stata命令大全全

1、*面板數(shù)據(jù)計(jì)量分析與軟件實(shí)現(xiàn)*說明：以下do文件相當(dāng)一部分內(nèi)容來自于中山大學(xué)連玉君STAT徽程，感謝他的貢獻(xiàn)本人做了一定的修改與篩選。* 面板數(shù)據(jù)模型* 1.靜態(tài)面板模型：FE和RE* 2.模型選擇：FEvsPOLS,REvsPOLS,FEvsRE（pols混合最小二乘估計(jì)）* 3.異方差、序列相關(guān)和截面相關(guān)檢驗(yàn)* 4.動(dòng)態(tài)面板模型（DID-GMM,SYS-GMM* 5.面板隨機(jī)前沿模型* 6.面板協(xié)整分析（FMOLS,DOLS*說明：1-5均用STAT就件實(shí)現(xiàn)，6用GAUSS件實(shí)現(xiàn)。*生產(chǎn)效率分析（尤其指TFP）:數(shù)據(jù)包絡(luò)分析（DEA與隨機(jī)前沿分析（SFA*說明：DE和DEAP2.依件實(shí)現(xiàn)，

2、SF/ttFrontier4.1實(shí)現(xiàn)，尤其后者，側(cè)重于比較C-D與Translog生產(chǎn)函數(shù)，一步法與兩步法的區(qū)別。常應(yīng)用于地區(qū)經(jīng)濟(jì)差異、FDI溢出效應(yīng)（SpilloversEffect）、工業(yè)行業(yè)效率狀況等。*空間計(jì)量分析：SLMK型與SEM1型* 說明：STATArMatlab結(jié)合使用。常應(yīng)用于空間溢出效應(yīng)（R&D、財(cái)政分權(quán)、地方政府公共行為等。* 一、常用的數(shù)據(jù)處理與作圖* 指定面板格式xtsetidyear（id為截面名稱，year為時(shí)間名稱）xtdes/添加標(biāo)簽或更改變量名labelvarh"人力資本"renamehhum數(shù)據(jù)特征*/xtsumlogyh/*

3、數(shù)據(jù)統(tǒng)計(jì)特征*/sumlogyh/*數(shù)據(jù)統(tǒng)計(jì)特征*/* 排序sortidyear/*是以STATAf板數(shù)據(jù)格式出現(xiàn)*/sortyearid/*是以DEA&式出現(xiàn)*/* 刪除個(gè)別年份或省份dropifyear<1992dropifid=2/*注意用=*/* 如何得到連續(xù)year或id編號(hào)(當(dāng)完成上述操作時(shí)，year或id就不連續(xù)，為形成panel格式，需要用egen命令)egenyear_new=group(year)xtsetidyear_new* *保留變量或保留觀測(cè)值keepinv/*刪除變量*/* *日keepifyear=2000* *排序sortidyear/*是以ST

4、ATA3板數(shù)據(jù)格式出現(xiàn)sortyearid/*是以DEA&式出現(xiàn)* *長(zhǎng)數(shù)據(jù)和寬數(shù)據(jù)的轉(zhuǎn)換* 長(zhǎng)>>>寬數(shù)據(jù)reshapewidelogy,i(id)j(year)* 寬>>><數(shù)據(jù)reshapelogy,i(id)j(year)* *追加數(shù)據(jù)(用于面板數(shù)據(jù)和時(shí)間序列)xtsetidyear*或者xtdestsappend,add(5)/表示在每個(gè)省份再追加5年，用于面板數(shù)據(jù)/tsset*或者tsdes.tsappend,add(8)/表示追加8年，用于時(shí)間序列/*方差分解，比如三個(gè)變量Y,X,Z都是面板格式的數(shù)據(jù)，且滿足Y=X+Z求方差var

5、(Y),協(xié)方差Cov(X,Y)和Cov(Z,Y)bysortyear:corrYXZ,cov* *生產(chǎn)虛擬變量* 生成年份虛擬變量tabyear,gen(yr)* 生成省份虛擬變量tabid,gen(dum)* *生成滯后項(xiàng)和差分項(xiàng)xtsetidyeargenylag=l.y/二、靜態(tài)面板模型產(chǎn)生一階滯后項(xiàng))，同樣可產(chǎn)生二階滯后項(xiàng)*/genylag2=L2.ygendy=D.y/*產(chǎn)生差分項(xiàng)*/* 求出各省2000年以前的openinv的平均增長(zhǎng)率collapse(mean)openinvifyear<2000,by(id)變量排序，當(dāng)變量太多，按規(guī)律排列?？捎妹頰order或者ord

