xtreg logy logk logl, re xtcsd , pesaran
* ----------------- 估计方法 ---------------------
*== 异方差稳健型估计
xtreg logy h inv gov open, fe robust est store fe_rb
xtreg logy h inv gov open, fe robust est store fe
* 结果对比
esttab fe_rb fe, b(%6.3f) se(%6.3f) mtitle(fe_rb fe)
*== 序列相关估计
* 一阶自相关 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*/ * 说明:
* (1) 这里的Durbin-Watson =1.280677 具有较为复杂的分布, * 不同于时间序列中的D-W统计量。
* (2) 其临界值见Bhargava et al. (1982, The Review of Economic Studies 49:553-549) * (3) Baltagi-Wu LBI = 1.4739834 基本上没有太大的参考价值, * 因为他们并未提供临界值表,而该统计量的分布又相当复杂
xtregar logy h inv gov open, re est store re_ar1
* 两阶段估计
xtregar logy h inv gov open, fe twostep est store fe_ar1_two
* 结果对比
xtreg logy h inv gov open, fe est store fe
local models \
esttab `models', b(%6.3f) se(%6.3f) mtitle(`models') r2 sca(r2_w corr)
* 高阶自相关 * newey2 命令
newey2 logy h inv gov open, lag(2)
*== 组间相关(截面相关) * cluster 选项
use xtcs.dta, clear
xtreg logy h inv gov open, fe cluster(id) est store fe_cluster
xtreg logy h inv gov open, re cluster(id) est store re_cluster
************看过去很晕,采用一种综合处理: * xtgls 命令 * xtpcse 命令
*--- 简介(Greene, 2000, chp15) *
* 模型
* y = X*b + U
* 重点在于考虑干扰项 U 的结构,包括
* (1) 异方差 (2) 序列相关 (3) 截面相关性 * 应用范围:多用于“大T,小N”型面板数据,
* 因为,此时截面的异质性并不是重点关注的,而时序特征则较为明显 * 因此,模型设定中未考虑个体效果
* | y_1 | | X_1 | | e_1 | * | y_2 | | X_2 | | e_2 | * | . | | . | | . | * | . | = | . | * b + | . | * | . | | . | | . | * | y_n | | X_n | | e_n |
*-- 截面异方差
* E[e_i*e_i'] = s_i^2 *
* | s1^2 0 ... 0 |
* | 0 s2^2 ... 0 | * | . |
* V = | . | * | . | * | 0 0 ... sn^2 |
*-- 截面相关
* E[e_i*e_i'] = s_ij^2 *
* | s_11 s_12 ... s_1n |
* | s_21 s_22 ... s_2n | * | . |
* V = | . | * sigma^2 * | . | * | s_n1 s_n2 ... s_nn |
*-- 序列相关
* E[e_i*e_i'] = s_i^2 * M_i *
* | s1^2*M_1 0 ... 0 |
* | 0 s2^2*M_2 ... 0 | * | . |
* V = | . | * | . | * | 0 0 ... sn^2*M_n |
* GLS 估计
* b = [X'V^{-1}*X]^{-1}[X'V^{-1}y] * Var[b] = [X'V^{-1}*X]^{-1}
*--- 估计和检验 -------------
*=== xtgls 命令
use invest2.dta, clear
xtgls market invest stock, panels(iid) /*iid, 等同于Pooled OLS*/ est store g_0
reg market invest stock est store g_ols
xtgls market invest stock, panel(het) /*截面异方差*/ est store g_phet
xtgls market invest stock, corr(ar1) /*所有截面具有相同的自相关系数*/ est store g_par1
xtgls market invest stock, corr(psar1) /*每个截面有自己的自相关系数*/ est store g_psar1
xtgls market invest stock, panel(corr) /*截面间相关且异方差*/ est store g_pcorr
xtgls market invest stock, p(c) corr(ar1) est store g_all
* 检验异方差
xtgls market invest stock, panel(het) /*截面异方差*/ xttest3
* 检验序列相关
xtserial market invest stock
* 检验截面相关
xtgls market invest stock, panel(het) xttest2
* 结果对比
xtreg market invest stock, fe est store fe
local models \
esttab `models', b(%6.3f) se(%6.3f) mtitle(`models') r2 sca(r2_w) local models \
esttab `models', b(%6.3f) se(%6.3f) mtitle(`models') r2 sca(r2_w) compress
* 说明:
* 为何 xtgls 不汇报 R2 ?
* 因为此时的R2未必介于0和1之间,不具有传统线性回归模型中R2的含义
*=== xtpcse 命令
* 默认假设:存在截面异方差和截面相关 * 估计方法:OLS 或 Prais-Winsten 回归 * 有别于xtgls(采用FGLS估计)
* 更适于方块面板 N不大(10-20),T不大(10-40) * 与 xtgls 的区别:估计方法不同
* xtgls 采用GLS进行估计,而xtpsce采用OLS。
use invest2.dta, clear
xtpcse invest market stock
est store pcse_full /*OLS估计,调整异方差和截面相关后的标准误*/
xtgls invest market stock, panels(correlated)
est store m_xtgls /*FGLS估计,异方差和截面相关*/
xtpcse invest market stock, correlation(ar1)
est store pcse_ar1 /*Prais_Winsten估计,共同的自相关系数*/
xtpcse invest market stock, correlation(ar1) hetonly est store pcse_ar1 /*不考虑截面相关*/
* 结果对比
xtreg invest market stock, fe est store fe
local models \
esttab `models', b(%6.3f) se(%6.3f) mtitle(`models') r2 sca(r2_w) * xtpcse 的结果与 xtgls 非常相似,但前者可以汇报R2
* 当N较大时,采用该方法会非常费时,
* 因为方差协方差矩阵是采用OLS估计的残差计算的 use xtcs.dta, clear xtdes
xtpcse tl size ndts tang tobin npr /*大约5-8分钟*/ est store xtpcse
xtreg tl size ndts tang tobin npr, fe est store fe
* 结果对比
local models \
esttab `models', b(%6.3f) se(%6.3f) mtitle(`models') r2 sca(r2_w) * 系数估计值有较大差别,但符号和显著性是一致的。
***------动态面板模型 Part I
*------------------------------- * 动态面板模型
*------------------------------- * 简介
* 一阶差分IV估计量(Anderson and Hisao, 1982) * 一阶差分GMM估计量(Arellano and Bond, 1991) * 系统GMM估计量(AB,1995; BB,1998)
* == 简介 == *
* 模型: y[it] = a0*y[it-1] + a1*x[it] + a2*w[it] + u_i + e[it] *
* 特征:解释变量中包含了被解释变量的一阶滞后项 * 可以是非平行面板,但要保证时间连续
stata命令大全(全)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)