系统gmm的stata命令

⑴ 求教stata系统GMM实证步骤

仍然采用水平变量，stata会自动帮你进行差分处理。 建议使用Stata官方发布的 xtdpdsys 命令，语法比较简洁，bug 也比较少。

⑵ 哪位朋友知道STATA中系统GMM估计的程序怎么写

你先生成虚拟变量，然后把那些虚拟变量作为自变量加入到命令中，和普通变量做回归是一样的。

⑶ 选取自变量的滞后项作为工具变量stata命令怎么写

我在使用xtdpdsys做动态面板的系统GMM估计时， 当使用的命令为xtdpdsys ls lntrade lnfdi tfp lnagdp lnkty ,two vce(gmm)，可以做sargan和AR检验； 然后，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中实现用工具变量来确定gmm的估计量

vreg gmm y x1(外生控制变量）（内生变量=工具变量）
你的采纳是我前进的动力,记得好评和采纳,答题不易,互相帮助,
手机提问的朋友在客户端右上角评价点满意即可.
如果你认可我的回答,请及时点击采纳为满意回答按钮!

⑸ 系统GMM写z还是写pr

写pr。
新手面板数据回归之GMM的stata操作步骤，广义矩估计（GeneralizedMethodofMoments即GMM）。原理就是回归，就是一种高级点的回归。以X1CPI为例最好数据原始整理的时候，就注意形式。
首先，stata不识别字符，所以建议把省份换成1-31。以免后续麻烦。也可以后续将字符修改为数值型，语法：egenpro=group(var1)//将var1变量转化为新的非字符串变量，并命名为pro。再从数据的第三行即具体数据开始，开始复制粘贴到stata的数据编辑器。
为防止数据不符合排序问题，我们可以再来个排序：sort样本名称时间。

⑹ 在stata中怎样对面板数据进行gmmguji

首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）
如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp
二、异方差与自相关检验
在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，
面板异方差检验：
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')
面板自相关：xtserial enc invs exp imp esc mrl
则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid
三、工具变量效果验证
工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。
需要做的检验：
检验工具变量的有效性：
（1） 检验工具变量与解释变量的相关性
如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）
（2） 检验工具变量的外生性（接受原假设好）
在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0H
Sargan统计量，Stata命令：estat overid
四、GMM过程
在Stata输入以下命令，就可以进行对面板数据的GMM估计。
. ssc install ivreg2 （安装程序ivreg2 ）
. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）
. use "traffic.dta"（打开面板数据）
. xtset panelvar timevar （设置面板变量及时间变量）
. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

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 系统gmm用加robust吗

系统gmm用加robust。

系统GMM在STATA中需要注意的点：

1、必须要通过两个检验，AR1小于0.1，AR大于0.1;Hansen 大于0.1。

2、代码中必须加robust，很多同学会出现不加robust，所有都是显着的，但是这是错的代码。

注意事情：

动态面板模型设定中将被解释变量的滞后项作为解释变量引入到回归模型中，使得模型具有动态解释能力，但模型中存在内生性问题。系统GMM 方法对原水平模型和差分变换后的模型同时进行估计，系统GMM 能够修正未观察到的异方差问题、遗漏变量偏差、测量误差和潜在的内生性问题。

⑼ 数据分析有人会用stata做GMM分析的吗也就是差分和系统广义矩，用xtabond2命令的那个，求高人指导。

help xtabond2
你这个是动态面板数据的回归分析啦
难度很高的