6、erfdiopeninsti*簡(jiǎn)介* 面板數(shù)據(jù)的結(jié)構(gòu)(兼具截面資料和時(shí)間序列資料的特征)useproduct.dta,clearbrowsextsetidyearxtdes* 固定效應(yīng)模型* 實(shí)質(zhì)上就是在傳統(tǒng)的線性回歸模型中加入N-1個(gè)虛擬變量，* 使得每個(gè)截面都有自己的截距項(xiàng)，* 截距項(xiàng)的不同反映了個(gè)體的某些不隨時(shí)間改變的特征* 例如：lny=a_i+b1按不同個(gè)體畫散點(diǎn)圖，sobeautiful!*graphtwowayscatterlogyhifid=1|scatterlogyhifid=2,msymbol(Sh)|scatterlogyhifid=3,msymbol(T)|scatte

7、rlogyhifid=4,msymbol(d)|,legend(position(11)ring(0)label(1"北京”)lnK+b2*lnL+e_it* 考慮中國(guó)29個(gè)省份的C-Dft產(chǎn)函數(shù)* *H圖* 散點(diǎn)圖+線性擬合直線twoway(scatterlogyh)(lfitlogyh)* 散點(diǎn)圖+二次擬合曲線twoway(scatterlogyh)(qfitlogyh)* 散點(diǎn)圖+線性擬合直線+置信區(qū)間twoway(scatterlogyh)(lfitlogyh)(lfitcilogyh)* 按不同個(gè)體畫出散點(diǎn)圖和擬合線，可以以做出fevsre的初判斷*twoway(scatt

8、erlogyhifid<4)(lfitlogyhifid<4)(lfitlogyhifid=1)(lfitlogyhifid=2)(lfitlogyhifid=3)label(2"天津")label(3"河北")label(4"山西")* *每個(gè)省份logy與h的散點(diǎn)圖，并將各個(gè)圖形合并xlabel(,format(%3.0f)twowayscatterlogyh,by(id)ylabel(,format(%3.0f)* 每個(gè)個(gè)體的時(shí)間趨勢(shì)圖stata的估計(jì)方法解析*目的：如果截面的個(gè)數(shù)非常多，那么采用虛擬變量的方式運(yùn)算量

9、過大*因此，要尋求合理的方式去除掉個(gè)體效應(yīng)*因?yàn)椋覀冴P(guān)注的是x的系數(shù)，而非每個(gè)截面的截距項(xiàng)*處理方法：*y_it=u_i+x_it*b+e_it(1)*ym_i=u_i+xm_i*b+em_i(2)組內(nèi)平均*ym=um+xm*b+em(3)樣本平均*(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)*可重樂表示為：*Y_it=a_0+X_it*b+E_it*對(duì)該模型執(zhí)行OLSM計(jì)

10、，即可得到b的無偏估計(jì)量xtlinehifid<11,overlaylegend(on)*一個(gè)例子：中國(guó)29個(gè)省份的C-D生產(chǎn)函數(shù)的估計(jì)tabid,gen(dum)list*回歸分析reglogylogklogldum*,eststorem_olsxtreglogylogklogl,feeststorem_feesttablem_olsm_fe,b(%6.3f)star(0.10.050.01)*Wald檢驗(yàn)testlogk=logl=0testlogk=logl*stata后臺(tái)操作，揭開fe估計(jì)的神秘面紗！egeny_meanw=mean(logy),by(id)/解讀xtreg,fe

11、的估計(jì)結(jié)果xtreglogyhinvgovopen,fe*-RA2*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)對(duì)應(yīng)的R2,是一個(gè)真正意義上的R2*->R-sq:betweencorrxm_i*b_w,ym_iA2*->R-sq:overallcorrx_it*b_w,y_itA2*-F(4,373)=855.93檢驗(yàn)除常數(shù)項(xiàng)外其他解釋變量的聯(lián)合顯著性

12、個(gè)體內(nèi)部平均*/egeny_mean=mean(logy)/*樣本平均*/egenk_meanw=mean(logk),by(id)egenk_mean=mean(logk)egenl_meanw=mean(logl),by(id)egenl_mean=mean(logl)gendyw=logy-y_meanwgendkw=logk-k_meanwgendlw=logl-l_meanwregdywdkwdlw,noconseststorem_statagendy=logy-y_meanw+y_meangendk=logk-k_meanw+k_meangendl=logl-l_meanw+l_m

13、eanregdydkdleststorem_stataesttablem_*,b(%6.3f)star(0.10.050.01)*-corr(u_i,Xb)=-0.2347*-sigma_u,sigma_e,rho* rho=sigma_uA2/(sigma_uA2+sigma_eA2)dise(sigma_u)A2/(e(sigma_u)A2+e(sigma_e)A2)* 個(gè)體效應(yīng)是否顯著？* F(28,373)=338.86H0:al=a2=a3=a4=a29* Prob>F=0.0000表明，固定效應(yīng)高度顯著* -如何得到調(diào)整后的R2,即adj-R2?ereturnlistregl

