stata面板數(shù)據(jù)計(jì)量知識和參考資料

計(jì)量知識:

1、橫截面數(shù)據(jù)、時(shí)間序列、面板數(shù)據(jù)：

橫截面數(shù)據(jù)是在同一時(shí)間，不同統(tǒng)計(jì)單位相同統(tǒng)計(jì)指標(biāo)組成的數(shù)據(jù)列。橫截

面數(shù)據(jù)是按照統(tǒng)計(jì)單位排列的。因此，橫截面數(shù)據(jù)不要求統(tǒng)計(jì)對象及其范圍相同，

但要求統(tǒng)計(jì)的時(shí)間相同。也就是說必須是同一時(shí)間截面上的數(shù)據(jù)。

TumoverH

Premium,,PremiakTurnover,SizeA+Hso,,Iso才/端01mlmy

時(shí)間序列數(shù)據(jù)：

在不同時(shí)間點(diǎn)上收集到的數(shù)據(jù)，這類數(shù)據(jù)反映了某一事物、現(xiàn)象等隨時(shí)間的

變化狀態(tài)或程度。

面板數(shù)據(jù)：

是截面數(shù)據(jù)與時(shí)間序列數(shù)據(jù)綜合起來的一種數(shù)據(jù)類型。其有時(shí)間序列和截面

兩個(gè)維度，當(dāng)這類數(shù)據(jù)按兩個(gè)維度排列時(shí)，是排在一個(gè)平面上，與只有一個(gè)維度

的數(shù)據(jù)排在一條線上有著明顯的不同，整個(gè)表格像是一個(gè)面板，所以把panel

data譯作“面板數(shù)據(jù)”。

舉例：

如：城市名：北京、上海、重慶、天津的GDP分別為10、11、9、8（單位億

元）.這就是截面數(shù)據(jù)，在一個(gè)時(shí)間點(diǎn)處切開，看各個(gè)城市的不同就是截面數(shù)據(jù)。

如：2000、2001,2002,2003、2004各年的北京市GDP分別為8、9、10、

11,12（單位億元）。這就是時(shí)間序列，選一個(gè)城市，看各個(gè)樣本時(shí)間點(diǎn)的不同

就是時(shí)間序列。

如：2000、2001、2002、2003、2004各年中國所有直轄市的GDP分別為：

北京市分別為8、9、10、11、12;

上海市分別為9、10、11、12、13；

天津市分別為5、6、7、8、9：

重慶市分別為7、8、9、10、11（單位億元）。

這就是面板數(shù)據(jù)。

*變量合并

2、截面數(shù)據(jù)，多重共線性和異方差都需要考慮，截面數(shù)據(jù)不需要檢測DW

值！你做出來R方比較小，可能原因是你的回歸方程中沒有納入關(guān)鍵變量，建

議你采用逐步回歸方法，以提高R方！對于截面數(shù)據(jù)來說，R方一般在0.7左

右都能接受！相關(guān)分析不是必要做的，在模型中加入什么變量進(jìn)行回歸，主要

是依據(jù)前期的理論分析和研究目的！僅就計(jì)量回何而言，這些步驟只是告訴

你，自變量與因變量的相關(guān)性會影響變量在模型中的顯著性，而自變量間的相

關(guān)則會帶來多重共線性！

3、線性相關(guān)，也叫自相關(guān)：可以用來看x和y的相關(guān)性，常用來考察各個(gè)x

自變量之間是否存在相關(guān)關(guān)系。

相天

本例命令pwcorrxy,sig

pwcorrxy,sig

x1.0000

I

y0.59941.0000

0.0182

Pearson相關(guān)系數(shù)二0.5994,P值=0.0182<0.05,因此可以認(rèn)為身高與體

重呈正線性相關(guān)。

4、保留字符串中的前四個(gè)字符、excel自動(dòng)重算

genvar2=substr(var1,1,4)從第1位開始提取后面的4位數(shù)

excel有時(shí)候填充柄功能不行，下拉只能是復(fù)制，而不能把公式一直用下來，這

個(gè)時(shí)候，應(yīng)該操作：文件-選項(xiàng)-公式-自動(dòng)重算。即可。

5、Stata的單引號很特別，是''有兩個(gè)符號，左邊是Tab鍵上面那個(gè)

鍵，即~鍵，右邊是引號鍵，即回車鍵左邊這個(gè)。要分別按兩個(gè)組成一個(gè)單引

號。

6、把字符型日期改成數(shù)值型

destringdate,repIaceignore-")

