Stata上機(jī)實(shí)驗(yàn)-課件

Stata上機(jī)實(shí)驗(yàn)Stata上機(jī)實(shí)驗(yàn)1工具變量（IV）什么情況下需要工具變量？1。遺漏變量2。變量?jī)?nèi)生性問題3。測(cè)量誤差使用這種方法的困難之處在于工具變量的“搜尋”，而不是在技術(shù)方面。工具變量（IV）什么情況下需要工具變量？2工具變量選擇的要求：1。相關(guān)性：工具變量與內(nèi)生解釋變量高度相關(guān)，即Cov(xt,pt)≠0。2。外生性：工具變量與擾動(dòng)項(xiàng)不相關(guān)，即Cov(xt,ut)=0。使用工具變量有兩種方法：二階段最小二乘法(2SLS)和廣義矩估計(jì)法(GMM)。工具變量選擇的要求：3二階段最小二乘法：2SLS主要思想：進(jìn)行兩階段回歸。假設(shè)方程為：y=b1x1+b2x2+u其中x1是外生變量，x2是內(nèi)生變量，找到兩個(gè)變量z1和z2，作為x2的工具變量。第一階段回歸：regx2x1z1z2x2結(jié)合了z1和z2的信息，此時(shí)取出x2的擬合值x2_hat。第二階段回歸：regyx1x2_hat二階段最小二乘法：2SLS主要思想：進(jìn)行兩階段回歸。4廣義矩估計(jì)法：GMM基本思想：求解如下一般化目標(biāo)函數(shù),使之最小化J(b_GMM)=n*g(b_GMM)'*W*g(b_GMM)其中，W為權(quán)重矩陣在球型擾動(dòng)項(xiàng)的假定下，2SLS是最有效的。但如果擾動(dòng)項(xiàng)存在異方差或自相關(guān)，則廣義矩估計(jì)方法效果更好。GMM方法又分為兩步GMM法和迭代GMM方法。廣義矩估計(jì)法：GMM基本思想：5使用grilic.dta估計(jì)教育投資的回報(bào)率。變量說明：lw80（80年工資對(duì)數(shù)），s80（80年時(shí)受教育年限），expr80（80年時(shí)工齡），tenure80（80年時(shí)在現(xiàn)單位工作年限），iq（智商），med（母親的教育年限），kww（在‘knowledgeoftheWorldofWork’測(cè)試中的成績(jī)），mrt（婚姻虛擬變量，已婚=1），age（年齡）。使用grilic.dta估計(jì)教育投資的回報(bào)率。6建立方程：usegrilic.dta,clearreglw80s80expr80tenure80對(duì)方程進(jìn)行分析：1。遺漏變量問題：認(rèn)為方程遺漏了“能力”這個(gè)變量，加入iq（智商）作為“能力”的代理變量。2。測(cè)量誤差問題：iq（智商）對(duì)“能力”的測(cè)量存在誤差。3。變量?jī)?nèi)生性問題：s80可能與擾動(dòng)項(xiàng)中除“能力”以外的其他因素相關(guān)，因此是內(nèi)生變量。建立方程：7解決方法：使用med，kww，mrt，age作為內(nèi)生解釋變量iq與s80的工具變量。1。使用2SLS。ivregress2slslw80expr80tenure80(s80iq=medkwwmrtage),first2。使用兩步GMM。

ivregressgmmlw80expr80tenure80(s80iq=medkwwmrtage)3。使用迭代GMM。

ivregressgmmlw80expr80tenure80(s80iq=medkwwmrtage),igmm解決方法：使用med，kww，mrt，age作為內(nèi)生解釋變量8幾點(diǎn)注意事項(xiàng)：1。2SLS只能通過stata完成，利用定義手動(dòng)計(jì)算的結(jié)果是錯(cuò)誤的，因?yàn)闅埐钚蛄惺清e(cuò)誤的。2。不可能單獨(dú)為每個(gè)內(nèi)生變量指定一組特定的工具變量，所有外生變變量都作為自己的工具變量。3。在大樣本下，IV估計(jì)是一致的，但在小樣本下，IV估計(jì)并非無偏估計(jì)量，有些情況下偏誤可能很嚴(yán)重。幾點(diǎn)注意事項(xiàng)：9弱工具變量檢驗(yàn)工具變量Z與X的相關(guān)性較低時(shí)，2SLS估計(jì)量存在偏誤，Z稱為“弱工具變量”。檢驗(yàn)方法：estatfirststage1。初步判斷可以用偏R2(partialR2)(剔除掉模型中原有外生變量的影響)。2。Minimumeigenvaluestatistic(最小特征值統(tǒng)計(jì)量)，經(jīng)驗(yàn)上此數(shù)應(yīng)該大于10。弱工具變量檢驗(yàn)工具變量Z與X的相關(guān)性較低時(shí)，2SLS估10ivregress2slslw80expr80tenure80(s80iq=medkwwmrtage),firstestatfirststageivregress2slslw80expr8011過度識(shí)別檢驗(yàn)檢驗(yàn)工具變量是否與干擾項(xiàng)相關(guān)，即工具變量是否為外生變量。目前僅限于在過度識(shí)別的情況下，進(jìn)行過度識(shí)別檢驗(yàn)。2SLS根據(jù)Sargan統(tǒng)計(jì)量進(jìn)行過度識(shí)別檢驗(yàn)，GMM使用HansenJTest進(jìn)行過度識(shí)別檢驗(yàn)。命令均為：estatoverid檢驗(yàn)工具變量的外生性

