空間隨機前沿stata命令

❶ hansen檢驗 指令是什麼 stata

stata命令大全
********* 面板數據計量分析與軟體實現 *********

說明：以下do文件相當一部分內容來自於中山大學連玉君STATA教程，感謝他的貢獻。本人做了一定的修改與篩選。

*----------面板數據模型

* 1.靜態面板模型：FE 和RE

* 2.模型選擇：FE vs POLS, RE vs POLS, FE vs RE （pols混合最小二乘估計）

* 3.異方差、序列相關和截面相關檢驗

* 4.動態面板模型（DID-GMM,SYS-GMM）

* 5.面板隨機前沿模型

* 6.面板協整分析（FMOLS,DOLS）

*** 說明：1-5均用STATA軟體實現， 6用GAUSS軟體實現。

* 生產效率分析（尤其指TFP）：數據包絡分析（DEA）與隨機前沿分析（SFA）

***
說明：DEA由DEAP2.1軟體實現，SFA由Frontier4.1實現，尤其後者，側重於比較C-D與Translog生產函數，一步法與兩步法的區別。常應用於地區經濟差異、FDI溢出效應（Spillovers
Effect）、工業行業效率狀況等。

* 空間計量分析：SLM模型與SEM模型

*說明：STATA與Matlab結合使用。常應用於空間溢出效應（R&D）、財政分權、地方政府公共行為等。

* ---------------------------------

* -------- 一、常用的數據處理與作圖 -----------

* ---------------------------------

* 指定面板格式

xtset id year （id為截面名稱，year為時間名稱）

xtdes /*數據特徵*/

xtsum logy h /*數據統計特徵*/

sum logy h /*數據統計特徵*/

*添加標簽或更改變數名

label var h "人力資本"

rename h hum

*排序

sort id year /*是以STATA面板數據格式出現*/

sort year id /*是以DEA格式出現*/

*刪除個別年份或省份

drop if year<1992

drop if id==2 /*注意用==*/

*如何得到連續year或id編號（當完成上述操作時，year或id就不連續，為形成panel格式，需要用egen命令）

egen year_new=group(year)

xtset id year_new

**保留變數或保留觀測值

keep inv /*刪除變數*/

**或

keep if year==2000

**排序

sort id year /*是以STATA面板數據格式出現

sort year id /*是以DEA格式出現

**長數據和寬數據的轉換

*長>>>寬數據

reshape wide logy,i(id) j(year)

*寬>>>長數據

reshape logy,i(id) j(year)

**追加數據（用於面板數據和時間序列）

xtset id year

*或者

xtdes

tsappend,add(5) /表示在每個省份再追加5年，用於面板數據/

tsset

*或者

tsdes

.tsappend,add(8) /表示追加8年，用於時間序列/

*方差分解，比如三個變數Y,X,Z都是面板格式的數據，且滿足Y=X+Z，求方差var(Y),協方差Cov(X,Y)和Cov（Z,Y）

bysort year:corr Y X Z,cov

**生產虛擬變數

*生成年份虛擬變數

tab year,gen(yr)

*生成省份虛擬變數

tab id,gen(m)

**生成滯後項和差分項

xtset id year

gen ylag=l.y /*產生一階滯後項)，同樣可產生二階滯後項*/

gen ylag2=L2.y

gen dy=D.y /*產生差分項*/

*求出各省2000年以前的open inv的平均增長率

collapse (mean) open inv if year<2000,by(id)

變數排序，當變數太多，按規律排列。可用命令

aorder

或者

order fdi open insti

*-----------------

* 二、靜態面板模型

*-----------------

*--------- 簡介 -----------

* 面板數據的結構(兼具截面資料和時間序列資料的特徵)

use proct.dta, clear

browse

xtset id year

xtdes

* ---------------------------------

* -------- 固定效應模型 -----------

* ---------------------------------

* 實質上就是在傳統的線性回歸模型中加入 N-1 個虛擬變數，

* 使得每個截面都有自己的截距項，

* 截距項的不同反映了個體的某些不隨時間改變的特徵

*

* 例如： lny = a_i + b1*lnK + b2*lnL + e_it

* 考慮中國29個省份的C-D生產函數

*******-------畫圖------*

*散點圖+線性擬合直線

twoway (scatter logy h) (lfit logy h)

*散點圖+二次擬合曲線

twoway (scatter logy h) (qfit logy h)

*散點圖+線性擬合直線+置信區間

twoway (scatter logy h) (lfit logy h) (lfitci logy h)