14、ogyhinvgovopendum* -擬合值和殘差* y_it=u_i+x_it*b+e_it* predictnewvar,option/*xbxb,fittedvalues;thedefaultstdpcalculatestandarderrorofthefittedvaluesueu_i+e_it,thecombinedresidualxbuxb+u_i,predictionincludingeffectuu_i,thefixed-orrandom-errorcomponentee_it,theoverallerrorcomponent*/xtreglogylogklogl,fepre

15、dicty_hatpredicta,upredictres,epredictcres,uegenares=a+reslistarescresin1/10隨機(jī)效應(yīng)模型y_it=x_itWaldchi2(2)=10962.50Prob>chi2=0.0000b+(a_i+u_it)=x_it*b+v_it基本思想：將疝機(jī)干擾項(xiàng)分成兩種一種是不隨時(shí)間改變的，即個(gè)體效應(yīng)a_i另一種是隨時(shí)間改變的，即通常意義上的不擾項(xiàng)u_it估計(jì)方法：FGLSVar(v_it)=sigma_aA2+sigma_uA2Cov(v_it,v_is)=sigma_aA2Cov(v_it,v_js)=0利用PooledO

16、LS,WithinEstimator,BetweenEstimator可以估計(jì)出sigma_aA2和sigma_uA2,進(jìn)而采用GLSEFGLSRe估計(jì)量是Fe估注量和Befe計(jì)量的加權(quán)平均yr_it=y_it-theta*ym_ixr_it=x_it-theta*xm_itheta=1-sigma_u/sqrt(T*sigma_aA2+sigma_uA2)解讀xtreg,re的估計(jì)結(jié)果useproduct.dta,clearxtreglogylogklogl,re*-R2- ->R-sq:withincorr(x_it-xm_i)*b_r,y_it-ym_iA2- ->R-sq:

17、betweencorrxm_i*b_r,ym_iA2- ->R-sq:overallcorrx_it*b_r,y_itA2上述R綿不是真正意交上而R2,因?yàn)镽e®型采用的是GL3&計(jì)。*rho=sigma_uA2/(sigma_uA2+sigma_eA2)dise(sigma_u)A2/(e(sigma_u)A2+e(sigma_e)A2)*corr(u_i,X)=0(assumed)這血機(jī)效應(yīng)模型的一個(gè)最重要，也限制該模型應(yīng)用的一個(gè)重要假設(shè)然而，采用固定效應(yīng)模型，我們可以粗略估計(jì)出corr(u_i,X)xtregmarketinveststock,fe*時(shí)間效應(yīng)、模型

18、的篩選和常見問題* 目錄* 7.2.1時(shí)間效應(yīng)（雙向固定（隨機(jī)）效應(yīng)模型）* 7.2.2模型的篩選* 7.2.3面板數(shù)據(jù)常見問題* 7.2.4面板數(shù)據(jù)的轉(zhuǎn)換* 時(shí)間效應(yīng)* 單向固定效應(yīng)模型* y_it=u_i+x_it*b+e_it* 一雙向而定效應(yīng)極型一* y_it=u_i+f_t+x_it*b+e_itquitabyear,gen（yr）dropyr1xtreglogylogkloglyr*,fe* 隨機(jī)效應(yīng)模型中的時(shí)間效應(yīng)xtreglogylogkloglyr*,fe* 模型的篩選* 固定效應(yīng)模型還是PooledOLS?xtreglogylogkloglyr*,fe/*Wald檢驗(yàn)*/q

19、uitabid,gen(dum)/*LR檢驗(yàn)*/reglogylogklogl/Hausman檢驗(yàn)值為負(fù)怎么辦？*通常是因?yàn)镽Ei型的基本假設(shè)Corr(x,u_i)=0無法得到滿足檢驗(yàn)過程中兩個(gè)模型的方差-協(xié)方差矩陣都采用Fe真型的POLS*/eststorem_olsreglogylogklogldum*,noconseststorem_felrtestm_olsm_feesttablem_*,b(%6.3f)star(0.10.050.01)* REvsPooledOLS?* H0:Var(u)=0*方法一：B-P檢驗(yàn)xtreglogylogklogl,rexttest0*FEvsRE?*

20、y_it=u_i+x_it*b+e_it*-Hausman檢驗(yàn)-和Re都是一致的，但ReM有效仍然有效，但Rei有偏的* 基本思想：如果Corr(u_i,x_it)=0,Fe* 如果Corr(u_i,x_it)!=0,Fe* 基本步驟* *情形1：huasmarfc正數(shù)xtreglogylogklogl,feeststorem_fextreglogylogklogl,reeststorem_rehausmanm_fem_re*情形2:quixtreglogyhinvgovopen,feeststorefequixtreglogyhinvgovopen,reeststorerehausmanfe