H0：所有工具變量都是外生的。H1：至少有一個(gè)工具變量不是外生的，與擾動(dòng)項(xiàng)相關(guān)。過度識(shí)別檢驗(yàn)檢驗(yàn)工具變量是否與干擾項(xiàng)相關(guān)，即工具變量是否為12ivregress2slslw80expr80tenure80(s80iq=medkwwmrtage),firstestatoveridivregressgmmlw80expr80tenure80(s80iq=medkwwmrtage)estatoveridivregress2slslw80expr8013究竟該用OLS還是IV即解釋變量是否真的存在內(nèi)生性？假設(shè)能夠找到方程外的工具變量。1。如果所有解釋變量都是外生變量，則OLS比IV更有效。在這種情況下使用IV，雖然估計(jì)量仍然是一致的，會(huì)增大估計(jì)量的方差。2。如果存在內(nèi)生解釋變量，則OLS是不一致的，而IV是一致的。究竟該用OLS還是IV即解釋變量是否真的存在內(nèi)生性？14豪斯曼檢驗(yàn)（Hausmanspecificationtest）原假設(shè)：H0：所有解釋變量均為外生變量。H1：至少有一個(gè)解釋變量為內(nèi)生變量。

quietlyreglw80s80expr80tenure80iqeststoreolsquietlyivregress2slslw80expr80tenure80(s80iq=medkwwmrtage)eststoreivhausmanivols豪斯曼檢驗(yàn)（Hausmanspecificationte15一些面板數(shù)據(jù)教材面板數(shù)據(jù)分析（美）蕭政著橫截面與面板數(shù)據(jù)的經(jīng)濟(jì)計(jì)量分析伍德里奇著，王忠玉譯Baltagi.EconometricAnalysisofPanelData最新動(dòng)態(tài)可關(guān)注期刊：JournalofEconometrics一些面板數(shù)據(jù)教材面板數(shù)據(jù)分析（美）蕭政著16面板數(shù)據(jù)一些前沿問題面板向量自回歸模型(PanelVAR)面板單位根檢驗(yàn)(PanelUnitRoottest)面板協(xié)整分析(PanelCointegeration)門檻面板數(shù)據(jù)模型(PanelThreshold)面板聯(lián)立方程組面板空間計(jì)量面板數(shù)據(jù)一些前沿問題面板向量自回歸模型(PanelV17靜態(tài)面板數(shù)據(jù)靜態(tài)面板數(shù)據(jù)模型，是指解釋變量中不包含被解釋變量的滯后項(xiàng)(通常為一階滯后項(xiàng))的情形。但嚴(yán)格地講，隨機(jī)干擾項(xiàng)服從某種序列相關(guān)的模型，如AR(1),AR(2),MA(1)等，也不是靜態(tài)模型。靜態(tài)面板數(shù)據(jù)主要有兩種模型------固定效應(yīng)模型和隨機(jī)效應(yīng)模型。靜態(tài)面板數(shù)據(jù)靜態(tài)面板數(shù)據(jù)模型，是指解釋變量中不包含被解釋變量18面板數(shù)據(jù)的格式companyyearinvestmvalue11951755.9483311952891.24924.9119531304.46241.7119541486.75593.621951588.22289.521952645.52159.4219536412031.321954459.32115.531951135.21819.431952157.32079.731953179.52371.631954189.62759.9面板數(shù)據(jù)的格式companyyearinvestmvalue19面板數(shù)據(jù)模型考慮如下模型：Yit=Xitb+Uituit=ai+εit其中，i=1,2,…N;t=1,2,…Tuit稱為復(fù)合擾動(dòng)項(xiàng)。面板數(shù)據(jù)模型考慮如下模型：20固定效應(yīng)模型對(duì)于特定的個(gè)體i而言，ai

表示那些不隨時(shí)間改變的影響因素，如個(gè)人的消費(fèi)習(xí)慣、國(guó)家的社會(huì)制度、地區(qū)的特征、性別等，一般稱其為“個(gè)體效應(yīng)”(individualeffects)。如果把“個(gè)體效應(yīng)”當(dāng)作不隨時(shí)間改變的固定性因素，相應(yīng)的模型稱為“固定效應(yīng)”模型。固定效應(yīng)模型對(duì)于特定的個(gè)體i而言，ai表示那些不隨時(shí)間改變21固定效應(yīng)模型固定效應(yīng)模型的公式變?yōu)椋篩it=ai+Xitb+εit回歸結(jié)果是每個(gè)個(gè)體都有一個(gè)特定的截距項(xiàng)。