*按不同個體畫出散點圖和擬合線，可以以做出fe vs re的初判斷*

twoway (scatter logy h if id<4) (lfit logy h if id<4) (lfit logy h if
id==1) (lfit logy h if id==2) (lfit logy h if id==3)

*按不同個體畫散點圖,so beautiful!!!*

graph twoway scatter logy h if id==1 || scatter logy h if id==2,msymbol(Sh)
|| scatter logy h if id==3,msymbol(T) || scatter logy h if id==4,msymbol(d) || ,
legend(position(11) ring(0) label(1 "北京") label(2 "天津") label(3 "河北") label(4
"山西"))

**每個省份logy與h的散點圖，並將各個圖形合並

twoway scatter logy h,by(id) ylabel(,format(%3.0f))
xlabel(,format(%3.0f))

*每個個體的時間趨勢圖*

xtline h if id<11,overlay legend(on)

* 一個例子：中國29個省份的C-D生產函數的估計

tab id, gen(m)

list

* 回歸分析

reg logy logk logl m*,

est store m_ols

xtreg logy logk logl, fe

est store m_fe

est table m_ols m_fe, b(%6.3f) star(0.1 0.05 0.01)

* Wald 檢驗

test logk=logl=0

test logk=logl

* stata的估計方法解析

* 目的：如果截面的個數非常多，那麼採用虛擬變數的方式運算量過大

* 因此，要尋求合理的方式去除掉個體效應

* 因為，我們關注的是 x 的系數，而非每個截面的截距項

* 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） /*within estimator*/ *
(4)+(3), 可得：

* (y_it-ym_i+ym) = um + (x_it-xm_i+xm)*b + (e_it-em_i+em)

* 可重新表示為：

* Y_it = a_0 + X_it*b + E_it

* 對該模型執行 OLS 估計，即可得到 b 的無偏估計量

**stata後台操作，揭開fe估計的神秘面紗！！！

egen y_meanw = mean(logy), by(id) /*個體內部平均*/

egen y_mean = mean(logy) /*樣本平均*/

egen k_meanw = mean(logk), by(id)

egen k_mean = mean(logk)

egen l_meanw = mean(logl), by(id)

egen l_mean = mean(logl)

gen dyw = logy - y_meanw

gen dkw = logk - k_meanw

gen dlw=logl-l_meanw

reg dyw dkw dlw,nocons

est store m_stata

gen dy = logy - y_meanw + y_mean

gen dk = logk - k_meanw +k_mean

gen dl=logl-l_meanw+l_mean

reg dy dk dl

est store m_stata

est table m_*, b(%6.3f) star(0.1 0.05 0.01)

* 解讀 xtreg,fe 的估計結果

xtreg logy h inv gov open,fe

*-- R^2

* y_it = a_0 + x_it*b_o + e_it (1) pooled OLS

* y_it = u_i + x_it*b_w + e_it (2) within estimator

* ym_i = a_0 + xm_i*b_b + em_i (3) between estimator

*

* --> R-sq: within 模型(2)對應的R2，是一個真正意義上的R2

* --> R-sq: between corr{xm_i*b_w,ym_i}^2

* --> R-sq: overall corr{x_it*b_w,y_it}^2

*

*-- F(4,373) = 855.93檢驗除常數項外其他解釋變數的聯合顯著性

*

*
*-- corr(u_i, Xb) = -0.2347

*

*-- sigma_u, sigma_e, rho

* rho = sigma_u^2 / (sigma_u^2 + sigma_e^2)

dis e(sigma_u)^2 / (e(sigma_u)^2 + e(sigma_e)^2)

*

* 個體效應是否顯著？

* F(28, 373) = 338.86 H0: a1 = a2 = a3 = a4 = a29

* Prob > F = 0.0000 表明，固定效應高度顯著

*---如何得到調整後的 R2,即 adj-R2 ？

ereturn list

reg logy h inv gov open m*

*---擬合值和殘差

* y_it = u_i + x_it*b + e_it

* predict newvar, [option]

/*

xb xb, fitted values; the default

stdp calculate standard error of the fitted values

ue u_i + e_it, the combined resial

xbu xb + u_i, prediction including effect

u u_i, the fixed- or random-error component

e e_it, the overall error component */

xtreg logy logk logl, fe

predict y_hat

predict a , u

predict res,e

predict cres, ue

gen ares = a + res

list ares cres in 1/10

* ---------------------------------

* ---------- 隨機效應模型 ---------

* ---------------------------------

* y_it = x_it*b + (a_i + u_it)

