stata加权最小二乘法命令

⑴ EViews7.0 如何做加权最小二乘法消除异方差

对于Eviews6.0来说，可以在option里找到加权最小二乘法的选项。
但对于Eviews7.0,界面变化了，原来option里的选项取消了。
这时，无法使用菜单操作来实现加权最小二乘法，可以使用命令方式：
data w1,这是生成一个名字为w1的权数序列，然后，
w1=1/abs(resid)，这是计算了权数，残差绝对值的倒数。
ls(w=w1) y c x,这就是加权最小二乘法的命令方式)
希望对你有帮助，统计人刘得意！

⑵ 加权最小二乘法

最小二乘法是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配。
最小二乘法是用最简的方法求得一些绝对不可知的真值，而令误差平方之和为最小。
最小二乘法通常用于曲线拟合。很多其他的优化问题也可通过最小化能量或最大化熵用最小二乘形式表达。

加权最小二乘法是对原模型进行加权，使之成为一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数。

⑶ stata中加权最小二乘法中权重可以有减号吗

不可以的，加权最好是正数

⑷ Eviews中“加权最小二乘法”如何操作

有两种方法：1、首先打开文件，到Quick-Estimate
Equation
打开窗口，Specificaton窗口填写公式
，Options
窗口中有一个
LS选项（也就是默认选项），选中，再点击Specificaton旁边的Options，对Weights进行选择，Weights
series就是权重，最后确定，就可以了。2、直接在Eviews8.0的那个空白区（编程区）输入：以y对x进行一元线性回归为例：ls
(w=你设置的权重)
y
c
x回车，就可以了。如图所示：

⑸ stata最小二乘法语句怎么写

您好，这样的：
一般做2sls，使用语句ivreg y （x1=z） x2 x3……xn。假定工具变量为z，控制变量有n-1个，就使用这个就好了。如果你非要自己编程序的话，首先reg x1 z x2……xn;然后把X1的拟合值predict出来(假定为x11)，在做第二阶段的回归。
reg y x11 x2……xn；
这样得到的结果就是两阶段的回归结果，但是方差是有问题的。最好使用ivreg，如果还不会用的话，直接help ivreg。

⑹ 存在多个变量的时候如何选择适当权重进行加权最小二乘法

1. 它简单。
2. 它提供了具有很好性质的相似度的度量。例如：
1）它是非负的;
2）唯一确定性。只有x=y的时候，d(x,y)=0；
3）它是对称的，即d(x,y)=d(y,x)；
4）符合三角性质。即d(x,z)<=d(x,y)+d(y,z).
3. 物理性质明确，在不同的表示域变换后特性不变，例如帕萨瓦尔等式。
4. 便于计算。通常所推导得到的问题是凸问题，具有对称性，可导性。通常具有解析解，此外便于通过迭代的方式求解。
5. 和统计和估计理论具有关联。在某些假设下，统计意义上是最优的。

⑺ 怎样用stata做两阶段回归2SLS

用命令ivregress 2sls y x1 x2, robust。y2是内生变量，z1、z2是工具变量。

不过建议使用ivregress2。先安装：ssc install ivregress2。

Stata操作：工具变量法的难点在于找到一个合适的工具变量并说明其合理性，Stata操作其实相当简单，只需一行命令就可以搞定，我们通常使用的工具变量法的Stata命令主要就是ivregress命令和ivreg2命令。

stata如何进行最小二乘法回归方法步骤？

一般做2sls，使用语句ivreg y （x1=z） x2 x3……xn。假定工具变量为z，控制变量有n-1个，就使用这个就好了。如果你非要自己编程序的话，首先reg x1 z x2……xn。

然后把X1的拟合值predict出来(假定为x11)，在做第二阶段的回归。 reg y x11 x2……xn； 这样得到的结果就是两阶段的回归结果，但是方差是有问题的。最好使用ivreg，如果还不会用的话，直接help ivreg。

ivregress命令

ivregress命令是Stata自带的命令，支持两阶段最小二乘（2SLS）、广义矩估计（GMM）和有限信息最大似然估计（LIML）三种工具变量估计方法，我们最常使用的是两阶段最小二乘法（2SLS），因为2SLS最能体现工具变量的实质，并且在球形扰动项的情况下，2SLS是最有效率的工具变量法。

顾名思义，两阶段最小二乘法（2SLS）需要做两个回归：

（1）第一阶段回归：用内生解释变量对工具变量和控制变量回归，得到拟合值。

（2）第二阶段回归：用被解释变量对第一阶段回归的拟合值和控制变量进行回归。

如果要使用2SLS方法，我们只需在ivregress后面加上2sls即可，然后将内生解释变量lnjinshipop和工具变量bprvdist放在一个小括号中，用=号连接。选项first表示报告第一阶段回归结果，选项cluster()表示使用聚类稳健的标准误。

⑻ stata用vwls命令做完加权最小二乘法后，怎样求得R方、F值、调整R方

Variance-weighted least-squares regression           Number of obs   =    4134
Goodness-of-fit chi2(4101) = 19326.49                Model chi2(32)  = 5259.60
Prob > chi2             
  =  0.0000             
   Prob > chi2    
 =  0.0000

⑼ 什么是加权最小二乘法，它的基本思想是什么

加权最小二乘法是对原模型进行加权，使之成为一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数的一种数学优化技术。

线性回归的假设条件之一为方差齐性，若不满足方差齐性（即因变量的变异程度会随着自身的预测值或者其它自变量的变化而变化）这个假设条件时，就需要用加权最小二乘法（WLS）来进行模型估计。

加权最小二乘法（WLS）会根据变异程度的大小赋予不同的权重，使其加权后回归直线的残差平方和最小，从而保证了模型有更好的预测价值。

(9)stata加权最小二乘法命令扩展阅读

在多重线性回归中，我们采用的是普通最小二乘法(OLS)估计参数，对模型中每个观测点是同等看待的。但是在有些研究问题中，例如调查某种疾病的发病率，以地区为观测单位，地区的人数越多，得到的发病率就越稳定，因变量的变异程度就越小，而地区人数越少，得到的发病率就越大。

在这种情况下，因变量的变异程度会随着自身数值或者其他变量的变化而变化，从而不满足残差方差齐性的条件。

为了解决这个问题，我们采用加权最小二乘法(WLS)的方法来估计模型参数，即在模型拟合时，根据数据变异程度的大小赋予不用的权重，

对于变异程度较小，测量更准确的数据赋予较大的权重，对于变异程度较大，测量不稳定的数据则赋予较小的权重，从而使加权后回归直线的残差平方和最小，确保模型有更好的预测价值。