固定效應(yīng)模型固定效應(yīng)模型的公式變?yōu)椋?2隨機(jī)效應(yīng)模型隨機(jī)效應(yīng)模型將個(gè)體效應(yīng)ai視為隨機(jī)因素，即把個(gè)體效應(yīng)設(shè)定為干擾項(xiàng)的一部分。公式將變?yōu)椋篩it=Xitb+(ai+εit)回歸的結(jié)果是隨機(jī)效應(yīng)模型的所有的個(gè)體具有相同的截距項(xiàng)，個(gè)體的差異主要反應(yīng)在隨機(jī)干擾項(xiàng)的設(shè)定上。隨機(jī)效應(yīng)模型隨機(jī)效應(yīng)模型將個(gè)體效應(yīng)ai視為隨機(jī)因素，即把個(gè)體23怎樣選擇固定效應(yīng)和隨機(jī)效應(yīng)？隨機(jī)效嚴(yán)格要求個(gè)體效應(yīng)與解釋變量不相關(guān)，即Cov(ai,XitB)=0而固定效應(yīng)模型并不需要這個(gè)假設(shè)條件。這是兩種模型選擇的關(guān)鍵。怎樣選擇固定效應(yīng)和隨機(jī)效應(yīng)？24面板數(shù)據(jù)基本命令1。指定個(gè)體截面變量和時(shí)間變量：xtset2。對(duì)數(shù)據(jù)截面?zhèn)€數(shù)、時(shí)間跨度的整體描述：xtdes。3。對(duì)每個(gè)個(gè)體分別顯示該變量的時(shí)間序列圖：xtline。4。靜態(tài)面板數(shù)據(jù)基本回歸命令：xtreg。面板數(shù)據(jù)基本命令1。指定個(gè)體截面變量和時(shí)間變量：xtset25usegrunfeld,clearxtsetcompanyyearxtdesxtlineinvest混合回歸：reginvestmvaluekstock固定效應(yīng)：xtreginvestmvaluekstock,fe隨機(jī)效應(yīng)：xtreginvestmvaluekstock,reusegrunfeld,clear26結(jié)果解讀固定效應(yīng)隨機(jī)效應(yīng)特別注意：1。三個(gè)R2哪個(gè)重要？2。固定效應(yīng)為什么有兩個(gè)F檢驗(yàn)？3。corr(u_i,Xb)的含義。4。sigma_u、sigma_e、rho的含義。結(jié)果解讀固定效應(yīng)27模型選擇固定效應(yīng)還是混合OLS？可以直接觀測(cè)F值隨機(jī)效應(yīng)還是混合OLS？先用隨機(jī)效應(yīng)回歸，然后運(yùn)行xttest0固定效應(yīng)還是隨機(jī)效應(yīng)？Hausman檢驗(yàn)?zāi)Ｐ瓦x擇固定效應(yīng)還是混合OLS？28Hausman檢驗(yàn)基本思想：如果Corr(a_i,x_it)=0,Fe和Re都是一致的，但Re更有效。如果Corr(a_i,x_it)!=0,Fe仍然一致，但Re是有偏的。因此原假設(shè)是Corr(a_i,x_it)=0，即應(yīng)該采用隨機(jī)效應(yīng)。Hausman檢驗(yàn)29xtreginvestmvaluekstock,feeststorefixedxtreginvestmvaluekstock,reeststorerandomhausmanfixedrandom本題接受原假設(shè)，即應(yīng)該用隨機(jī)效應(yīng)。xtreginvestmvaluekstock30幾個(gè)常見問題1。既然固定效應(yīng)每個(gè)個(gè)體都有單獨(dú)的截距項(xiàng)，如何獲得每個(gè)個(gè)體的截距項(xiàng)？xi:reginvestmvaluekstockpany即LSDV方法或者添加虛擬變量法。幾個(gè)常見問題1。既然固定效應(yīng)每個(gè)個(gè)體都有單獨(dú)的截距項(xiàng)，如何獲312。非平衡面板如何處理？usenlswork,clearxtsetidcodeyearxtdes這是一份典型的大n小t型非平衡面板數(shù)據(jù)。方法一：下載命令xtbalance提取成一個(gè)平衡面板數(shù)據(jù)，但不推薦使用，因?yàn)闀?huì)損失大量樣本。方法二：利用算法填補(bǔ)缺失值，需要經(jīng)濟(jì)理論和算法的支撐。2。非平衡面板如何處理？323。面板數(shù)據(jù)格式不符合要求的處理。例如如下表格格式該如何處理？處理方法：扁平數(shù)據(jù)變長(zhǎng)條數(shù)據(jù)的命令：reshapeuseinvest2,cleareditreshapelonginvestkstock,i(company)j(year)3。面板數(shù)據(jù)格式不符合要求的處理。33companyinvest2002invest2003invest2004kstock2002kstock2003kstock2004118.919.119.619.616.816.7217.418.418.818.117.41731919.620.120.21717.142020.420.320.417.517.3518.118.318.418.516.416.1619.72019.917.216.316.3companyinvest2002invest2003inv34其他回歸方法1。