這個(gè)命令的意思是，杷date時(shí)間那一列，原來這一列是字符型格式，如2016-

01-13,那么要做時(shí)間序列來處理的話，先要改成數(shù)值型格式，比如20160113,

這個(gè)命令就是把這個(gè)字符串里面的給刪除掉。

destringgov_0,repIace

或者可以直接通過這個(gè)語句來把一個(gè)變量由字符串變成數(shù)值型。

7、截面數(shù)據(jù)的回歸

regyx1x2x3x4x5,robust截面數(shù)據(jù)一定要加robust

.regvar2var3var4var5

SourceSSdfMSNunb?sofoba■473

F(3,469)?108.13

Model19.608791636.53626385Prob>F=0.0000

Residual28.3504347469.060448688R-squaredr=6.408>

AdjR-squared=0.4051

Total47.9592263472.10160853RootMSZ?.24586

var2Coef.Std.￡rrzP>ltl[95%Conf.Interval]

var3Z.0023668\.00058644.04/o.ooo\.0012145.0035191

I0.000

vas41.63?-12-7.91-9.71?-12

vasSV21.726491.23444217.60\.ooo119.3007724.15221

/-19.32279

_cons1.058402-16.29O\DO-15.16319

R方是可以解釋y變量的40%左右，不好。Cons是常數(shù)項(xiàng)，p小于0.1比較好。

8、廣義差分法

2.廣義差分法

廣義差分法是將原模型變換為滿足OLS法的

差分模型，再進(jìn)行OLS估計(jì)。

①設(shè)有一元線性模型匕=&+萬陽+自（1）

存在一階自相關(guān)4=p禺T+V,

其中：5為滿足基本假定的擾動(dòng)項(xiàng)

將模型滯后一期有：匕_產(chǎn)用+4陽.1+〃1

方程兩邊同乘P,并與原模型（1）相減得

z—aT=你1—2）+力（用一曲-）+（4-0?。?）

定義變量變換：①）

然,TJ

稱（3）式為廣義差分變換。（2）式可表示為:

Y；川B、X：+v,(4)

其中：月=4（1—,）

（4）式是經(jīng)廣義差分變換得到的模型，稱為廣義差分模型。

變換后擾動(dòng)項(xiàng)滿足基本假定，故對（4）式作OLS回歸，得估

計(jì)值說、￡,進(jìn)而得平Q

此法稱廣義差分估計(jì)法、_

在（3）式中，若。=1,貝IJ（3）式變?yōu)?

Y：=Y,-Y,_,=AY,

X；=X「X,_a(5)

此時(shí)（5）式稱為差分變換。只要DW^O,則"=1

就可以用一階差分法對模型進(jìn)行變換。

②若有多元回歸模型

匕=4+四X”+P2Xlt+...+J3kxh+fl,(t=l,2...n)(6)

存在一階自相關(guān)：兒=0AT+匕

其中：％為滿足基本假定的擾動(dòng)項(xiàng)

同理可吵空駕的T/差分飛：

(X；=X.2,...,k

可得滿足捻*假定敢亡&：

=A+M+M+--+4罵+匕(t=2,3,…,k)

="中：優(yōu)=^他&

禽=風(fēng)八一6f

S士中的義…：粼4鍥原模型⑹中的兒…，4

廣義差分跑不需在序列才於市菽)

可進(jìn)行OLS浙七-----

9、序列相關(guān)、自相關(guān)

序列相關(guān)性，在計(jì)量經(jīng)濟(jì)學(xué)中指對于不同的樣本值，隨機(jī)干擾之間不再是完全相互獨(dú)立的，而是存在某種相關(guān)性。

又稱自相關(guān)(autocorrelation),是指總體回歸模型的隨機(jī)誤差項(xiàng)之間存在相關(guān)關(guān)系。在回歸模型的古典假定中是

假設(shè)隨機(jī)誤差項(xiàng)是無自相關(guān)的，即在不同觀測點(diǎn)之間是不相關(guān)的。如果該假定不能滿足，就稱與存在自相關(guān)，即不

同雙;咚面肉舌際符甘柏能.相芋的理府H用自相關(guān)系紇表示.根據(jù)自相關(guān)系數(shù)的符號可以判斷自相關(guān)的狀

態(tài)，則ut與Ut-1為正關(guān)；如果=0,則ut與ut-1不相關(guān)斗

10、截面數(shù)據(jù)、時(shí)間序列、面板數(shù)據(jù)示例

截面數(shù)據(jù)：一個(gè)時(shí)間節(jié)點(diǎn)

AD

中興通訊

PV'、0.8629—1962

TR\12.98751414T0227710.546855

VA\411237036854.4E+103.97E+10

LI0.8607000984.4485314.378575

時(shí)間序列：多個(gè)時(shí)間節(jié)點(diǎn)，一家企業(yè)

日期中集集團(tuán)I中集集團(tuán)I中集集團(tuán)卬集藁團(tuán)）_______

1-J相對操手聞市值--------

/^014-trk030.85494.65969401305216140.860700098

/2014-01-0K0.906011.92745388874786650.860700098

2014-01-07、0.935020.91763393801965340.860700098

\2014-01-08\0.89286.091896400509043540.860700098

\0.9069

4-01-0913.29034399772566470.860700098

20iMj-10J0.901214.05305391373415600.860700098

面板數(shù)據(jù)：不同公司，不同時(shí)間點(diǎn)

[date

companyP_trsize1i

000039SZ=矣其可’000039var8

'0000390860700T'000039

000039SZ=冥賓532014-01-060.906006711.92745338887478665

000039SZu美矣無'000039201?1-070.934977920.9176253938019653408607001’000039

000039.SZ=笑臭文'0000392(/4-0\-080.89279196.09189634005090435408607001‘000039

000039.SZ=吳矣藥’000039i6l4-01)090.906885213.290341399772S66470.8607001’000039

000039.SZu案關(guān)靈'0000392014-01-\00.901202514.053051391373415600.8607001'000039

