斯曼檢驗）若存在異方差的問題，則可以使用杜賓- 吳 - 豪斯曼檢驗。它在異方差的情況下也適用。在球形擾動項的假定下，2SLS最有效，但如果擾動項存在異方差或自相關(guān)，則存在 GMM廣義矩估計這一更有效的方法：首先使用2SLS得到殘差，然后 GMM但是在實際操作中使用迭代法。GMM勺命令：ivregress gmm y x1（x2=z1 z2）兩步最優(yōu)GMMivreg

11、ress gmm y x1 （x2=z1 z2）， igmm迭代 GMMestat overid過度識別檢驗工具變量法的STATA令和實例：Use ,clearSum然后考察智商和受教育年限的相關(guān)關(guān)系（本文研究的是工資與受教育年限的關(guān)系）具有較強的正相關(guān)關(guān)系。然后作為一個參照系，進(jìn)行OLS回歸并使用穩(wěn)健標(biāo)準(zhǔn)誤。教育投資率%， 顯然過高，可能是遺漏了變量能力，使得能力對工資的貢獻(xiàn)也被納入教育的貢獻(xiàn)。因此使用iq作為能力的代理變量，再進(jìn)行OLS回歸，可以發(fā)現(xiàn)加入iq作為能力的代理變量后，教育投資回報率降低了一些，但還是過高。（如下圖）使用 iq 來度量能力存在測量誤差，因此iq 為內(nèi)生變量，考慮使

12、用med kww mrt age 作為iq的工具變量，進(jìn)行 2SLS回歸，并使用穩(wěn)健標(biāo)準(zhǔn)誤。受教育年限回報上升，而 iq 竟然是負(fù)相關(guān)，因此不可信，使用工具變量法需要驗證其工具變量的有效性因此進(jìn)行過度識別來檢驗所有工具變量是否外生。上圖顯示有些工具變量不合格，與擾動項相關(guān)。懷疑mrt 和 age 不滿足外生性，因此僅適用med和kww作為iq的工具變量，再次進(jìn)行 2SLS回歸，同時顯示第一階段的回歸結(jié)果。如上圖，第一部分回歸是使用內(nèi)生解釋變量對工具變量進(jìn)行回歸，第二部分用被解釋變量對第一階段回歸的擬合值進(jìn)行回歸。上圖中教育回報率較為合理，而且iq 系數(shù)也為整數(shù)，再次進(jìn)行過度識別檢驗。結(jié)果沒有拒

13、絕外生的原假設(shè)。接下來繼續(xù)考察作為工具變量的第二個條件，即工具變量與內(nèi)生變量的相關(guān)性，由第一 階段的回歸看出，med和kww對iq有較好的解釋力，但為穩(wěn)健起見，還是使用對弱工具變 量更不敏感的有限信息最大似然法(LIML)。以上結(jié)果與2SLS非常接近，側(cè)面驗證了不存在弱工具變量。還有，使用工具變量法的前提是存在內(nèi)生解釋變量，因此進(jìn)行豪斯曼檢驗。結(jié)果顯示拒絕了原假設(shè)，因此存在iq為內(nèi)生變量，又因為傳統(tǒng)的豪斯曼檢驗在異方差的情況下不成立，下面進(jìn)行異方差穩(wěn)健的DWH驗：DWH勺P值小于，故可以認(rèn)為iq為內(nèi)生解釋變量。另外如果存在異方差，則 GMM匕2SLS更有效，因此進(jìn)行最優(yōu) GMM&計：上

14、圖顯示兩步最優(yōu) GMMW 2SLS很接近，再進(jìn)行過度識別檢驗結(jié)果接受原假設(shè)，說明所有工具變量外生。然后再做迭代GMM下圖顯示與兩步 GMM(數(shù)估計值相差不大。如果希望將以上各估計值級標(biāo)準(zhǔn)誤弄在同一張表中：qui reg lw s expr tenure rns smsa,r.est sto ols no iq.qui reg lw iq s expr tenure rns smsa,r.est sto ols with iq.qui ivregress 2sls lw s expr tenure rns smsa (iq=med kww),r.est sto tsls.qui ivregres

15、s liml lw s expr tenure rns smsa (iq=med kww),r.est sto liml.qui ivregress gmm lw s expr tenure tns smsa (iq=med kww).qui ivregress gmm lw s expr tenure rns smsa (iq=med kww).est sto gmm.qui ivregress gmm lw s expr tenure rns smsa (iq=med kww),igmm.est sto igmm.estimates table ols_no_iq ols_with_iq