* = x_it*b + v_it

* 基本思想：將隨機干擾項分成兩種

* 一種是不隨時間改變的，即個體效應 a_i

* 另一種是隨時間改變的，即通常意義上的干擾項 u_it

* 估計方法：FGLS

* Var(v_it) = sigma_a^2 + sigma_u^2

* Cov(v_it,v_is) = sigma_a^2

* Cov(v_it,v_js) = 0

* 利用Pooled OLS，Within Estimator, Between Estimator

* 可以估計出sigma_a^2和sigma_u^2,進而採用GLS或FGLS

* Re估計量是Fe估計量和Be估計量的加權平均

* yr_it = y_it - theta*ym_i

* xr_it = x_it - theta*xm_i

* theta = 1 - sigma_u / sqrt[(T*sigma_a^2 + sigma_u^2)]

* 解讀 xtreg,re 的估計結果

use proct.dta, clear

xtreg logy logk logl, re

*-- R2

* --> R-sq: within corr{(x_it-xm_i)*b_r, y_it-ym_i}^2

* --> R-sq: between corr{xm_i*b_r,ym_i}^2

* --> R-sq: overall corr{x_it*b_r,y_it}^2

* 上述R2都不是真正意義上的R2，因為Re模型採用的是GLS估計。

*

* rho = sigma_u^2 / (sigma_u^2 + sigma_e^2)

dis e(sigma_u)^2 / (e(sigma_u)^2 + e(sigma_e)^2)

*

* corr(u_i, X) = 0 (assumed)

* 這是隨機效應模型的一個最重要，也限制該模型應用的一個重要假設

* 然而，採用固定效應模型，我們可以粗略估計出corr(u_i, X)

xtreg market invest stock, fe

*

* Wald chi2(2) = 10962.50 Prob> chi2 = 0.0000

*-------- 時間效應、模型的篩選和常見問題

*---------目錄--------

* 7.2.1 時間效應（雙向固定(隨機)效應模型）

* 7.2.2 模型的篩選

* 7.2.3 面板數據常見問題

* 7.2.4 面板數據的轉換

* ----------------------------------

* ------------時間效應--------------

* ----------------------------------

* 單向固定效應模型

* y_it = u_i + x_it*b + e_it

* 雙向固定效應模型

* y_it = u_i + f_t + x_it*b + e_it

qui tab year, gen(yr)

drop yr1

xtreg logy logk logl yr*, fe

* 隨機效應模型中的時間效應

xtreg logy logk logl yr*, fe

* ---------------------------------

* ----------- 模型的篩選 ----------

* ---------------------------------

* 固定效應模型還是Pooled OLS？

xtreg logy logk logl yr*, fe /*Wald 檢驗*/

qui tab id, gen(m) /*LR檢驗*/

reg logy logk logl /*POLS*/

est store m_ols

reg logy logk logl m*,nocons

est store m_fe

lrtest m_ols m_fe

est table m_*, b(%6.3f) star(0.1 0.05 0.01)

* RE vs Pooled OLS？

* H0: Var(u) = 0

* 方法一：B-P 檢驗

xtreg logy logk logl, re

xttest0

* FE vs RE?

* y_it = u_i + x_it*b + e_it

*--- Hausman 檢驗 ---

* 基本思想：如果 Corr(u_i,x_it) = 0, Fe 和 Re 都是一致的，但Re更有效

* 如果 Corr(u_i,x_it)!= 0, Fe 仍然有效，但Re是有偏的

* 基本步驟

***情形1：huasman為正數

xtreg logy logk logl, fe

est store m_fe

xtreg logy logk logl, re

est store m_re

hausman m_fe m_re

*** 情形2：

qui xtreg logy h inv gov open,fe

est store fe

qui xtreg logy h inv gov open,re

est store re

hausman fe re

* Hausman 檢驗值為負怎麼辦？

* 通常是因為RE模型的基本假設 Corr(x,u_i)=0 無法得到滿足

* 檢驗過程中兩個模型的方差-協方差矩陣都採用Fe模型的

hausman fe re, sigmaless

* 兩個模型的方差-協方差矩陣都採用Re模型的

hausman fe re, sigmamore

*== 為何有些變數會被drop掉？

use nlswork.dta, clear

tsset idcode year

xtreg ln_wage hours tenure ttl_exp, fe /*正常執行*/

* 產生種族虛擬變數

tab race, gen(m_race)

xtreg ln_wage hours tenure ttl_exp m_race2 m_race3, fe

* 為何 m_race2 和 m_race3 會被 dropped ?