21、rehausmanfere,sigmaless*兩個(gè)模型的方差-協(xié)方差矩陣都采用Re真型的hausmanfere,sigmamore* =為何有些變量會(huì)被drop掉？usenlswork.dta,cleartssetidcodeyearxtregln_wagehourstenurettl_exp,fe/y_it=x_it*b+u_i+e_it*由于面板數(shù)據(jù)同時(shí)兼顧了截面數(shù)據(jù)和時(shí)間序列的特征，*所以異方差和序列相關(guān)必然會(huì)存在于面板數(shù)據(jù)中；*同時(shí)，由于面板數(shù)據(jù)中每個(gè)截面(公司、個(gè)人、國(guó)家、地區(qū))之間還可能存在內(nèi)在的聯(lián)系，*所以，截面相關(guān)性也是一個(gè)需要考慮的問題。*此前的分析依賴三個(gè)假設(shè)條件：*(1

22、)Vare_it=sigmaA2同方差假設(shè)*(2)Corre_it,e_it-s=0序列無關(guān)假設(shè)*(3)Corre_it,e_jt=0截面不相關(guān)假設(shè)*當(dāng)這三個(gè)假設(shè)無法得到滿足時(shí)，便分別出現(xiàn)異方差、序列相關(guān)和截面相關(guān)問題;*我們一方面要采用各種方法來檢驗(yàn)這些假設(shè)是否得到了滿足；正常執(zhí)行*/* 產(chǎn)生血族虛擬變量tabrace,gen(dum_race)xtregln_wagehourstenurettl_expdum_race2dum_race3,fe* 為何dum_race2和dum_race3會(huì)被dropped?* 固定效應(yīng)模型的設(shè)定：y_it=u_i+x_it*b+e_it(1)* 由于個(gè)體

23、效應(yīng)u_i不隨時(shí)間改變，* 因此若x_it包含了任何不隨時(shí)間改變的變量，* 都會(huì)與u_i構(gòu)成多重共線性，Stata會(huì)自動(dòng)刪除之。*異方差、序列相關(guān)和截面相關(guān)問題另一方面，也要在這些假設(shè)無法滿足時(shí)尋求合理的估計(jì)方法。假設(shè)檢驗(yàn)* =組間異方差檢驗(yàn)(截面數(shù)據(jù)的特征)* Var(e_i)=sigma_iA2* Fe模型xtreglogylogklogl,fexttest3* Re模型* Re本身已經(jīng)較大程度的考慮了異方差問題，主要體現(xiàn)在sigma_uA2上*=序列相關(guān)檢驗(yàn)*Fe模型* xtserialWooldridge(2002),若無序列相關(guān)，則一階差分后殘差相關(guān)系數(shù)應(yīng)為-0.5xtseriall

24、ogylogkloglxtseriallogylogklogl,output* Re模型xtreglogylogklogl,rexttestl/xtcsd命令(提供了三種檢驗(yàn)方法)xtreglogylogklogl,fe提供多個(gè)統(tǒng)計(jì)檢驗(yàn)量*/*=截面相關(guān)檢驗(yàn)*xttest2命令H0:所有截面殘差的相關(guān)系數(shù)都相等xtreglogylogklogl,fexttest2*由于檢驗(yàn)過程中執(zhí)行了SU骷計(jì)，所以要求T>Nxtreglogylogkloglifid<6,fexttest2xtcsd,pesaran/(2)其臨界值見Bhargavaetal.49:553-549)*(3)Balta

25、gi-WuLBI=1.4739834*因?yàn)樗麄儾⑽刺峁┡R界值表,Pesaran(2004)*/xtcsd,friedman/*Friedman(1937)*/xtreglogylogklogl,rextcsd,pesaran估計(jì)方法*=異方差穩(wěn)健型估計(jì)xtreglogyhinvgovopen,ferobusteststorefe_rbxtreglogyhinvgovopen,ferobusteststorefe*結(jié)果對(duì)比esttabfe_rbfe,b(%6.3f)se(%6.3f)mtitle(fe_rbfe)*=序列相關(guān)估計(jì)*一階自相關(guān)xtregar,fe/re* 模型：y_it=u_i+x

26、_it*b+v_it* v_it=rho*v_it-1+z_it(2)xtregarlogyhinvgovopen,feeststorefearlxtregarlogyhinvgovopen,felbi/*Baltagi-WuLBItest*/* 說明：* (1)這里的Durbin-Watson=1.280677具有較為復(fù)雜的分布,* 不同于時(shí)間序列中的D-W充計(jì)量。(1982,TheReviewofEconomicStudies基本上沒有太大的參考價(jià)值，而該統(tǒng)計(jì)量的分布又相當(dāng)復(fù)雜xtregarlogyhinvgovopen,reeststorere_ar1* 兩階段估計(jì)xtregarlogy

27、hinvgovopen,fetwostepeststorefe_ar1_two* 結(jié)果對(duì)比xtreglogyhinvgovopen,feeststorefelocalmodels"fefe_ar1re_ar1fe_ar1_two"esttab'models',b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_wcorr)*高階自相關(guān)*newey2命令newey2logyhinvgovopen,lag(2)-=組間相關(guān)(截面相關(guān))*cluster選項(xiàng)usextcs.dta,clearxtreglogyhinvg