000039.SZu案笑罡'0000392014-01-1B0.874245610.806742399356596870.8607001’000039

000039.SZU案美麥’0000392014-01-140.860153715.639866404328931580.8607001’000039

000039.SZ-’0000392014-01-150.858635915.993744405471640930.8607001'000039

U案矣矛

0000391^Z’0000392014-01-16862869512.987514411237036850.8607001’000039

000063%Z’000063‘000039

u其2由/2014-01-030.973811.183936474277809744.4485306

0000?3.￡-'0000632014-01-06(.98901780.6768784460259394004.4485306‘000063

0000C3.SZu義:4由’0000632014-01-07：.04490330.41303354502579018644485306‘000063

000003SZu共疸訊'00006320144)1-08C99998760.59528284522239882944485306'000063

OOOOC3.SZU義理訊’00006320143,9C95671321.2822934522426408744485306‘000063

000003SZU桌速粗'00006320144)1-10G96864551.56047694436281087644485306’000063

0000?3.SZU興也說'0000632014X)1-13C96480782.57911284253870023244485306‘000063

000063.SZU共電訊'0000632014^)1.14C96495432.07613814251641441844485306‘000063

000063.SZ匚義恚J二0000632014X)1-15C.92S62690.86562894232425968144485306‘000063

000063.SZ/訊叫》632014^)1-16(90761221.02277084395541325844485306'000063

000157S3宣科'0001572014^)1X)3150243840.86827614139825542243785753"000063

，5634584

000157SZ'電宣科'000157￡014^1^)60.86490484027726759843785753'000157

15642388

000157SZ=經(jīng)重科00015710144)1-071.03906514034399618343785753000157

000157SZ二專重容'0001572014-01-0^153680550.86429944038526185443785753,000157

000157SZ=專案科'0001572034-01>09155395091.11266353982182954643785753’000157

000157SZ=專重駕'00015720lWl-10153987341.0376249393245165314.3785753'000157

000157SZ=衰重為'00015720142301062396065017914.3785753'000157

000157,SZ=款重科'0001572014*01-141497go440.8243779398165524574.3785753’000157

000157.SZ=裂重科'0001571.0072694397120243464.3785753’000157

11、時(shí)間序列、面板數(shù)據(jù)回歸分析

時(shí)間序列：

先要tssetvar1\*var1是時(shí)間的一列，先用這個(gè)命令表示這一列是時(shí)間序

列

再用regyx1x2x3x4x5

面板序列：

xtsetvar1date

這是想要設(shè)定前兩個(gè)變量，必須這樣弄，才可以進(jìn)行面板數(shù)據(jù)的后續(xù)探討

xtsetvarldate

panelvariable:varl(stronglybalanced)

timevariable:date,20140103to20140116,butwithgaps

delta:1unit

12、把字符型改成數(shù)值型

destringvarl,replace把varl改成數(shù)值型，原來是字符型

13、面板數(shù)據(jù)先用隨機(jī)效應(yīng)和固定效應(yīng)都試一下，看哪個(gè)好，語句：

Hausman檢驗(yàn)有兩種，一種做隨機(jī)模型和固定效應(yīng)模型，一種是檢驗(yàn)OLS和IV估

計(jì)

一般而言估計(jì)面板數(shù)據(jù)容易走到兩個(gè)極端：一個(gè)是把其看成截面數(shù)據(jù)而進(jìn)行混合回歸，

要求每個(gè)個(gè)體都有完全相同的回歸方程；另一個(gè)是為每個(gè)個(gè)體估計(jì)一個(gè)單獨(dú)的回歸方程。前

者忽略個(gè)體間不可預(yù)測或被遺漏的異質(zhì)性，而該異質(zhì)性與解釋變量相關(guān)而導(dǎo)致估計(jì)不一致，

后者則忽略個(gè)體間的共性，也可能沒有足夠大的樣本容量。折中的估計(jì)策略：假定個(gè)體的回

歸方程擁有相同的斜率，但可以有不同的截距項(xiàng)，來捕捉異質(zhì)性，這稱為“個(gè)體效應(yīng)模型

包括個(gè)體固定效應(yīng)、個(gè)體隨機(jī)效應(yīng)、混合效應(yīng)。

xtregvar3var4var5var6,fe\*固定效應(yīng)估計(jì)

eststorefe\*儲存結(jié)果

xtregvar3var4var5var6,re\*隨機(jī)效應(yīng)估計(jì)

eststorere\*儲存結(jié)果

hausmanfere,constantsigmamore\*這是hausman檢臉的語句

面板數(shù)據(jù)的hausman檢驗(yàn)

