statafgls命令

『壹』 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*/

『貳』 CAD的拉伸怎麼用

操作方法：

1、打開CAD，單擊S鍵；

騰訊電腦管家幫助了解更多知識，體驗更多功能。