28、ovopen,fecluster(id)eststorefe_clusterxtreglogyhinvgovopen,recluster(id)eststorere_cluster*看過去很暈，采用一種綜合處理:* xtgls命令* xtpcse命令*-簡(jiǎn)介(Greene,2000,chp15)* (1)異方差(2)序列相關(guān)(3)截面相關(guān)性* 應(yīng)用范圍：多用于“大T,小M型面板數(shù)據(jù)，* 因?yàn)?，此時(shí)截面的異質(zhì)性并不是重點(diǎn)關(guān)注的，而時(shí)序特征則較為明顯* 因此，模型設(shè)定中未考慮個(gè)體效果*y_1IIX_1|e_1|y_2IIX_2IIe_2I.II.II.I.I=I.I*b+I.I.II.II.Iy_

29、nIIX_nIIe_nI*-截面異方差*Ee_i*e_i'=s_iA2Is1A20.0II0s2A2.0II.IV=I.II.II00.snA2I*-截面相關(guān)*Ee_i*e_i'=s_ijA2*Is_11s_12.s_1nIIs_21s_22.s_2nII.IV=I.I*sigmaA2I.IIs_n1s_n2.s_nnI*-序列相關(guān)*Ee_i*e_i'=s_iA2*M_i*等同于PooledOLS*/截面異方差*/所有截面具有相同的自相關(guān)系每個(gè)截面有自己的自相關(guān)系數(shù)截面間相關(guān)且異方差*/截面異方差*/|s1A2檢驗(yàn)序列相關(guān)M_10.0|0s2A2*M_2.0|I.|V=

30、|.|.|00.sM2*M_n|*GLS估計(jì)*b=X'VA-1*XA-1X'VA-1y*Varb=X'VA-1*XA-1*-估計(jì)和檢驗(yàn)*=xtgls命令useinvest2.dta,clearxtglsmarketinveststock,panels(iid)/*iid,eststoreg_0regmarketinveststockeststoreg_olsxtglsmarketinveststock,panel(het)/*eststoreg_phetxtglsmarketinveststock,corr(ar1)/*數(shù)*/eststoreg_par1xtglsmar

31、ketinveststock,corr(psar1)/*/eststoreg_psar1xtglsmarketinveststock,panel(corr)/*eststoreg_pcorrxtglsmarketinveststock,p(c)corr(ar1)eststoreg_all* 檢驗(yàn)異方差xtglsmarketinveststock,panel(het)/*xttest3xtserialmarketinveststock* 檢驗(yàn)截面相關(guān)xtglsmarketinveststock,panel(het)xttest2* 結(jié)果對(duì)比xtregmarketinveststock,feest

32、storefelocalmodels"feg_0g_ols"esttab'models',b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_w)localmodels"feg_phetg_par1g_psar1g_pcorrg_all"esttab'models',b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_w)compress* 說明：* 為何xtgls不匯報(bào)R2?* 因?yàn)榇藭r(shí)的R殊必介于0和1之間，不具有傳統(tǒng)線性回

33、歸模型中R2勺含義*=xtpcse命令* 默認(rèn)假設(shè)：存在截面異方差和截面相關(guān)* 估計(jì)方法：OLS或Prais-Winsten回歸* 有別于xtgls(采用FGLSf計(jì))* 更適于方塊面板N不大(10-20),T不大(10-40)* 與xtgls的區(qū)別：估計(jì)方法不同* xtgls采用GLSS行估計(jì)，而xtpsce采用OLSuseinvest2.dta,clearxtpcseinvestmarketstockeststorepcse_full/*OLS估計(jì)，調(diào)整異方差和截面相關(guān)后的標(biāo)準(zhǔn)誤*/xtglsinvestmarketstock,panels(correlated)eststorem_xtg

34、ls/*FGLS估計(jì)，異方差和截面相關(guān)*/xtpcseinvestmarketstock,correlation(ar1)eststorepcse_ar1/*Prais_Winsten估計(jì)，共同的自相關(guān)系數(shù)*/xtpcseinvestmarketstock,correlation(ar1)hetonlyeststorepcse_ar1/*不考慮截面相關(guān)*/* 結(jié)果對(duì)比xtreginvestmarketstock,feeststorefelocalmodels"fepcse_fullm_xtglspcse_ar1pcse_ar1"esttab'models',

35、b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_w)* xtpcse的結(jié)果與xtgls非常相似，但前者可以匯報(bào)R2* 當(dāng)釀大時(shí)，采用該方法會(huì)非常費(fèi)時(shí)，* 因?yàn)榉讲顓f(xié)方差矩陣是采用OLSfc計(jì)的殘差計(jì)算的usextcs.dta,clearxtdesxtpcsetlsizendtstangtobinnpr/*大約5-8分鐘*/eststorextpcsextregtlsizendtstangtobinnpr,feeststorefe* 結(jié)果對(duì)比localmodels"fextpcse"esttab'models'