16、tsls liml gmm igmm,b se區(qū)中，選項b表示顯示回歸系數(shù)，se表示顯示標(biāo)準(zhǔn)誤差如果希望用一顆星表示 10吸著性水平等等：如果想像論文一樣顯示，則如下表：se表示在括弧中顯示標(biāo)準(zhǔn)誤差，p表示顯示P值,r2表示顯示R的平方，mtitle 顯示使用模型名字,二值選擇模型離散選擇模型、定性反應(yīng)模型或被解釋變量取非負(fù)整數(shù)時，都不適宜使用OLS回歸。1 、 二值選擇模型：只有兩種選擇，是否。Probit y x1 x2 x3,r (probit模型 )Logit y x1 x2 x3,or vce ( cluster clustvar )( logit 模型)其中， r 代表使用穩(wěn)健標(biāo)準(zhǔn)

17、誤，or 顯示幾率比而不是系數(shù)，vce 表示使用以clustvar為聚類變量的聚類穩(wěn)健標(biāo)準(zhǔn)誤。Stata 舉例：美國婦女就業(yè)與否的二值選擇模型。然后使用logit 進(jìn)行估計：結(jié)果顯示所有系數(shù)的聯(lián)合顯著性很高，繼續(xù)使用穩(wěn)健標(biāo)準(zhǔn)誤進(jìn)行l(wèi)ogit 回歸：對比以上兩個表格顯示標(biāo)準(zhǔn)誤相差不大，因此不用擔(dān)心模型設(shè)定問題。二值選擇模型中的異方差問題：hetprob y x1 x2 x3,het(varlist) ，如果接受原假設(shè)則為同方差。此外，二值選擇模型中一般都沒有擾動項的存在。二 值 選 擇 模 型 中 的 異 方 差 問 題 可 以 進(jìn) 行 似 然 比 檢 驗 (LR) ： hetprob y x1

18、 x2x3,het(varlist)( 這是在異方差情況下進(jìn)行Probit 估計的 stata 命令， het( varlist )制定對擾動項方差有影響的所有變量，如 het (age married children ) ), LR檢驗原假設(shè)為同方差。多值選擇模型個體面臨的選擇有時是多值的，因此可能需要使用到多項probit 或多項 logit ，或者在有某項條件時需要用到條件logit ， 還有在不隨方案而變的多項logit 模型和解釋變量隨方案而變的條件logit 模型混合的logit 模型。舉例來說，問卷調(diào)查將受訪者職業(yè)分為五類(OCC) ，解釋變量為是否白人、受教育年限、工齡，解釋

19、變量都依賴于個體而不依賴于方案，因此使用多項logit 或多項 probit 回歸：進(jìn)行多項logit 回歸： 上述結(jié)果說明白人更不可能選擇服務(wù)業(yè)或工匠；是否白人對選擇藍(lán)領(lǐng)或白領(lǐng)沒顯著影響。排序與計數(shù)模型1、泊松回歸：被解釋變量只能取非負(fù)整數(shù)，即 0,1,2.，這時常用泊松回歸。Poisson y x1 x2 x3,r irrPoisson y x1 x2 x3,r exposure(x1)Poisson y x1 x2 x3,r offset(x1)其中， r 為穩(wěn)健標(biāo)準(zhǔn)誤，irr 為顯示發(fā)生率比，exposure 表示把 inx1 作為解釋變量并使其系數(shù)為1， offset 表示將 x1

20、作為解釋變量并使其系數(shù)為1.2 負(fù)二項回歸：泊松回歸的局限是泊松分布的期望與方差一定相等，但如果被解釋變量的 方差明顯大于期望，即存在過度分散，這時候可以使用負(fù)二項回歸。Nbreg y x1 x2 x3,r exposure(x1)Nbreg y x1 x2 x3,r dispersion(constant) offset(x1)其中 dispersion ( constant )表示使用NB1 模型。3 零膨脹泊松回歸與負(fù)二項回歸：如計數(shù)數(shù)據(jù)中包含大量0 值，則可以使用零膨脹泊松回歸或零膨脹負(fù)二項回歸。如果vuong 統(tǒng)計量很大為正數(shù)，則應(yīng)該使用零膨脹泊松回歸，如果統(tǒng)計量很小為負(fù)數(shù)，則使用零