原假設(shè)是隨機(jī)效應(yīng)，p值太小可以拒絕原假設(shè)，如果hausman檢驗(yàn)■的結(jié)果

(Prob>chi2)小于0.1,那么選擇固定效應(yīng)：如果(Prob>chi2)大于0.1,或者chi2

的值小于0,那么選擇隨機(jī)效應(yīng)。

:注意:術(shù)語“隨機(jī)效應(yīng)模型”和“固

庭效應(yīng)模型”用得并不十分恰當(dāng)，

;容易產(chǎn)生誤解。其實(shí)固定效應(yīng)模型

應(yīng)該稱之魚殛逐應(yīng)模型)而隨

機(jī)效應(yīng)模矗該稱之力飛畫?美效一二

:應(yīng)模型”。因?yàn)楣潭ㄐ?yīng)模型和隨機(jī)

:效應(yīng)模型中的0都是隨機(jī)變量。

14、總體參數(shù)的實(shí)際值與其估計(jì)值相等時(shí)，估計(jì)量具有無偏性

樣本相同、用不同的方法估計(jì)參數(shù)，可以找到若干個(gè)不同的估計(jì)式，其中抽樣分

布具有最小方差的估計(jì)式(最小方差準(zhǔn)則)，稱為最佳性準(zhǔn)則。既是無偏的同時(shí)

又具有最小方差的估計(jì)式，稱為最佳無偏估計(jì)式。

當(dāng)樣本容量較小時(shí)，有時(shí)很難找到最佳無偏估計(jì)，需要考慮樣本擴(kuò)大后的性質(zhì)：

一致性：當(dāng)樣本容量n趨于無窮大時(shí)，如果估計(jì)式依概率收斂于總體參數(shù)的真

實(shí)值，就稱這個(gè)估計(jì)式是其實(shí)值的一致估計(jì)式。漸近有效性：當(dāng)樣本容量n趨

于無窮大時(shí)，在所有的一致估計(jì)式中，具有最小的漸近方差。

無偏性編段回目錄

一個(gè)總體參數(shù)的無偏性是，其期更值等于參數(shù)真值檄計(jì)量

這意味著無論你取無數(shù)個(gè)樣本,計(jì)算每個(gè)樣本的估計(jì)值，曲彳晶平均值將會等于吃些少

也就是說樣本統(tǒng)計(jì)量

一致性痛肺段回目錄

如果隨著樣本容量的增大，跑訐痂金血差云灣么我們說這個(gè)無偏估計(jì)量具有一致性

用方差來測度二者相似的程度。

有效性:扁揖本段回目錄

如果T參數(shù)有兩個(gè)無制古計(jì)量，我們說方差卒爻小的估計(jì)蚩是相對有效的。方估計(jì)量就是嬴就

估計(jì)量的一致性

是指：爐t靈器

尢觸根腌威耦標(biāo)犍楝具有飯藪由）

15、注釋語句

xtregvar3var4var5var6,re/*隨機(jī)效應(yīng)估計(jì)*/

備注語句在command窗口不行，但是在do窗口可以

16、平穩(wěn)序列、單位根檢驗(yàn)、隨機(jī)游走、白噪聲序列

某人認(rèn)為：面板數(shù)據(jù)的單位根檢臉出來的最優(yōu)滯后階，只是看出來面板數(shù)據(jù)

的平穩(wěn)性，之所以從后面比較大的數(shù)字往回走，是因?yàn)閿?shù)字越大，可能越難滿足，

因此從后面階數(shù)往回走，滿足平穩(wěn)性的要求，更加有說服力。

某人認(rèn)為：滯后階越大，說明變量越多，越好？沒懂。。

先用dfuller來看觀察值個(gè)數(shù)【為什么觀察值比原始數(shù)據(jù)的值少一百多個(gè)？】

dfullervar2

(^377^

Dickey-FullertestforunitrootNuziberofobs

10%Critical

StatisticValueValueValue

單位根檢驗(yàn)，選擇最大最合適的滯后階、最優(yōu)滯后階

di12*(122/100)A(1/4)122是表示觀察值個(gè)數(shù)di12*(122/100)A(1/4)

.di12*(377/100)*(1/4)

16.721167

取值16階

dfullervar2,lags(16)reg

【但由于存在gap,就是時(shí)間不連續(xù)的問題，所以直接用16階會出現(xiàn)，選擇更小的階

數(shù)？】

reg

是因?yàn)闀r(shí)間不連續(xù)，出現(xiàn)了gap,可自己重新定義連續(xù)的時(shí)間變量。

數(shù)據(jù)變量的平穩(wěn)性是傳統(tǒng)的計(jì)量經(jīng)濟(jì)分析的基本要求之一。只有模型中的變

量滿足平穩(wěn)性要求時(shí)，傳統(tǒng)的計(jì)量經(jīng)濟(jì)分析方法才是有效的。而在模型中含有非

平穩(wěn)時(shí)間序列式，基于傳統(tǒng)的計(jì)量經(jīng)濟(jì)分析方法的估計(jì)和檢臉統(tǒng)計(jì)計(jì)量將失去通