聚類穩(wěn)健的標(biāo)準(zhǔn)差通?？梢约僭O(shè)不同個(gè)體之間的擾動(dòng)項(xiàng)相互獨(dú)立，但同一個(gè)體在不同時(shí)期的擾動(dòng)項(xiàng)之間往往存在自相關(guān)。故須采用聚類穩(wěn)健的標(biāo)準(zhǔn)差。usegrunfeld,clearxtsetcompanyyearreginvestmvaluekstock,vce(clustercompany)同理有：xtreginvestmvaluekstock,fevce(clustercompany)xtreginvestmvaluekstock,revce(clustercompany)其他回歸方法1。聚類穩(wěn)健的標(biāo)準(zhǔn)差352。對(duì)于固定效應(yīng)模型，可采用虛擬變量法。基本思想：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)。由于固定效應(yīng)模型假設(shè)存在著“個(gè)體效應(yīng)”，每個(gè)個(gè)體都有其單獨(dú)的截距項(xiàng)。這就相當(dāng)于在原方程中引入n?1個(gè)虛擬變量（如果省略常數(shù)項(xiàng)，則引入n個(gè)虛擬變量）來代表不同的個(gè)體，獲得每個(gè)個(gè)體的截?fù)?jù)項(xiàng)。2。對(duì)于固定效應(yīng)模型，可采用虛擬變量法。36tabcompany,gen(dum)dropdum1reginvestmvaluekstockdum*與上述方法比較一下：xi:reginvestmvaluekstockpany結(jié)果完全一樣。tabcompany,gen(dum)37組間估計(jì)法對(duì)于隨機(jī)效應(yīng)模型，還可以采用“組間估計(jì)量”。對(duì)于那些每個(gè)個(gè)體的時(shí)間序列數(shù)據(jù)較不準(zhǔn)確或“噪音”較大的數(shù)據(jù)，可對(duì)每個(gè)個(gè)體取時(shí)間平均值，然后用平均值來回歸。xtreginvestmvaluekstock,be由于損失了較多信息量，組間估計(jì)法并不常用。組間估計(jì)法對(duì)于隨機(jī)效應(yīng)模型，還可以采用“組間估計(jì)量”。對(duì)于那38極大似然估計(jì)如果隨機(jī)效應(yīng)模型中假設(shè)擾動(dòng)項(xiàng)服從正態(tài)分布，則可以使用最大似然估計(jì)法（MLE）來進(jìn)行估計(jì)。xtreginvestmvaluekstock,mle與隨機(jī)效應(yīng)模型的估計(jì)比較結(jié)果幾乎完全一致。極大似然估計(jì)如果隨機(jī)效應(yīng)模型中假設(shè)擾動(dòng)項(xiàng)服從正態(tài)分布，則可以39雙向固定效應(yīng)模型固定效應(yīng)模型：Yit=ai+XitB+εit雙向固定效應(yīng)模型：Yit=ai+ft+XitB+εit實(shí)際上添加了t-1個(gè)時(shí)間虛擬變量。主要反應(yīng)隨著時(shí)間變化的一些特征。tabyear,gen(yr)editdropyr1xtreginvestmvaluekstockyr*,fe大部分時(shí)間虛擬變量顯著，說明隨著時(shí)間的變動(dòng)，invest有不斷變動(dòng)的趨勢(shì)。雙向固定效應(yīng)模型固定效應(yīng)模型：Yit=ai+XitB+εi40檢驗(yàn)：可以使用似然比檢驗(yàn)。原假設(shè)：時(shí)間虛擬變量不顯著。xtreginvestmvaluekstock,feeststorefe1xtreginvestmvaluekstockyr*,feeststorefe2lrtestfe1fe2整體來看時(shí)間虛擬變量不夠顯著。檢驗(yàn)：可以使用似然比檢驗(yàn)。41異方差、序列相關(guān)和截面相關(guān)大n小T重點(diǎn)關(guān)注異方差大T小n重點(diǎn)關(guān)注序列相關(guān)由于面板數(shù)據(jù)中每個(gè)截面（公司、個(gè)人、地區(qū)）之間還可能存在內(nèi)在的聯(lián)系，因此，截面相關(guān)性是面板數(shù)據(jù)的一個(gè)特有的特征。三個(gè)假設(shè)：1。Var[e_it]=sigma^2同方差假設(shè)2。Corr[e_it,e_it-s]=0序列無關(guān)假設(shè)3。Corr[e_it,e_jt]=0截面不相關(guān)假設(shè)異方差、序列相關(guān)和截面相關(guān)大n小T重點(diǎn)關(guān)注異方差421。異方差的檢驗(yàn)(組間)：finditxttest3或者直接sscinstallxttest3xtreginvestmvaluekstock,fexttest31。異方差的檢驗(yàn)(組間)：432。