連玉君命令數據包

❶ 誰懂stata，計量經濟學，有個一個PVAR模型需要人幫忙，數據有，沒有顯著性效果付費。

題主的Y變數有四個類型：不付股利，支付現金，回購，和兩者結合，所以可以用多項probit回歸（Multinomialprobitregression）。在Stata軟體裡面使用mprobit命令就可以。具體就是：mprobityx1x2x3x4

❷ 如何使用STATA軟體

《stata論文視頻》網路網盤資源免費下載

鏈接:https://pan..com/s/12GRll1biLq-ZklfQ07W7QQ

❸ 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*/

❹ stata在哪可以學

Stata 資源

. ssc install lianxh
. lianxh

一些常用鏈接

• 專題：數據分享

• 連享會 - 人文社科開放資料庫匯總

• 連享會：數據在哪兒？常用資料庫鏈接

• 數據分享——EPS資料庫-新冠肺炎疫情實時監控平台

• 連享會 - 人文社科開放資料庫匯總




• 專題：論文寫作

• 連享會：論文重現網站大全

• 專題：Stata教程

• Stata分享：一個在線-Stata-教程網站

• Stata分享：Princeton-在線-Stata-教程

• 普林斯頓Stata教程(三) - Stata編程

• 普林斯頓Stata教程(二) - Stata繪圖

• 普林斯頓Stata教程(一) - Stata數據處理




• 專題：Stata命令

• 連享會新命令-lxh：隨時查看-Stata-資源

• 專題：Stata資源

• 分享一些Stata資源鏈接

• Stata資源：一些不錯的Stata-Blogs

• Github使用方法及Stata資源

• Cameron教授提供的Stata資源

• Stata幫助和網路資源匯總(持續更新中)




• 專題：數據處理

• Stata數據處理：import-fred-命令導入聯邦儲備經濟資料庫-FRED

• 專題：回歸分析

• Stata：短期事件研究法（Event_Study）教程




• 專題：斷點回歸RDD

• Stata：兩本斷點回歸分析-RDD-易懂教程

• Stata：斷點回歸RDD簡明教程

• Stata: 兩本斷點回歸分析 (RDD) 易懂教程

• 專題：內生性-因果推斷

• Abadie新作：簡明IV,DID,RDD教程和綜述




• 專題：Python-R-Matlab

• Python: 如何優雅地管理微信資料庫？

• 專題：Markdown

• Markdown：五分鍾Markdown教程

• Markdown教程之LaTeX數學公式簡介




• 專題：其它

• Stata: 數據包絡分析 (DEA) 簡明教程

• Note：產生上述推文列表的命令為：




• lianxh 資源 教程 論文重現 資料庫




• 安裝最新版 lianxh 命令：




• ssc install lianxh, replace

作者：連玉君
鏈接：https://www.hu.com/question/425042841/answer/1739926678
來源：知乎
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請註明出處。

❺ 為什麼我的stata用不了連玉君命令

自己根據模型的要求輸入相關的命令即可

❻ stata怎麼讓皮爾遜相關系數展示星號

stata怎麼讓皮爾遜相關系數展示星號？STATA 常用命令集
一、調整變數格式：
format x1 %10.3f ——將x1的列寬固定為10，小數點後取三位
format x1 %10.3g ——將x1的列寬固定為10，有效數字取三位
format x1 %10.3e ——將x1的列寬固定為10，採用科學計數法
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
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
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。
二、合並數據：
use "C:\Documents and Settings\xks\桌面\2006.dta", clear
merge using "C:\Documents and Settings\xks\桌面\1999.dta"
——將1999和2006的數據按照樣本（observation）排列的自然順序合並起來
use "C:\Documents and Settings\xks\桌面\2006.dta", clear
merge id using "C:\Documents and Settings\xks\桌面\1999.dta" ,unique sort
——將1999和2006的數據按照唯一的（unique）變數id來合並，在合並時對id進行排序（sort）
建議採用第一種方法。
三、對樣本進行隨機篩選：
sample 50
在觀測案例中隨機選取50%的樣本，其餘刪除
sample 50,count
在觀測案例中隨機選取50個樣本，其餘刪除
四、查看與編輯數據：
browse x1 x2 if x3>3 （按所列變數與條件打開數據查看器）
edit x1 x2 if x3>3 （按所列變數與條件打開數據編輯器）
五、數據合並（merge）與擴展（append）
merge表示樣本量不變，但增加了一些新變數；append表示樣本總量增加了，但變數數目不變。
one-to-one merge：
數據源自stata tutorial中的exampw1和exampw2
第一步：將exampw1按v001～v003這三個編碼排序，並建立臨時資料庫tempw1
clear
use "t:\statatut\exampw1.dta"
su ——summarize的簡寫
sort v001 v002 v003
save tempw1
第二步：對exampw2做同樣的處理
clear
use "t:\statatut\exampw2.dta"
su
sort v001 v002 v003
save tempw2
第三步：使用tempw1資料庫，將其與tempw2合並：
clear
use tempw1
merge v001 v002 v003 using tempw2
第四步：查看合並後的數據狀況：
ta _merge ——tabulate _merge的簡寫
su
第五步：清理臨時資料庫，並刪除_merge，以免日後合並新變數時出錯
erase tempw1.dta
erase tempw2.dta
drop _merge
數據擴展append：
數據源自stata tutorial中的fac19和newfac
clear
use "t:\statatut\fac19.dta"
ta region
append using "t:\statatut\newfac"
ta region
合並後樣本量增加，但變數數不變
六、做圖
莖葉圖：
stem x1,line(2) （做x1的莖葉圖，每一個十分位的樹莖都被拆分成兩段來顯示，前半段為0～4，後半段為5～9）
stem x1,width(2) （做x1的莖葉圖，每一個十分位的樹莖都被拆分成五段來顯示，每個小樹莖的組距為2）
stem x1,round(100) （將x1除以100後再做x1的莖葉圖）
直方圖
採用auto資料庫
histogram mpg, discrete frequency normal xlabel(1(1)5)
（discrete表示變數不連續，frequency表示顯示頻數，normal加入正太分布曲線，xlabel設定x軸，1和5為極端值，(1)為單位）
histogram price, fraction norm
（fraction表示y軸顯示小數，除了frequency和fraction這兩個選擇之外，該命令可替換為「percent」百分比，和「density」密度；未加上discrete就表示將price當作連續變數來繪圖）
histogram price, percent by(foreign)
（按照變數「foreign」的分類，將不同類樣本的「price」繪制出來，兩個圖分左右排布）
histogram mpg, discrete by(foreign, col(1))
（按照變數「foreign」的分類，將不同類樣本的「mpg」繪制出來，兩個圖分上下排布）

❼ 如何用stata把unbalanced panel data轉換成 balanced panel data

鄰南學院連玉君有一條命令可用。輸入以下命令選安裝再使用。
h xtbalance
打開的頁面中點第一個網址鏈接，然後安裝。
命令格式：
xtbalance, range(numlist) [ miss(varlist) ]
選項：
range(numlist) specifies sample range to be transfored. numlist must be two integers and specified in ascending order.
miss(varlist) forces to drop the observations if any one of the variable in varlist has missing value.