21、膨脹負(fù)二項回歸。Zip y x1 x2 x3,inflate(varlist) vuong(零膨脹泊松回歸)Zinb y x1 x2 x3,inflate(varlist) vuong( 零膨脹負(fù)二項回歸) ， 其中 inflate(varlist)不可缺少列出所有變量。如果研究者只關(guān)注參數(shù)的估計值，則泊松回歸。Stata 舉例：被解釋變量narr86 ( 1986年被逮捕的次數(shù))，被解釋變量為計數(shù)數(shù)據(jù)，盡管如此，還是使用OLS回歸進(jìn)行觀察：R的平方為，但大多數(shù)解釋變量都顯著，下面進(jìn)行泊松回歸，并使用穩(wěn)健標(biāo)準(zhǔn)誤：(nolog )表示不顯示迭代記錄。上倆圖可以看出雖然OLS和泊松的系數(shù)相差很大，

22、但兩者并不具有可比性，為方便比較，計算泊松回歸的平均邊際效應(yīng)：可以看出，泊松模型的平均邊際效應(yīng)與OLS的回歸系數(shù)很接近，為便于解釋系數(shù)，下面計算發(fā)生率比：可以看出黑人被逮捕次數(shù)比白人多%。此外使用泊松回歸的前提之一是被解釋變量的期望與方差相等，因此考察被解釋變量的統(tǒng)計特征：結(jié)果顯示樣本方差幾乎是樣本均值的兩倍，為放松此假定進(jìn)行負(fù)二項回歸(NB2) ：alpha 的置信區(qū)間為，因此可在5%的顯著性水平下拒絕過度分散參數(shù)alpha=0的原假設(shè)，也因此應(yīng)使用負(fù)二項回歸。短面板面板數(shù)據(jù)指的是一段時間內(nèi)跟蹤同一組個體數(shù)據(jù)，它既有橫截面的維度又有時間維度。其中，如果每個時期在樣本中的個體完全一樣，則稱為平

23、衡面板數(shù)據(jù)，反之為非平衡面板數(shù)據(jù)。固定效應(yīng)還是隨機效應(yīng)：當(dāng)不存在異方差的時候，使用hausman檢驗，如果假設(shè)成立，則使用隨機效應(yīng)，如果拒絕假設(shè)，則使用固定效應(yīng)。而當(dāng)存在異方差時候，使用輔助回歸然后聚類穩(wěn)健標(biāo)準(zhǔn)誤來檢驗，如果接受假設(shè)，則使用隨機效應(yīng)模型。短面板的stata 命令及實例：Xtset panelvar timevar （ xt 說明數(shù)據(jù)為面板數(shù)據(jù)，panelvar 取值必須為整數(shù)且不重復(fù)，相當(dāng)于進(jìn)行編號，timevar 為時間變量，假如panelvar 為字串符，如國家，則使用encode country ， gen（ cntry ） ）Xtdes 顯示面板的結(jié)構(gòu)，是否為平衡面板X

24、tsum 顯示組內(nèi)，組間與整體的統(tǒng)計指標(biāo)Xttab varname 顯示組內(nèi)，組間與整體的分布頻率，tab 指的是 tabulate交通死亡率：首先設(shè)定state 與 year 為面板變量及時間變量。上圖顯示這是一個平衡的面板數(shù)據(jù)（每個時期在樣本中的個體完全一樣） ，然后顯示數(shù)據(jù)集的結(jié)構(gòu) :n=48, T=7, n大而T小，說明這是一個短面板，然后作為參照系，首先進(jìn)行混合回歸：reg y x1 x2 x3， vce（ cluster id ）其中 id 用來確定每個個體的變量，vce（ cluster state ）表示使用以state 為聚類變量的聚類穩(wěn)健標(biāo)準(zhǔn)誤由于每個州的情況不一樣，可能存

25、在不隨時間變化的遺漏變量，故考慮使用固定效應(yīng)：Xtreg y x1 x2 x3 ， fe rLSD怯白S stata 命令為：reg y x1 x2 x3 , r其中 r 為使用聚類穩(wěn)健標(biāo)準(zhǔn)誤，vce （ cluster id ）也能達(dá)到這種效果，id 表示用來確定個體的變量，表示根據(jù)變量id 而生成的虛擬變量。首先使用組內(nèi)估計量：xtreg y x1 x2 x3 ， fe （固定效應(yīng)估計）（存貯）， re （隨機效應(yīng)估計）（存儲）， constant sigmamore （豪斯曼檢在選擇隨機還是固定時：使用 hausman檢驗:Estimates store feXtreg y x1 x2