序列相關(guān)的檢驗(yàn)：基本思想：若無序列相關(guān)，則一階差分后殘差相關(guān)系數(shù)應(yīng)為-0.5。finditxtserialxtserialinvestmvaluekstockxtserialinvestmvaluekstock,output2。序列相關(guān)的檢驗(yàn)：443。截面相關(guān)的檢驗(yàn)：sscinstallxttest2xtreginvestmvaluekstock,fexttest23。截面相關(guān)的檢驗(yàn)：45FGLS估計(jì)1。xtgls命令xtglsinvestmvaluekstock,panels(iid)PooledOLSxtglsinvestmvaluekstock,panel(het)截面異方差xtglsinvestmvaluekstock,corr(ar1)所有個(gè)體具有相同的自相關(guān)系數(shù)

FGLS估計(jì)1。xtgls命令46xtglsinvestmvaluekstock,corr(psar1)每個(gè)個(gè)體有自己的自相關(guān)系數(shù)xtglsinvestmvaluekstock,panel(corr)截面間相關(guān)且異方差xtglsinvestmvaluekstock,panel(corr)corr(ar1)異方差、序列相關(guān)和截面相關(guān)xtglsinvestmvaluekstock,472。xtpcse命令xtpcseinvestmvaluekstockOLS估計(jì)，面板穩(wěn)健性標(biāo)準(zhǔn)差xtpcseinvestmvaluekstock,corr(ar1)Prais_Winsten估計(jì)，個(gè)體具有共同的自相關(guān)系數(shù)xtpcseinvestmvaluekstock,corr(psar1)每個(gè)截面有自己的自相關(guān)系數(shù)xtpcseinvestmvaluekstock,corr(ar1)hetonly不考慮截面相關(guān)2。xtpcse命令48Stata上機(jī)實(shí)驗(yàn)Stata上機(jī)實(shí)驗(yàn)49工具變量（IV）什么情況下需要工具變量？1。遺漏變量2。變量?jī)?nèi)生性問題3。測(cè)量誤差使用這種方法的困難之處在于工具變量的“搜尋”，而不是在技術(shù)方面。工具變量（IV）什么情況下需要工具變量？50工具變量選擇的要求：1。相關(guān)性：工具變量與內(nèi)生解釋變量高度相關(guān)，即Cov(xt,pt)≠0。2。外生性：工具變量與擾動(dòng)項(xiàng)不相關(guān)，即Cov(xt,ut)=0。使用工具變量有兩種方法：二階段最小二乘法(2SLS)和廣義矩估計(jì)法(GMM)。工具變量選擇的要求：51二階段最小二乘法：2SLS主要思想：進(jìn)行兩階段回歸。假設(shè)方程為：y=b1x1+b2x2+u其中x1是外生變量，x2是內(nèi)生變量，找到兩個(gè)變量z1和z2，作為x2的工具變量。第一階段回歸：regx2x1z1z2x2結(jié)合了z1和z2的信息，此時(shí)取出x2的擬合值x2_hat。第二階段回歸：regyx1x2_hat二階段最小二乘法：2SLS主要思想：進(jìn)行兩階段回歸。52廣義矩估計(jì)法：GMM基本思想：求解如下一般化目標(biāo)函數(shù),使之最小化J(b_GMM)=n*g(b_GMM)'*W*g(b_GMM)其中，W為權(quán)重矩陣在球型擾動(dòng)項(xiàng)的假定下，2SLS是最有效的。但如果擾動(dòng)項(xiàng)存在異方差或自相關(guān)，則廣義矩估計(jì)方法效果更好。GMM方法又分為兩步GMM法和迭代GMM方法。廣義矩估計(jì)法：GMM基本思想：53使用grilic.dta估計(jì)教育投資的回報(bào)率。變量說明：lw80（80年工資對(duì)數(shù)），s80（80年時(shí)受教育年限），expr80（80年時(shí)工齡），tenure80（80年時(shí)在現(xiàn)單位工作年限），iq（智商），med（母親的教育年限），kww（在‘knowledgeoftheWorldofWork’測(cè)試中的成績(jī)），mrt（婚姻虛擬變量，已婚=1），age（年齡）。使用grilic.dta估計(jì)教育投資的回報(bào)率。54建立方程：usegrilic.dta,clearreglw80s80expr80tenure80對(duì)方程進(jìn)行分析：1。遺漏變量問題：認(rèn)為方程遺漏了“能力”這個(gè)變量，加入iq（智商）作為“能力”的代理變量。2。測(cè)量誤差問題：iq（智商）對(duì)“能力”的測(cè)量存在誤差。3。變量?jī)?nèi)生性問題：s80可能與擾動(dòng)項(xiàng)中除“能力”以外的其他因素相關(guān)，因此是內(nèi)生變量。建立方程：55解決方法：使用med，kww，mrt，age作為內(nèi)生解釋變量iq與s80的工具變量。1。使用2SLS。ivregress2slslw80expr80tenure80(s80iq=medkwwmrtage),first2。使用兩步GMM。