常的性質(zhì)，從而推斷得出的結(jié)論可能是錯(cuò)誤的。因此，在建立模型之前有必要檢

驗(yàn)數(shù)據(jù)的平穩(wěn)性。這就是平穩(wěn)性檢驗(yàn)。

平穩(wěn)性檢臉就是單位根檢臉，單位根檢臉是指檢臉序列中是否存在單位根，

因?yàn)榇嬖趩挝桓褪欠瞧椒€(wěn)時(shí)間序列了。單位根就是指單位根過程，可以證明，

序列中存在單位根過程就不平穩(wěn)，會使回歸分析中存在偽回歸。

平穩(wěn)時(shí)間序列是意義上，隨便截一個(gè)時(shí)間段內(nèi)的樣本值，他們的聯(lián)合概率分

布都是一樣的，不會有差別。但是這跟樣本值之間的相關(guān)性不沖突，樣本值之間

也許存在高度相關(guān)。

?給出一個(gè)隨機(jī)時(shí)間序列，首先可通過該

序列的時(shí)間路徑圖來粗略地判斷它是否

是平穩(wěn)的。

??個(gè)平穩(wěn)（的麗朝I在圖形上往往表現(xiàn)

出一種圍變其均值外艇刎過程；

?而羿平穩(wěn)呼磔往表現(xiàn)出在不同的時(shí)

間的有刷磔值（如持續(xù)上升或持

續(xù)下降）。"一

圖9.1平穩(wěn)時(shí)間序列與非平穩(wěn)時(shí)間序列圖

意思就是，如果有單位根，那么不平穩(wěn)，變量之間的相關(guān)關(guān)系可能是假的，

他們之所以相關(guān)，很可能是因?yàn)樗麄冸S時(shí)間變化本來就變化，比如隨著時(shí)間的推

移，數(shù)值都會變大，那么他們之間的正相關(guān)關(guān)系也是假的，回歸關(guān)系也是假的。

幾種主要的平穩(wěn)性檢驗(yàn)方法

D"C1AI＞臉蛤法

PP檢驗(yàn)法

霍爾工具變量法

DF-GLS檢蠟法

KPSS檢瞼法

LMC檢險(xiǎn)法

17、刪除行、excel插入多行

dropin489\*刪除第489行

dropin1/3刪除1至3行

dropifvar2==.\*刪除空值的行，制定一個(gè)變量只有空值行才會出現(xiàn)空值

就可以啦

excel插入多行：你可以先插入一行，再插入一行之后，你選中兩行，右鍵點(diǎn)擊

插入的話，會直接插入兩行的，這時(shí)就插入了四行，以次類推

18、白噪聲序列

得到白噪聲序列，就說明時(shí)間序列中有用的信息已經(jīng)被提取完畢了，剩下的全

是隨機(jī)擾動(dòng)，是無法預(yù)測和使用的，殘差序列如果通過了白噪聲檢臉，則建模就

可以終止了，因?yàn)闆]有信息可以繼續(xù)提取。

19、格蘭杰檢驗(yàn)步驟

通過了平穩(wěn)檢驗(yàn)就不用做協(xié)整分析了，如果差分n階單整就要做協(xié)整檢驗(yàn)，否則就不用做。

相關(guān)的stata命令可以有三種。

方法一：

regyL.yL.x（滯后1期）

estatic（顯示AIC與BIC取值，以便選擇最佳滯后期）

regyL.yL.xL2.yL2.x

estatic（顯示AIC與BIC取值，以便選擇最佳滯后期）

根據(jù)信息準(zhǔn)則確定p,q后，檢驗(yàn)；所用的命令就是test

特別說明，此處p和q的取值完全可以不同，而且應(yīng)該不同，這樣才能獲得最有說服力的結(jié)

果，這也是該方法與其他兩個(gè)方法相比的最大優(yōu)點(diǎn)，該方法缺點(diǎn)是命令過于繁瑣。

方法二：

sscinstallgcause（下載格蘭杰因果檢驗(yàn)程序gcause）

gcauseyx,lags（1）（滯后1期）

estatic（顯示AIC與BIC取值，以便選擇最佳滯后期）

gcauseyx,lags（2）（滯后2期）

estatic（顯示AIC與BIC取值，以便選擇最佳滯后期）

特別說明，在選定滯后期后，對于因果關(guān)系檢驗(yàn)，該方法提供F檢驗(yàn)和卡方檢驗(yàn)。如果兩個(gè)

檢驗(yàn)結(jié)論不一致，原則上用F檢驗(yàn)更好些。因?yàn)榭ǚ綑z驗(yàn)是一個(gè)大樣本檢驗(yàn)，而實(shí)證檢驗(yàn)所

能獲得的樣本容量通常并不大，如果采用的是大樣本，則以卡方檢驗(yàn)結(jié)果為準(zhǔn)。不過，通常

情況下，大樣本下兩個(gè)檢驗(yàn)結(jié)論一致，所以不用擔(dān)心。綜上，F(xiàn)檢驗(yàn)適用范圍更廣。

方法三：

varyx（向量自回歸）\*建立向量自回歸模型

vargranger

注意：2、如果實(shí)際檢驗(yàn)過程中AIC和BIC越來越小，直到不能再滯后（時(shí)間序列長度所

限卜這樣的話，可能數(shù)據(jù)確實(shí)存在高階自相關(guān)。在這種情況下，可以限制p的取值，比如

取最大的或，。

2、回歸結(jié)果中各期系數(shù)顯著性不同，有的不顯著有的顯著，如實(shí)匯報(bào)就可以。最好全部匯

報(bào)。不顯著的期數(shù)可能意味著那一期的自相關(guān)很弱。

最后做格蘭杰，是想對每個(gè)公司都做一遍，那前面做單位根檢驗(yàn)、以及協(xié)整檢驗(yàn)是否錯(cuò)誤了，

因?yàn)槟鞘菍γ姘鍞?shù)據(jù)進(jìn)行檢驗(yàn)？批注[B1]:

