系統gmm的stata命令

⑴ 求教stata系統GMM實證步驟

仍然採用水平變數，stata會自動幫你進行差分處理。 建議使用Stata官方發布的 xtdpdsys 命令，語法比較簡潔，bug 也比較少。

⑵ 哪位朋友知道STATA中系統GMM估計的程序怎麼寫

你先生成虛擬變數，然後把那些虛擬變數作為自變數加入到命令中，和普通變數做回歸是一樣的。

⑶ 選取自變數的滯後項作為工具變數stata命令怎麼寫

我在使用xtdpdsys做動態面板的系統GMM估計時， 當使用的命令為xtdpdsys ls lntrade lnfdi tfp lnagdp lnkty ,two vce(gmm)，可以做sargan和AR檢驗； 然後，按照STATA-HELP中的例子，使用命令xtdpdsys ls l(0/1).lntrade l(0/1).lnfdi l(0/1).tfp.

⑷ 如何在stata中實現用工具變數來確定gmm的估計量

vreg gmm y x1(外生控制變數）（內生變數=工具變數）
你的採納是我前進的動力,記得好評和採納,答題不易,互相幫助,
手機提問的朋友在客戶端右上角評價點滿意即可.
如果你認可我的回答,請及時點擊採納為滿意回答按鈕!

⑸ 系統GMM寫z還是寫pr

寫pr。
新手面板數據回歸之GMM的stata操作步驟，廣義矩估計（GeneralizedMethodofMoments即GMM）。原理就是回歸，就是一種高級點的回歸。以X1CPI為例最好數據原始整理的時候，就注意形式。
首先，stata不識別字元，所以建議把省份換成1-31。以免後續麻煩。也可以後續將字元修改為數值型，語法：egenpro=group(var1)//將var1變數轉化為新的非字元串變數，並命名為pro。再從數據的第三行即具體數據開始，開始復制粘貼到stata的數據編輯器。
為防止數據不符合排序問題，我們可以再來個排序：sort樣本名稱時間。

⑹ 在stata中怎樣對面板數據進行gmmguji

首先檢驗解釋變數內生性（解釋變數內生性的Hausman 檢驗：使用工具變數法的前提是存在內生解釋變數。Hausman 檢驗的原假設為：所有解釋變數均為外生變數，如果拒絕，則認為存在內生解釋變數，要用IV；反之，如果接受，則認為不存在內生解釋變數，應該使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板數據中使用工具變數，Stata提供了如下命令來執行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （選擇項可以為fe，re等，表示固定效應、隨機效應等。詳見help xtivreg）
如果存在內生解釋變數，則應該選用工具變數，工具變數個數不少於方程中內生解釋變數的個數。「恰好識別」時用2SLS。2SLS的實質是把內生解釋變數分成兩部分，即由工具變數所造成的外生的變動部分，以及與擾動項相關的其他部分；然後，把被解釋變數對中的這個外生部分進行回歸，從而滿足OLS前定變數的要求而得到一致估計量。tptqtp
二、異方差與自相關檢驗
在球型擾動項的假定下，2SLS是最有效的。但如果擾動項存在異方差或自相關，
面板異方差檢驗：
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df = e(N_g) - 1
lrtest hetero homo, df(`df')
面板自相關：xtserial enc invs exp imp esc mrl
則存在一種更有效的方法，即GMM。從某種意義上，GMM之於2SLS正如GLS之於OLS。好識別的情況下，GMM還原為普通的工具變數法；過度識別時傳統的矩估計法行不通，只有這時才有必要使用GMM，過度識別檢驗（Overidentification Test或J Test）：estat overid
三、工具變數效果驗證
工具變數：工具變數要求與內生解釋變數相關，但又不能與被解釋變數的擾動項相關。由於這兩個要求常常是矛盾的，故在實踐上尋找合適的工具變數常常很困難，需要相當的想像力與創作性。常用滯後變數。
需要做的檢驗：
檢驗工具變數的有效性：
（1） 檢驗工具變數與解釋變數的相關性
如果工具變數z與內生解釋變數完全不相關，則無法使用工具變數法；如果與僅僅微弱地相關，。這種工具變數被稱為「弱工具變數」（weak instruments）後果就象樣本容量過小。檢驗弱工具變數的一個經驗規則是，如果在第一階段回歸中，F統計量大於10，則可不必擔心弱工具變數問題。Stata命令：estat first（顯示第一個階段回歸中的統計量）
（2） 檢驗工具變數的外生性（接受原假設好）
在恰好識別的情況下，無法檢驗工具變數是否與擾動項相關。在過度識別（工具變數個數>內生變數個數）的情況下，則可進行過度識別檢驗（Overidentification Test），檢驗原假設所有工具變數都是外生的。如果拒絕該原假設，則認為至少某個變數不是外生的，即與擾動項相關。0H
Sargan統計量，Stata命令：estat overid
四、GMM過程
在Stata輸入以下命令，就可以進行對面板數據的GMM估計。
. ssc install ivreg2 （安裝程序ivreg2 ）
. ssc install ranktest （安裝另外一個在運行ivreg2 時需要用到的輔助程序ranktest）
. use "traffic.dta"（打開面板數據）
. xtset panelvar timevar （設置面板變數及時間變數）
. ivreg2 y x1 (x2=z1 z2),gmm2s （進行面板GMM估計，其中2s指的是2-step GMM）