* 固定效應模型的設定：y_it = u_i + x_it*b + e_it (1)

* 由於個體效應 u_i 不隨時間改變，

* 因此若 x_it 包含了任何不隨時間改變的變數，

* 都會與 u_i 構成多重共線性，Stata會自動刪除之。

*******異方差、序列相關和截面相關問題

* ---------------- 簡 介 -------------

* y_it = x_it*b + u_i + e_it

*

* 由於面板數據同時兼顧了截面數據和時間序列的特徵，

* 所以異方差和序列相關必然會存在於面板數據中；

* 同時，由於面板數據中每個截面（公司、個人、國家、地區）之間還可能存在內在的聯系， * 所以，截面相關性也是一個需要考慮的問題。

*

* 此前的分析依賴三個假設條件：

* （1） Var[e_it] = sigma^2 同方差假設

* (2) Corr[e_it, e_it-s] = 0 序列無關假設

* (3) Corr[e_it, e_jt] = 0 截面不相關假設

*

* 當這三個假設無法得到滿足時，便分別出現 異方差、序列相關和截面相關問題； * 我們一方面要採用各種方法來檢驗這些假設是否得到了滿足；

* 另一方面，也要在這些假設無法滿足時尋求合理的估計方法。

* ---------------- 假設檢驗 -------------

*== 組間異方差檢驗（截面數據的特徵）

* Var(e_i) = sigma_i^2

* Fe 模型

xtreg logy logk logl, fe

xttest3

* Re 模型

* Re本身已經較大程度的考慮了異方差問題，主要體現在sigma_u^2上

*== 序列相關檢驗

* Fe 模型

* xtserial Wooldridge(2002)，若無序列相關，則一階差分後殘差相關系數應為-0.5

xtserial logy logk logl

xtserial logy logk logl, output

* Re 模型

xtreg logy logk logl, re

xttest1 /*提供多個統計檢驗量*/

*== 截面相關檢驗

* xttest2命令 H0: 所有截面殘差的相關系數都相等

xtreg logy logk logl, fe

xttest2

* 由於檢驗過程中執行了SUE估計，所以要求T>N

xtreg logy logk logl if id<6, fe

xttest2

* xtcsd 命令（提供了三種檢驗方法）

xtreg logy logk logl, fe

xtcsd , pesaran /*Pesaran(2004)*/

xtcsd , friedman /*Friedman(1937)*/

xtreg logy logk logl, re

xtcsd , pesaran

* ----------------- 估計方法 ---------------------

*== 異方差穩健型估計

xtreg logy h inv gov open, fe robust

est store fe_rb

xtreg logy h inv gov open, fe robust

est store fe

* 結果對比

esttab fe_rb fe, b(%6.3f) se(%6.3f) mtitle(fe_rb fe)

*== 序列相關估計

* 一階自相關 xtregar, fe/re

* 模型： y_it = u_i + x_it*b + v_it (1)

* v_it = rho*v_it-1 + z_it (2)

xtregar logy h inv gov open, fe

est store fe_ar1

xtregar logy h inv gov open,fe lbi /*Baltagi-Wu LBI test*/

❷ 求助關於雙邊隨機前沿模型的stata操作

隨機前沿生產函數如何在stata中進行估計呢？我擬了這幾個實際估計的步驟：
第一步，將隨機前沿生產函數（C-D模型或者是超越對數模型都可以）中vi和ui這兩個誤差轉化為單誤差，假設這個單誤差的參數分別是λ和σ^2（其中，λ和σ^2分別由vi和ui的方差構造）；
第二步，根據第一步中單誤差的分布函數，寫出其似然函數，並取對數，簡稱單誤差的對數似然函數；
第三步，在stata中編程。根據單誤差的對數似然函數編寫程序，argus的參數為lnf（單誤差的對數似然函數）、theta1（即為λ）、theta2（即為σ^2）；
第四步，這一步其時也stata中程序編寫的一部分。也就是在輸入生產函數的被解釋變數和解釋變數。
然後運行該程序，就可以估計出各自變數系數的值，以及λ和σ^2的值。
以上方法，在ui服從各種分布時都可以使用，只需要將不同分布情況下求出不同的單誤差對數似然函數就可以了，並在第三步中進行變化。

❸ 如何用stata做空間計量，包括生成空間權重矩陣

findit spatreg
點擊sg162，然後安裝所有命令（spatcorr, spatdiag, spatgsa, spatlsa, spatreg, spatwmat)

這些命令包含了主要的空間自相關檢驗，空間回歸模型（error/lag). 當然你也需要計算空間權重矩陣，但是你只需要增加兩個變數的數據，longitude/latitude.這個由你的GIS軟體中應該不難得到。這些命令使用起來都比較簡單。唯一需要注意的是，你的sample不能過大，IC 版的stata，有矩陣維數的限制（800*800).