三,格蘭杰因果關(guān)系檢驗(yàn)的步驟

（1）蓼逾的上時(shí)所有的滯后項(xiàng)y以及別的什么變量（型有的話）做回歸，即y對y

的滯后yt?2：…，ytp及其他變量的回歸，但在這二麗牛沒在把一后項(xiàng)x包括進(jìn)

來，這"■氽曼的甫的問III舔后從此問歸得到受約度的殘差平#和RSSR.

（2）做一個(gè)含有滯后項(xiàng)x的回歸，即在前面的回歸式中加進(jìn)滯后項(xiàng)x,這是一個(gè)無約束的

回歸，由此回歸得到無約束的殘差平方和RSSUR.

（3）零假設(shè)是HO：al=a2=...=aq=0,即滯后項(xiàng)x不屬于此回歸.

它遵循自由度為q和（n?k）的F分布.在這里，n是樣木容量，q等于滯后項(xiàng)x的個(gè)數(shù)，即有

約束回歸方程中待估參數(shù)的個(gè)數(shù)，k是無約束回歸中待估參數(shù)的個(gè)數(shù)。

（5）如果在選定的顯著性水平a上計(jì)算的F值炒股臨界Fa值，則拒絕零假設(shè)，這樣滯后

x項(xiàng)就屬于此回歸，表明x是y的原因。

（6）同樣，為了檢驗(yàn)y是否是x的原因，可將變量y與x相互替換，重復(fù)步驟（1）?（5）?

20、自相關(guān)系數(shù)、卡方檢險(xiǎn)

相關(guān)系數(shù)度量的照里吃螃螃間的相互彩的程度，而自相關(guān)系觸度里的是同一事住在兩個(gè)不同時(shí)期之間的相關(guān)程m,

彩彖的講就是度里的行為對金惠企y晌，

RMSEMSS就是standarderror

R-sqSR73

R?福^方的耀色〉

次J2個(gè)木毓的p宿

20、一階單整

如果一個(gè)時(shí)間序列經(jīng)過一次差分變成平穩(wěn)的，則稱原序列是2階單整的，記為I

（2）,一般地，如果時(shí)間序列經(jīng)過d次差分后變成平穩(wěn)序列，則稱原序列是d

階單整序列，記為I（d）。因此同階單整是指兩個(gè)時(shí)間序列同為d階單整。

22、單位根檢驗(yàn)、協(xié)整檢驗(yàn)和格蘭杰因果關(guān)系檢驗(yàn)三者之間的關(guān)系

做差分才平穩(wěn)的，成為n階單整，只要是同階單整，就可以往下做協(xié)整，都

是用原數(shù)據(jù)來做協(xié)整分析和回歸分析的！

補(bǔ)充文中的一點(diǎn)，只要是同階單整就可以直接用原數(shù)據(jù)做協(xié)整當(dāng)存在協(xié)整

關(guān)系后還是用原數(shù)據(jù)做格蘭杰以及后面的VAR/VEC等

實(shí)證檢臉步驟：先做單位根檢驗(yàn)，看變量序列是否平穩(wěn)序列，若平穩(wěn)，可構(gòu)造回

歸模型等經(jīng)典計(jì)量經(jīng)濟(jì)學(xué)模型；若非平穩(wěn)，進(jìn)行差分，當(dāng)進(jìn)行到第i次差分時(shí)序

列平穩(wěn)，則服從i階單整（注意趨勢、截距不同情況選擇，根據(jù)P值和原假設(shè)判

定）。

若所有檢臉序列均服從同階單整，可構(gòu)先做單位根檢驗(yàn)，看變量序列是否平穩(wěn)序

列，若平穩(wěn)，可構(gòu)造回歸模型等經(jīng)典計(jì)量經(jīng)濟(jì)學(xué)模型：若非平穩(wěn)，進(jìn)行差分，當(dāng)

進(jìn)行到第i次差分時(shí)序列平穩(wěn)，則服從i階單整（注意趨勢、截距不同情況選

擇，根據(jù)P值和原假設(shè)判定）。

造VAR模型，做協(xié)整檢驗(yàn)（注意滯后期的選擇），判斷模型內(nèi)部變量間是否存在

協(xié)整關(guān)系，即是否存在長期均衡關(guān)系。協(xié)整檢驗(yàn)的原假設(shè)就是，變量回歸后的殘

差是平穩(wěn)序列.如若殘差是平穩(wěn)序列，說明存在協(xié)整關(guān)系，如果殘差序列有單位

根，則協(xié)整關(guān)系不存在。

如果有協(xié)整關(guān)系，則可以構(gòu)造VEC模型或者進(jìn)行Granger因果檢臉，檢驗(yàn)變量之

間“誰引起誰變化”，即因果關(guān)系。

一、討論一

1,單位根檢驗(yàn)是序列的平穩(wěn)性檢驗(yàn)，如果不檢驗(yàn)序列的平穩(wěn)性直接OLS容易導(dǎo)