⑺ 怎樣用stata做兩階段回歸2SLS

用命令ivregress 2sls y x1 x2, robust。y2是內生變數，z1、z2是工具變數。

不過建議使用ivregress2。先安裝：ssc install ivregress2。

Stata操作：工具變數法的難點在於找到一個合適的工具變數並說明其合理性，Stata操作其實相當簡單，只需一行命令就可以搞定，我們通常使用的工具變數法的Stata命令主要就是ivregress命令和ivreg2命令。

stata如何進行最小二乘法回歸方法步驟？

一般做2sls，使用語句ivreg y （x1=z） x2 x3……xn。假定工具變數為z，控制變數有n-1個，就使用這個就好了。如果你非要自己編程序的話，首先reg x1 z x2……xn。

然後把X1的擬合值predict出來(假定為x11)，在做第二階段的回歸。 reg y x11 x2……xn； 這樣得到的結果就是兩階段的回歸結果，但是方差是有問題的。最好使用ivreg，如果還不會用的話，直接help ivreg。

ivregress命令

ivregress命令是Stata自帶的命令，支持兩階段最小二乘（2SLS）、廣義矩估計（GMM）和有限信息最大似然估計（LIML）三種工具變數估計方法，我們最常使用的是兩階段最小二乘法（2SLS），因為2SLS最能體現工具變數的實質，並且在球形擾動項的情況下，2SLS是最有效率的工具變數法。

顧名思義，兩階段最小二乘法（2SLS）需要做兩個回歸：

（1）第一階段回歸：用內生解釋變數對工具變數和控制變數回歸，得到擬合值。

（2）第二階段回歸：用被解釋變數對第一階段回歸的擬合值和控制變數進行回歸。

如果要使用2SLS方法，我們只需在ivregress後面加上2sls即可，然後將內生解釋變數lnjinshipop和工具變數bprvdist放在一個小括弧中，用=號連接。選項first表示報告第一階段回歸結果，選項cluster()表示使用聚類穩健的標准誤。

⑻ 系統gmm用加robust嗎

系統gmm用加robust。

系統GMM在STATA中需要注意的點：

1、必須要通過兩個檢驗，AR1小於0.1，AR大於0.1;Hansen 大於0.1。

2、代碼中必須加robust，很多同學會出現不加robust，所有都是顯著的，但是這是錯的代碼。

注意事情：

動態面板模型設定中將被解釋變數的滯後項作為解釋變數引入到回歸模型中，使得模型具有動態解釋能力，但模型中存在內生性問題。系統GMM 方法對原水平模型和差分變換後的模型同時進行估計，系統GMM 能夠修正未觀察到的異方差問題、遺漏變數偏差、測量誤差和潛在的內生性問題。

⑼ 數據分析有人會用stata做GMM分析的嗎也就是差分和系統廣義矩，用xtabond2命令的那個，求高人指導。

help xtabond2
你這個是動態面板數據的回歸分析啦
難度很高的