ivregressgmmlw80expr80tenure80(s80iq=medkwwmrtage)3。使用迭代GMM。

ivregressgmmlw80expr80tenure80(s80iq=medkwwmrtage),igmm解決方法：使用med，kww，mrt，age作為內(nèi)生解釋變量56幾點(diǎn)注意事項(xiàng)：1。2SLS只能通過stata完成，利用定義手動(dòng)計(jì)算的結(jié)果是錯(cuò)誤的，因?yàn)闅埐钚蛄惺清e(cuò)誤的。2。不可能單獨(dú)為每個(gè)內(nèi)生變量指定一組特定的工具變量，所有外生變變量都作為自己的工具變量。3。在大樣本下，IV估計(jì)是一致的，但在小樣本下，IV估計(jì)并非無偏估計(jì)量，有些情況下偏誤可能很嚴(yán)重。幾點(diǎn)注意事項(xiàng)：57弱工具變量檢驗(yàn)工具變量Z與X的相關(guān)性較低時(shí)，2SLS估計(jì)量存在偏誤，Z稱為“弱工具變量”。檢驗(yàn)方法：estatfirststage1。初步判斷可以用偏R2(partialR2)(剔除掉模型中原有外生變量的影響)。2。Minimumeigenvaluestatistic(最小特征值統(tǒng)計(jì)量)，經(jīng)驗(yàn)上此數(shù)應(yīng)該大于10。弱工具變量檢驗(yàn)工具變量Z與X的相關(guān)性較低時(shí)，2SLS估58ivregress2slslw80expr80tenure80(s80iq=medkwwmrtage),firstestatfirststageivregress2slslw80expr8059過度識(shí)別檢驗(yàn)檢驗(yàn)工具變量是否與干擾項(xiàng)相關(guān)，即工具變量是否為外生變量。目前僅限于在過度識(shí)別的情況下，進(jìn)行過度識(shí)別檢驗(yàn)。2SLS根據(jù)Sargan統(tǒng)計(jì)量進(jìn)行過度識(shí)別檢驗(yàn)，GMM使用HansenJTest進(jìn)行過度識(shí)別檢驗(yàn)。命令均為：estatoverid檢驗(yàn)工具變量的外生性

H0：所有工具變量都是外生的。H1：至少有一個(gè)工具變量不是外生的，與擾動(dòng)項(xiàng)相關(guān)。過度識(shí)別檢驗(yàn)檢驗(yàn)工具變量是否與干擾項(xiàng)相關(guān)，即工具變量是否為60ivregress2slslw80expr80tenure80(s80iq=medkwwmrtage),firstestatoveridivregressgmmlw80expr80tenure80(s80iq=medkwwmrtage)estatoveridivregress2slslw80expr8061究竟該用OLS還是IV即解釋變量是否真的存在內(nèi)生性？假設(shè)能夠找到方程外的工具變量。1。如果所有解釋變量都是外生變量，則OLS比IV更有效。在這種情況下使用IV，雖然估計(jì)量仍然是一致的，會(huì)增大估計(jì)量的方差。2。如果存在內(nèi)生解釋變量，則OLS是不一致的，而IV是一致的。究竟該用OLS還是IV即解釋變量是否真的存在內(nèi)生性？62豪斯曼檢驗(yàn)（Hausmanspecificationtest）原假設(shè)：H0：所有解釋變量均為外生變量。H1：至少有一個(gè)解釋變量為內(nèi)生變量。

quietlyreglw80s80expr80tenure80iqeststoreolsquietlyivregress2slslw80expr80tenure80(s80iq=medkwwmrtage)eststoreivhausmanivols豪斯曼檢驗(yàn)（Hausmanspecificationte63一些面板數(shù)據(jù)教材面板數(shù)據(jù)分析（美）蕭政著橫截面與面板數(shù)據(jù)的經(jīng)濟(jì)計(jì)量分析伍德里奇著，王忠玉譯Baltagi.EconometricAnalysisofPanelData最新動(dòng)態(tài)可關(guān)注期刊：JournalofEconometrics一些面板數(shù)據(jù)教材面板數(shù)據(jù)分析（美）蕭政著64面板數(shù)據(jù)一些前沿問題面板向量自回歸模型(PanelVAR)面板單位根檢驗(yàn)(PanelUnitRoottest)面板協(xié)整分析(PanelCointegeration)門檻面板數(shù)據(jù)模型(PanelThreshold)面板聯(lián)立方程組面板空間計(jì)量面板數(shù)據(jù)一些前沿問題面板向量自回歸模型(PanelV65靜態(tài)面板數(shù)據(jù)靜態(tài)面板數(shù)據(jù)模型，是指解釋變量中不包含被解釋變量的滯后項(xiàng)(通常為一階滯后項(xiàng))的情形。但嚴(yán)格地講，隨機(jī)干擾項(xiàng)服從某種序列相關(guān)的模型，如AR(1),AR(2),MA(1)等，也不是靜態(tài)模型。