致偽回歸。

2、當(dāng)檢臉的數(shù)據(jù)是平穩(wěn)的（即不存在單位根），要想進(jìn)一步考察變量的因果聯(lián)系，

可以采用格蘭杰因果檢臉，但要做格蘭杰檢驗(yàn)的前提是數(shù)據(jù)必須是平穩(wěn)的，否則

不能做。

3、當(dāng)檢驗(yàn)的數(shù)據(jù)是非平穩(wěn)（即存在單位根），并且各個(gè)序列是同階單整（協(xié)整檢

臉的前提），想進(jìn)一步確定變量之間是否存在協(xié)整關(guān)系，可以進(jìn)行協(xié)整檢臉，協(xié)

整檢驗(yàn)主要有EG兩步法和JJ檢驗(yàn)A、EG兩步法是基于回歸殘差的檢驗(yàn)，可以通

過建立OLS模型檢臉其殘差平穩(wěn)性B、JJ檢驗(yàn)是基于回歸系數(shù)的檢臉，前提是建

立VAR模型（即模型符合ADL模式）

4,當(dāng)變量之間存在協(xié)整關(guān)系時(shí)，可以建立ECM進(jìn)一步考察短期關(guān)系，Eviews這

里還提供了一個(gè)Wald—Granger檢臉，但此時(shí)的格蘭杰已經(jīng)不是因果關(guān)系檢驗(yàn)，

而是變量外生性檢驗(yàn)，請注意識別

二、討論二

1、格蘭杰檢驗(yàn)只能用于平穩(wěn)序列！這是格蘭杰檢驗(yàn)的前提，而其因果關(guān)系并非

我們通常理解的因與果的關(guān)系，而是說x的前期變化能有效地解釋y的變化，

所以稱其為“格蘭杰原因”。

2、非平穩(wěn)序列很可能出現(xiàn)偽回歸，協(xié)整的意義就是檢臉?biāo)鼈兊幕貧w方程所描述

的因果關(guān)系是否是偽回歸，即檢驗(yàn)變量之間是否存在穩(wěn)定的關(guān)系。所以，非平穩(wěn)

序列的因果關(guān)系檢臉就是協(xié)整檢臉。

3、平穩(wěn)性檢驗(yàn)有3個(gè)作用：2）檢驗(yàn)平穩(wěn)性，若平穩(wěn)，做格蘭杰檢驗(yàn)，非平穩(wěn)，

作協(xié)正檢臉。2）協(xié)整檢驗(yàn)中要用到每個(gè)序列的單整階數(shù)。3）判斷時(shí)間學(xué)列的數(shù)

據(jù)生成過程。

三、討論三其實(shí)很多人存在誤解。有如下幾點(diǎn)，需要澄清:

第一，格蘭杰因果檢驗(yàn)是檢驗(yàn)統(tǒng)計(jì)上的時(shí)間先后順序，并不表示而這真正存在因

果關(guān)系，是否呈因果關(guān)系需要根據(jù)理論、經(jīng)驗(yàn)和模型來判定。

第二，格蘭杰因果檢驗(yàn)的變量應(yīng)是平穩(wěn)的，如果單位根檢驗(yàn)發(fā)現(xiàn)兩個(gè)變量是不穩(wěn)

定的，那么，不能直接進(jìn)行格蘭杰因果檢臉，所以，很多人對不平穩(wěn)的變量進(jìn)行

格蘭杰因果檢驗(yàn)，這是錯(cuò)誤的。

第三，協(xié)整結(jié)果僅表示變量間存在長期均衡關(guān)系，那么，到底是先做格蘭杰還是

先做協(xié)整呢？因?yàn)樽兞坎黄椒€(wěn)才需要協(xié)整，所以，首先因?qū)ψ兞窟M(jìn)行差分，平穩(wěn)

后，可以用差分項(xiàng)進(jìn)行格蘭杰因果檢驗(yàn)，來判定變量變化的先后時(shí)序，之后，進(jìn)