36、;,b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_w)* 系數(shù)估計(jì)值有較大差別，但符號(hào)和顯著性是一致的。一動(dòng)態(tài)面板模型PartI*動(dòng)態(tài)面板模型*簡(jiǎn)介*一階差分IV估計(jì)量(AndersonandHisao,1982)*一階差分GMM計(jì)量(ArellanoandBond,1991)*系統(tǒng)GMM計(jì)量(AB,1995;BB,1998)* =簡(jiǎn)介=* 模型：yit=a0基本思想：采用一階差分去除個(gè)體效應(yīng)u_i,y的滯后二階作為D.yit-1的工具變量同時(shí)，D.yit-2也可以作為D.yit-1的工具變量yit-1+a1*xit+a2*wit+u_i+

37、eit*特征：解釋變量中包含了被解釋變量的一階滯后項(xiàng)可以是非平行面板，但要保證時(shí)間連續(xù)xit嚴(yán)格外生變量Ex_it,e_is=0foralltands即，所有干擾項(xiàng)與Xtb云相關(guān)wit先決變量Ew_it,e_is!=0fors<t,butEx_it,v_is=0foralls>=t* 一一即，前期干擾項(xiàng)與當(dāng)期x相關(guān)，但當(dāng)期和未來期干擾項(xiàng)與x不相關(guān)。* yit-1內(nèi)生變量Ex_it,e_is!=0fors<=t* 即，前期和當(dāng)期，/兀是當(dāng)期干擾項(xiàng)與x相關(guān)* u_i隨機(jī)效應(yīng)，在截面間是iid的。u_i與eit獨(dú)立。*內(nèi)生性問題:*(1)若假設(shè)u_i為隨機(jī)效應(yīng)，則Corr(yi,t

38、-1,u_i)!=0*(2)若假設(shè)u_i為個(gè)體效應(yīng)，需要想辦法去除之，因?yàn)閿?shù)據(jù)為“大N、T”*一階差分：D.yi,t-1=yi,t-1-yi,t-2D.ei,t=ei,t-ei,t-1顯然：Corr(D.yi,t-1,D.ei,t)!=0,差分方程存在內(nèi)生問題;組內(nèi)去心：ymi,t-1=yi,t-1-1/(T-1)*(yi,t-1+yi,T)emi,t=ei,t-1/T*(ei,t+ei,t-1+ei,T)顯然：Corr(ymi,t-1,emi,t)!=0,仍然存在內(nèi)生性問題*處理辦法：IV估計(jì)或GMM計(jì)，選擇合適的工具變量*矩條件：Ee_it,z_it=0=一階差分IV估計(jì)量=Anderso

39、nandHisao(1982)useabdata.dta,cleardes/基本思想:變量的定義*/tssetidyear模型：n_it=b1*n_it-1+b2*n_it-2+b3*w_it+b4*w_it-1+b5*k_it+b6*k_it-1+b7*k_it-2+b8*ys_it+b9*ys_it-1+b10*ys_it-2xtivregnL2.nwL1.wkL1.kL2.kysL1.ysL2.ysyr1981-yr1984/(L.n=L3.n),fdxtivregnL2.nL(0/1).wL(0/2).(kys)yr1981-yr1984(L.n=L3.n),fd一階差分GMMT計(jì)量=

40、AB91=* L.Hansen(1982)提出GMM* ArellanoandBond(1991)*模型:yit=a0*yit-1+a1*xit+a2*wit+u_i+vit假設(shè)條件：干擾項(xiàng)vit不存在序列相關(guān);適用范圍：大N,小T隨后，我們會(huì)介紹“小N慶T”型動(dòng)態(tài)面板的估計(jì)方法在AndersonandHisao(1982)基礎(chǔ)上增加了更多可用的工具變量* 在t=3處，y_i1可以作為所有滯后項(xiàng)的工具變量* 在t=4處，y_i1,y_i2可以作為所有滯后項(xiàng)的工具變量* D.yit=a1*D.yit-1+a2*D.Xit+D.vitX_it=x_it,w_it* 因此，所有工具變量構(gòu)成的矩陣如下

41、：* |y_i100000.0.0D.x_i3|* |0y_i1y_i2000.0.0D.x_i4|* |000y_i1y_i2y_i3.0.0D.x_i5|* Z_i=|* |* |000000.y_i1.yiT-2D.x_iT|* Z_i的行數(shù)為T-2* Z_i的列數(shù)為sum_(m=1)A(T-2)m+K,K為X的列數(shù)* 以T=7,K=3為例，貝UZ_i的列數(shù)為(1+2+3+4+5)+3=18*設(shè)定工具變量的基本原則:*對(duì)-內(nèi)生-變量的處理：與上述方法類似，* 即滯后兩階以上的水平變量均可作為差分方程的工具變量(GMMtype)* 對(duì)-先決-變量的處理：滯后一階以上的水平變量均可作為工具變