靜態(tài)面板數(shù)據(jù)主要有兩種模型------固定效應(yīng)模型和隨機(jī)效應(yīng)模型。靜態(tài)面板數(shù)據(jù)靜態(tài)面板數(shù)據(jù)模型，是指解釋變量中不包含被解釋變量66面板數(shù)據(jù)的格式companyyearinvestmvalue11951755.9483311952891.24924.9119531304.46241.7119541486.75593.621951588.22289.521952645.52159.4219536412031.321954459.32115.531951135.21819.431952157.32079.731953179.52371.631954189.62759.9面板數(shù)據(jù)的格式companyyearinvestmvalue67面板數(shù)據(jù)模型考慮如下模型：Yit=Xitb+Uituit=ai+εit其中，i=1,2,…N;t=1,2,…Tuit稱為復(fù)合擾動(dòng)項(xiàng)。面板數(shù)據(jù)模型考慮如下模型：68固定效應(yīng)模型對(duì)于特定的個(gè)體i而言，ai

表示那些不隨時(shí)間改變的影響因素，如個(gè)人的消費(fèi)習(xí)慣、國(guó)家的社會(huì)制度、地區(qū)的特征、性別等，一般稱其為“個(gè)體效應(yīng)”(individualeffects)。如果把“個(gè)體效應(yīng)”當(dāng)作不隨時(shí)間改變的固定性因素，相應(yīng)的模型稱為“固定效應(yīng)”模型。固定效應(yīng)模型對(duì)于特定的個(gè)體i而言，ai表示那些不隨時(shí)間改變69固定效應(yīng)模型固定效應(yīng)模型的公式變?yōu)椋篩it=ai+Xitb+εit回歸結(jié)果是每個(gè)個(gè)體都有一個(gè)特定的截距項(xiàng)。固定效應(yīng)模型固定效應(yīng)模型的公式變?yōu)椋?0隨機(jī)效應(yīng)模型隨機(jī)效應(yīng)模型將個(gè)體效應(yīng)ai視為隨機(jī)因素，即把個(gè)體效應(yīng)設(shè)定為干擾項(xiàng)的一部分。公式將變?yōu)椋篩it=Xitb+(ai+εit)回歸的結(jié)果是隨機(jī)效應(yīng)模型的所有的個(gè)體具有相同的截距項(xiàng)，個(gè)體的差異主要反應(yīng)在隨機(jī)干擾項(xiàng)的設(shè)定上。隨機(jī)效應(yīng)模型隨機(jī)效應(yīng)模型將個(gè)體效應(yīng)ai視為隨機(jī)因素，即把個(gè)體71怎樣選擇固定效應(yīng)和隨機(jī)效應(yīng)？隨機(jī)效嚴(yán)格要求個(gè)體效應(yīng)與解釋變量不相關(guān)，即Cov(ai,XitB)=0而固定效應(yīng)模型并不需要這個(gè)假設(shè)條件。這是兩種模型選擇的關(guān)鍵。怎樣選擇固定效應(yīng)和隨機(jī)效應(yīng)？72面板數(shù)據(jù)基本命令1。指定個(gè)體截面變量和時(shí)間變量：xtset2。對(duì)數(shù)據(jù)截面?zhèn)€數(shù)、時(shí)間跨度的整體描述：xtdes。3。對(duì)每個(gè)個(gè)體分別顯示該變量的時(shí)間序列圖：xtline。4。靜態(tài)面板數(shù)據(jù)基本回歸命令：xtreg。面板數(shù)據(jù)基本命令1。指定個(gè)體截面變量和時(shí)間變量：xtset73usegrunfeld,clearxtsetcompanyyearxtdesxtlineinvest混合回歸：reginvestmvaluekstock固定效應(yīng)：xtreginvestmvaluekstock,fe隨機(jī)效應(yīng)：xtreginvestmvaluekstock,reusegrunfeld,clear74結(jié)果解讀固定效應(yīng)隨機(jī)效應(yīng)特別注意：1。三個(gè)R2哪個(gè)重要？2。固定效應(yīng)為什么有兩個(gè)F檢驗(yàn)？3。corr(u_i,Xb)的含義。4。sigma_u、sigma_e、rho的含義。結(jié)果解讀固定效應(yīng)75模型選擇固定效應(yīng)還是混合OLS？可以直接觀測(cè)F值隨機(jī)效應(yīng)還是混合OLS？先用隨機(jī)效應(yīng)回歸，然后運(yùn)行xttest0固定效應(yīng)還是隨機(jī)效應(yīng)？Hausman檢驗(yàn)?zāi)Ｐ瓦x擇固定效應(yīng)還是混合OLS？76Hausman檢驗(yàn)基本思想：如果Corr(a_i,x_it)=0,Fe和Re都是一致的，但Re更有效。如果Corr(a_i,x_it)!=0,Fe仍然一致，但Re是有偏的。因此原假設(shè)是Corr(a_i,x_it)=0，即應(yīng)該采用隨機(jī)效應(yīng)。