行協(xié)整，看變量是否存在長期均衡。

第四，長期均衡并不意味著分析的結(jié)束，還應(yīng)考慮短期波動(dòng)，要做誤差修正檢驗(yàn)。

22、AR模型、平穩(wěn)時(shí)間序列

AR模型是一種線性預(yù)測，即已知N個(gè)數(shù)據(jù)，可由模型推出第N點(diǎn)前面或后面的

數(shù)據(jù)（設(shè)推出P點(diǎn)），所以其本質(zhì)類似于插值，其目的都是為了增加有效數(shù)據(jù)，

只是AR模型是由N點(diǎn)遞推，而插值是由兩點(diǎn)（或少數(shù)幾點(diǎn)）去推導(dǎo)多點(diǎn)，所以

AR模型要比插值方法效果更好。

平穩(wěn)時(shí)間序列粗略地講，一個(gè)時(shí)間序列，如果均值沒有系統(tǒng)的變化（無趨勢）、

方差沒有系統(tǒng)變化，且嚴(yán)格消除了周期性變化，就稱之是平穩(wěn)的。

23、AIC、SC最小原則

AIC最小原則是判定模型好壞標(biāo)準(zhǔn)之一，猶如R2（R平方）一樣。AIC和SC（舒

瓦茨信息）常常一并作為判斷模型擬合程度的標(biāo)準(zhǔn)之一，特別是在滯后階數(shù)的選

擇上。比如說，一個(gè)VAR（向量自回歸模型），經(jīng)濟(jì)理論往往無法確定滯后階數(shù)，

這時(shí)往往采用AIC或者SC最小原則，即觀察不同的階數(shù)的VAR模型，哪個(gè)模型

的AIC或者SC值最小就選用哪個(gè)模型進(jìn)行分析。AIC、SC都會在模型參數(shù)中給

出。除了R2、AIC、SC之外，常用的判斷標(biāo)準(zhǔn)還有Lg（極大似然法...

Stata如何運(yùn)用？

自回歸：

是統(tǒng)計(jì)上一種處理時(shí)間序列的方法，是用同一變量之前各期的表現(xiàn)情況，來預(yù)測

該變量本期的表現(xiàn)情況，并假設(shè)它們?yōu)橐辉€性關(guān)系。因?yàn)檫@是從回歸分析中的

線性回歸發(fā)展而來，只是不是用來預(yù)測其他變量，而是用來預(yù)測自己：所以叫做

自回歸。

條件：

2、必須具有自相關(guān)，自相關(guān)系數(shù)（）是關(guān)鍵。如果自相關(guān)系數(shù)（R）小于0.5,則

不宜采用，否則預(yù)測結(jié)果極不準(zhǔn)確。

2、自回歸只能適用于預(yù)測與自身前期相關(guān)的經(jīng)濟(jì)現(xiàn)象，即受自身歷史因素影響

較大的經(jīng)濟(jì)現(xiàn)象，如礦的開采量，各種自然資源產(chǎn)量等；對于受社會因素影響較

大的經(jīng)濟(jì)現(xiàn)象，不宜采用自回歸，而應(yīng)改采可納入其他變數(shù)的向量自回歸模型。

24、滯后階和差分的關(guān)系

滯后一階，Y對Xt-2的反映程度，由于滯后，Y可能跟上一期的X有關(guān)系。

有些變量的反應(yīng)會出現(xiàn)延遲現(xiàn)象，所以一個(gè)變量可能跟它自己的前一期有密切的

關(guān)系，這個(gè)就叫做變量存在滯后情況。

滯后項(xiàng)一般是指該變量的前一期的值，而差分則是當(dāng)期值與前一期的值之差；

滯后二階就是前兩期的值，二階差分就是后一期一階差分減去前一期一階差分。

差分是為了更簡便有效的提取觀察序列中的確定性信息，其實(shí)質(zhì)是使用自回歸

的方式提取確定性信息。

25、刪除缺失值所在的行

egenmis=rowmiss(_aII)

dropifmis

如果樣本量比較大，且樣本是隨機(jī)抽樣得到的，那么刪除含有缺失值的樣本比較

好；

如果樣本量比較小，可以用均值代替缺失值。這里的均值可以是總體樣本該缺失

值指標(biāo)的均值，也可以是缺失值上下兩期間的均值(個(gè)人因?yàn)楹笳呖赡芟鄬眯?。

沒有太嚴(yán)格的標(biāo)準(zhǔn)，看你自己抉擇的。祝好運(yùn)。

缺失值大于任何一個(gè)數(shù)值

將上述數(shù)據(jù)復(fù)制到STATA中，然后退出數(shù)據(jù)編輯器。

.genagegrp1=(age>=65)

生成的數(shù)據(jù)中，將缺失值視為65歲以上分在了高齡組，這是錯(cuò)誤的

.genagegrp2=(age>=65)ifcige<.

生成的數(shù)據(jù)中，將缺失值排除在外，正確！這一命令常被用于生成虛擬變量.

,gen(igegrp3-(age=z=65)ifage<.〃僅判斷是否恰好為65歲

.list〃比較agegrpl、agegrp2和agegrp3的差異，體會的作用:

ageAgegrplAgcgrp2Agegrp3

38000

1

65111

42000

26、在做單位根時(shí)，多個(gè)公司只有一個(gè)收益率的指標(biāo)，也應(yīng)該弄成面板

數(shù)據(jù)

ABC

12014-01-024.1723

12014-01-031.5504

12014-01-06-3.3079

12014-01-073.0263

12014-01-08-0.4470

12014-01-091.7960

12014-01-10-3.0876

12014-01-13-0.1951

12014-01-143.9739

12014-01-150.5639

12014-01-162.9283

12014-01-17-1.3317

12014-01-200.1840

12014-01-213.7967

12014-01-22-0.2950

12014-01-23-0.5917

12014-01-24-0.5357

第一列是公司，第二列是日期，日期不能有g(shù)ap,要重新弄，緊密的

EFGH

varl/L呼var3

1[2014010^

4.1723

20140103、、1.5504

1\20140104、.3O79

1)

2014010510263

\20140106

-0W470

\20140107

1