42、量(GMMtype)* 對(duì)-外生-變量的處理：自己作為自己的工具變量(StandardIV)* =例1:一階差分估計(jì)量的基本設(shè)定* 解釋變量?jī)H包含y_it的一階滯后項(xiàng)，默認(rèn)設(shè)定* 干擾項(xiàng)同方差，一階段估計(jì)useabdata.dta,clearxtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984eststoreab_0*-結(jié)果釋疑*-1-工具變量的個(gè)數(shù)是如何確定的？(xtdpd,p.74)* 外生變量的工具變量等于外生變量的個(gè)數(shù)共13個(gè)* L(0/1).wL(0/2).(kys)yr1980-yr1984* 內(nèi)生變量的工具變量：共27個(gè)*listidyearnL2.

43、nDL2.nifid=140* 差分方程的可用工具變量* yearofYearsofNumberof* differenceequationinstrumentsinstruments*197819761*19791976-19772*19801976-19783*19811976-19794*19821976-19805*19831976-19816*-19841976-19827*28* -2-GMM-type和Standard兩種類型的工具變量有何差異？(xtabond,p.27)* GMM-type是針對(duì)內(nèi)生變量或先決變量而言的工具變量，有多列* Standard是針對(duì)外生變量而言的工

44、具變量，只有一列* -過度識(shí)別檢驗(yàn)(工具變量的使用是否合理)*estatsargan* 說明：* H0:overidentifyingrestrictionsarevalid* 這里，我們拒絕了原假設(shè)，但AB91旨出，當(dāng)干擾項(xiàng)存在異方差時(shí),* Sargan檢驗(yàn)傾向于過度拒絕原假設(shè)，因此此處得到的結(jié)論并不可信。* 采用兩階段估計(jì)，然后再執(zhí)行Sargan檢驗(yàn)較為穩(wěn)妥：*xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,twostepestatsargan*說明：不過，AB9位現(xiàn)，* 若存在異方差，在兩階段估計(jì)后執(zhí)行Sargan檢驗(yàn)往往傾向于* Underrejec

45、t問題，即過度接受原假設(shè)。* 通常而言，這很可能是我們的模型設(shè)定不當(dāng)，或是工具變量的選擇不合理。* -干擾項(xiàng)序列相關(guān)檢驗(yàn)* AB91一階差分估計(jì)量要求原始模型的干擾項(xiàng)不存在序列相關(guān)，* 顯然，差分后的干擾項(xiàng)必然存在一階序列相關(guān)，* 因此，我們需要檢驗(yàn)差分方程的殘差是否存在二階(或更高階)序列相關(guān)即可*默認(rèn)，二階序列相關(guān)檢驗(yàn)xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,vce(robust)estatabond*說明：若存在二階相關(guān)，則意味著選取的工具變量不合理*高階序列相關(guān)檢驗(yàn)xtabondnL(0/1).wL(0/2).(kys)yr1980-yr198

46、4,vce(robust)artest(3)estatabond*=穩(wěn)健型估計(jì)xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)robusteststoreab4_one_rb*此時(shí)，無法Sargan統(tǒng)計(jì)量estatsargan*=兩階段估計(jì)AB91(Tab4(a2)考慮異方差問題*利用第一階段估計(jì)得到的殘差構(gòu)造方差-協(xié)方差矩陣，進(jìn)而重新估計(jì)模型*xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)twostepeststoreab4_twostep* 此時(shí)，Sargan檢驗(yàn)無法拒絕原假設(shè)*estat

47、sargan* AB91重要建議：* (1)采用一階段估計(jì)結(jié)果進(jìn)行系數(shù)顯著性的統(tǒng)計(jì)推斷；* (2)采用兩階段估計(jì)給出的Sargan統(tǒng)計(jì)量進(jìn)行模型篩選* 進(jìn)一步的討論：* 雖然AB9健議不要采用兩階段(非穩(wěn)健)估計(jì)進(jìn)行統(tǒng)計(jì)推斷，* 但Windmeijer(2005,JournalofEconometrics)通過模擬分析表明，* 采用糾偏(bias-corrected,WC)后的穩(wěn)健性VCE可以更好地進(jìn)行統(tǒng)計(jì)推斷xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)twostepvce(robust)eststoreab_wc_rb* 結(jié)果對(duì)比loca

48、lmm"ab4_one_rbab4_twostepab_wc_rb”esttab'mm',mtitle('mm')* 結(jié)論：* AB91_onestep_rb的結(jié)果與AB91_WC_rb的參數(shù)估計(jì)相同，后者標(biāo)準(zhǔn)誤較大* 建議采用Windmeijer(2005)兩階段-糾偏-穩(wěn)健型估計(jì)量。*=先決變量的設(shè)定*由于當(dāng)期干擾項(xiàng)顯然會(huì)影響后續(xù)w和k，所以把它們?cè)O(shè)定為先決變量更為合理*注意：此時(shí)逗號(hào)前就不能再出現(xiàn)這兩個(gè)變量了xtabondnL(0/1).ysyr1980-yr1984,lags(2)twostep/pre(wk)eststoreab4_prees