Hausman檢驗(yàn)77xtreginvestmvaluekstock,feeststorefixedxtreginvestmvaluekstock,reeststorerandomhausmanfixedrandom本題接受原假設(shè)，即應(yīng)該用隨機(jī)效應(yīng)。xtreginvestmvaluekstock78幾個(gè)常見問題1。既然固定效應(yīng)每個(gè)個(gè)體都有單獨(dú)的截距項(xiàng)，如何獲得每個(gè)個(gè)體的截距項(xiàng)？xi:reginvestmvaluekstockpany即LSDV方法或者添加虛擬變量法。幾個(gè)常見問題1。既然固定效應(yīng)每個(gè)個(gè)體都有單獨(dú)的截距項(xiàng)，如何獲792。非平衡面板如何處理？usenlswork,clearxtsetidcodeyearxtdes這是一份典型的大n小t型非平衡面板數(shù)據(jù)。方法一：下載命令xtbalance提取成一個(gè)平衡面板數(shù)據(jù)，但不推薦使用，因?yàn)闀?huì)損失大量樣本。方法二：利用算法填補(bǔ)缺失值，需要經(jīng)濟(jì)理論和算法的支撐。2。非平衡面板如何處理？803。面板數(shù)據(jù)格式不符合要求的處理。例如如下表格格式該如何處理？處理方法：扁平數(shù)據(jù)變長(zhǎng)條數(shù)據(jù)的命令：reshapeuseinvest2,cleareditreshapelonginvestkstock,i(company)j(year)3。面板數(shù)據(jù)格式不符合要求的處理。81companyinvest2002invest2003invest2004kstock2002kstock2003kstock2004118.919.119.619.616.816.7217.418.418.818.117.41731919.620.120.21717.142020.420.320.417.517.3518.118.318.418.516.416.1619.72019.917.216.316.3companyinvest2002invest2003inv82其他回歸方法1。聚類穩(wěn)健的標(biāo)準(zhǔn)差通?？梢约僭O(shè)不同個(gè)體之間的擾動(dòng)項(xiàng)相互獨(dú)立，但同一個(gè)體在不同時(shí)期的擾動(dòng)項(xiàng)之間往往存在自相關(guān)。故須采用聚類穩(wěn)健的標(biāo)準(zhǔn)差。usegrunfeld,clearxtsetcompanyyearreginvestmvaluekstock,vce(clustercompany)同理有：xtreginvestmvaluekstock,fevce(clustercompany)xtreginvestmvaluekstock,revce(clustercompany)其他回歸方法1。聚類穩(wěn)健的標(biāo)準(zhǔn)差832。對(duì)于固定效應(yīng)模型，可采用虛擬變量法。基本思想：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)。由于固定效應(yīng)模型假設(shè)存在著“個(gè)體效應(yīng)”，每個(gè)個(gè)體都有其單獨(dú)的截距項(xiàng)。這就相當(dāng)于在原方程中引入n?1個(gè)虛擬變量（如果省略常數(shù)項(xiàng)，則引入n個(gè)虛擬變量）來代表不同的個(gè)體，獲得每個(gè)個(gè)體的截?fù)?jù)項(xiàng)。2。對(duì)于固定效應(yīng)模型，可采用虛擬變量法。84tabcompany,gen(dum)dropdum1reginvestmvaluekstockdum*與上述方法比較一下：xi:reginvestmvaluekstockpany結(jié)果完全一樣。tabcompany,gen(dum)85組間估計(jì)法對(duì)于隨機(jī)效應(yīng)模型，還可以采用“組間估計(jì)量”。對(duì)于那些每個(gè)個(gè)體的時(shí)間序列數(shù)據(jù)較不準(zhǔn)確或“噪音”較大的數(shù)據(jù)，可對(duì)每個(gè)個(gè)體取時(shí)間平均值，然后用平均值來回歸。xtreginvestmvaluekstock,be由于損失了較多信息量，組間估計(jì)法并不常用。組間估計(jì)法對(duì)于隨機(jī)效應(yīng)模型，還可以采用“組間估計(jì)量”。對(duì)于那86極大似然估計(jì)如果隨機(jī)效應(yīng)模型中假設(shè)擾動(dòng)項(xiàng)服從正態(tài)分布，則可以使用最大似然估計(jì)法（MLE）來進(jìn)行估計(jì)。xtreginvestmvaluekstock,mle與隨機(jī)效應(yīng)模型的估計(jì)比較結(jié)果幾乎完全一致。極大似然估計(jì)如果隨機(jī)效應(yīng)模型中假設(shè)擾動(dòng)項(xiàng)服從正態(tài)分布，則可以87雙向固定效應(yīng)模型固定效應(yīng)模型：Yit=ai+XitB+