26、x3 Estimates store re Hausman fe re 驗）長面板與動態(tài)面板在長面板中，T可能會比較大，因此可能存在組間異方差，組內(nèi)自相關(guān)或組間同期相關(guān)的問題，主要有兩種處理方式：1、使用OLS即LSDV來估計系數(shù)，只對標(biāo)準(zhǔn)誤差進(jìn)行矯正 （即面板矯正誤差）； 3、 對異方差或自相關(guān)的具體形式進(jìn)行假設(shè)，然后使用可行廣義最小二乘法FGLS進(jìn)行估計。1、 矯正標(biāo)準(zhǔn)誤差即使擾動項存在組間異方差或組間同期相關(guān)等，LSDV&依然有效，此時，只要使用組間異方差、組間同期方差穩(wěn)健的標(biāo)準(zhǔn)誤差即可，即面板校正標(biāo)準(zhǔn)誤差PCSE：Xtpvse y x1 x2 x3,hetonly ，其中 he

27、tonly 表示存在組間異方差，但不存在組間同期相關(guān)；舉仞inc為被解釋變量，由于 n=10, T=30,因此是一個長面板。為了考慮時間效應(yīng)，生成時間趨勢變量t,然后用LSDV法估計雙向固定效應(yīng)模型（作為對比先不考慮異方差等）下圖可以看出有些州虛擬變量顯著，即存在固定效應(yīng)，而時間效應(yīng)則不太顯著，p值為 . 然后下表未考慮組間異方差等，因此使用面板校正標(biāo)準(zhǔn)誤進(jìn)行估計（下下圖）命令 xtpcse 與命令 reg 的估計系數(shù)完全一樣，只是標(biāo)準(zhǔn)誤不同。2、 僅解決組內(nèi)自相關(guān)的FGLS： xtpcse y x1 x2， corr（ ar1 ） 。 無論是使用prais-winsten還是OLS方法都在組

28、間異方差與組間同期相關(guān)的情況下成立。繼續(xù)使用以上數(shù)據(jù)，考慮組內(nèi)自相關(guān)的情形，但要求各組的自回歸系數(shù)相同3、 組間異方差的檢驗：如果拒絕假設(shè)，則存在組間異方差。Ssc install xttest3 （下載安裝命令）Quietly xtreg lnc lnp t ， r fexttest3Quietly xtgls lnc lnp tXttest34、 組內(nèi)自相關(guān)檢驗：如果拒絕假設(shè)，則存在組內(nèi)自相關(guān)Net install st0039Xtserial y x1 x2 x3,output5、 組間同期相關(guān)的檢驗：如果拒絕假設(shè)，即存在組間同期相關(guān)。Ssc install xtest2Quietly

29、xreg inc inp inpmin iny t,feXttest2非線性面板對于面板數(shù)據(jù)，如果被解釋變量為虛擬變量、計數(shù)變量、受限變量等，則為非線性面板。1、 如果被解釋變量為虛擬變量，則稱為面板二值選擇模型。一般采用混合、固定或隨機效應(yīng)模型?；旌匣貧w：如果不存在個體效應(yīng)，則使用混合回歸Probit y x1 x2 x3,vce（cluster id）混合 probit 回歸Logit y x1 x2 x3,vce（cluster id）混合 logit 回歸 其中 Id 為確定面板單位的變量隨即效應(yīng)模型：Xtprobit x1 x2 x3,Xtlogit y x1 x2 x3 ,再次輸出

30、結(jié)果中，包含了對原假設(shè)的LR檢驗結(jié)果，如拒絕則使用隨機，接受則使用混合固定效應(yīng)模型：xtlogit y x1 x2 x3,feStata 實例： 被解釋變量為是否起義uprising ， 由于面板probit 無固定效應(yīng)模型，因此使用面板logit 模型。首先進(jìn)行固定效應(yīng)面板logit 估計：如下圖所示，第二行有一個朝代未發(fā)生企業(yè)，因此在估計固定效應(yīng)時應(yīng)被去掉。然后進(jìn)行混合回歸logit 模型，為保持與固定效應(yīng)樣本一樣，在混合回歸中也去掉了dyn=2 的朝代：為了在固定和混合進(jìn)行選擇，使用豪斯曼檢驗，但豪斯曼不允許在混合回歸使用選擇項vce （ cluester dyn ） ，因此重新進(jìn)行混合回歸：quietly logit uprising age pop temp sfamine sfamine1 sfamine2 sfamine3 reliefrelief1 relief2 re