❹ 如何在STATA中添加新的命令

首先，打開stata軟體。

我們需要確定自己安裝的命令是否已經在stata系統之中，簡單的一個測試方法便是在輸入框中輸入「help XXX」，以「fsum」名利為例，輸入「h fsum」。
如果沒有該命令，則會出現圖片的提示。這里也可以選擇「是」來軟體自動搜索，但是我們提供另外一個下載方式。

我們可以直接在stata命令窗口中輸入下載命令：「ssc install fsum」命令。

4
等待下載，當出現以下圖樣的時候，命令便下載完成了。

5
重復上面第二個步驟，便可以查看新命令的功能了。

❺ stata命令有哪些

1、format x1 %10.3f ——將x1的列寬固定為10，小數點後取三位；

2、format x1 %10.3g ——將x1的列寬固定為10，有效數字取三位；

3、format x1 %10.3e ——將x1的列寬固定為10，採用科學計數法；

4、format x1 %10.3fc ——將x1的列寬固定為10，小數點後取三位，加入千分位分隔符；

5、format x1 %10.3gc ——將x1的列寬固定為10，有效數字取三位，加入千分位分隔符；

6、format x1 %-10.3gc ——將x1的列寬固定為10，有效數字取三位，加入千分位分隔符，加入「-」表示左對齊；

7、generate——生成新變數的命令，注意：變數名稱只能用英文和數字，且若名稱中同時有英文和數字，必須以英文開頭。

8、drop——去除變數的命令，如果想把變數z給去掉，那麼可以輸入命令：drop z；

9、twoway (scatter y x)(lfit y x)——畫出擬合線，注意：這個命令最開始的字母twoway也可以簡寫為tw。

10、scatter y x——畫散點圖，注意：在Stata的許多命令中，因變數一般都放在自變數前面。

❻ 用stata怎麼做空間計量 要具體命令

比較簡單的方法：
1.下載一個GEODA軟體加shp地圖，用這個地圖可以生成GAL的鄰接矩陣，同時也可以添加每個省份的質心的坐標到數據中，這里的坐標用的經度緯度表示。
2.生產空間權重，分為距離和鄰接兩種，
spwmatrix import using C:\data\wcontig.gal, wname(wcontig) rowstand 這個語句可以直接調用gal格式的文件。距離用spwmatrix gecon latitude longitude, wname(winvsq) wtype(inv) ///
alpha(2) dband(0 100) cart
3.回歸用xsmle命令集

❼ 求助，關於Stata里sgmediation命令的理解

finditspatreg點擊sg162，然後安裝所有命令（spatcorr,spatdiag,spatgsa,spatlsa,spatreg,spatwmat)這些命令包含了主要的空間自相關檢驗，空間回歸模型（error/lag).當然你也需要計算空間權重矩陣，但是你只需要增加兩個變數的數據，longitude/latitude.這個由你的GIS軟體中應該不難得到。這些命令使用起來都比較簡單。唯一需要注意的是，你的sample不能過大，IC版的stata，有矩陣維數的限制（800*800).

❽ stata的命令問題

(一)打開開始/程序運行 輸入cmd ping127.0.0.1 （二）ping Ip地址（三）ping 網關 （四）ping 一個遠程服務網址，看是否是遠程服務的問題而導致不能上網

❾ 用stata怎麼做隨機前沿生產函數的分析

在命令窗口輸入：gen z=x*x 回車
reg y z x 回車
結果就出來了。a若顯著，其正負就有意義了。

❿ stata命令裡面的qui 表示什麼意思

stata命令裡面的qui 表示什麼意思 從整體看，i.var是分類變數，c.var是連續變數。 list VAR1#VAR2的意思是：VAR1和VAR2的交互。 list VAR1##VAR2的意思是：先列出VAR1和VAR2的分類變數，再列出二者的交互。它等同於:list var1 var2 var1#var2。