49、tatsargan* 從Sarganp值來看，將w和k設(shè)為先決變量似乎更為合理* pre()選項(xiàng)的設(shè)定xtabondnL(0/1).ysyr1980-yr1984,lags(2)twostep/pre(w,lag(1,3)pre(k,lag(2.)* 解釋：* pre(w,lag(1,3)* lag(1,3)中的1表示L.w也會(huì)作為解釋變量，* lag(1,3)中的3表示L2.w和L3.w可以作為L(zhǎng).w的工具變量，但L4.w不可以；* pre(k,lag(2.)* lag(2,.)中的2表示L1.k,L2.k都會(huì)作為解釋變量；* lag(2,.)中的.表示L3KL4.k.都可以作為L(zhǎng)2.k的工

50、具變量選項(xiàng)以便獲得穩(wěn)健型標(biāo)準(zhǔn)誤*說明：上述設(shè)定都可附加-vce(robust)-*=工具變量過多導(dǎo)致的問題* 過多的工具變量往往導(dǎo)致過度約束假設(shè)無法滿足* 估計(jì)結(jié)果的有效性降低，因?yàn)椴糠止ぞ咦兞颗c內(nèi)生或先決變量的相關(guān)性很弱* 對(duì)矩陣尺寸的要求增加* 解決辦法：限制最大的滯后階數(shù)xtabondnL(0/1).ysyr1980-yr1984,lags(2)twostep/pre(w,lag(1,3)pre(k,lag(2,3)* =系數(shù)估計(jì)的上下限* 雖然PooledOLS和FixedEffects估計(jì)都是有偏的,* 但是二者卻決定了y_it-1真是估計(jì)值的上界和下界* 換言之，PooledOLS

51、估計(jì)高估了真實(shí)值* 而Fixedeffects估計(jì)則低估了真實(shí)值*=* =系統(tǒng)GMMf計(jì)量=*=AB95,BB98=*=ArellanoandBover(1995),BlundellandBond(1998)Haha(1999),JudsonandOwen(1999)適用范圍：AB91(1)(2)大N,小T的局限當(dāng)yi,t-1的系數(shù)較大，即yi,t表現(xiàn)出強(qiáng)烈的序列相關(guān)時(shí)；當(dāng)Varu_i/Vare_it較大時(shí)，即個(gè)體效應(yīng)的波動(dòng)遠(yuǎn)大于常規(guī)干擾項(xiàng)的波動(dòng)；*AB91的表現(xiàn)欠佳。原因在于，水平滯后項(xiàng)是差分方程中內(nèi)生變量的-弱工具變量-;因此，需要尋求更佳的工具變量*=基本思想:幾個(gè)概念-水平值差分值yx

52、D.yD.x水平方程：y_it=b1-xtabond2命令-Roodman(2005)*既可以估計(jì)差分GMM估計(jì)量，也可以估計(jì)系統(tǒng)GMM估計(jì)量；同時(shí)可以估計(jì)一般化的回歸模型提供兩階自相關(guān)檢驗(yàn)，Sargan檢驗(yàn)，Hansert僉驗(yàn)，以及工具變量外生性檢驗(yàn)y_it-1+b2*x_it+u_i+v_it可用工具變量：D.yi,t-1可以作為yi,t-1的工具變量差分方程：D.y_it=b1*D.y_it-1+b2*D.x_it+D.v_it可用工具變量：yi,t-2,yi,t-3.都可以作為D.yi,t-1的工具變差分GMM計(jì)量與系統(tǒng)GMM計(jì)量的區(qū)別-差分GMM計(jì)量采用水平值的滯后項(xiàng)作為差分變量的工

53、具變量；如y_it-3是D.y_it-1的工具變量系統(tǒng)GMM計(jì)量進(jìn)一步采用差分變量的滯后項(xiàng)作為水平值的工具變量；相當(dāng)于進(jìn)一步增加了可用的工具變量，且估計(jì)過程中同時(shí)使用水平方程和差分方程過低主要原因在于差分GMM工具變量往往是弱工具變量，即corr(X,Z)*-xtdpdsys命令-Stata官方命令，以xtabond2命令為基礎(chǔ)* xtabond2命令* 適用于Stata8-10各個(gè)版本* 既可以完成-一階差分GMM計(jì)-* 也可以完成-系統(tǒng)GMM計(jì)-* 詳細(xì)參考資料：* Roodman,D.2006.HowtoDoxtabond2:* AnIntroductionto"Difference"and"System"GMMinStata.* WorkingPaper103.CenterforGlobalDevelopment,Washington.* =使用xtabond2命令得到-一階差分估計(jì)量-* -附力口-noleveleq-選項(xiàng)即可* 采用xtabond2估計(jì)AB91文中表4的結(jié)果* Are