stata面板數據回歸命令

1. stata如何回歸

1、生成一個自變數和一個因變數。

2. stata面板數據vif檢驗的命令

首先，用xtset米；命令設置面板數據。
再用xtreg命令進行固定效應面板數據回歸，後加f選項。得到結果後，用vif命令檢驗方差膨脹因子。
在做回歸分析時發現一個問題，因變數y有缺失值，如果不用dropy==.命令，回歸後vif檢驗小於10，如果採用dropy==.命令，回歸後vif檢驗值一下子蹦到了27，在這兩種處理方式的回歸中
最後樣本數是相同的，回歸系數、顯著性也相同，為啥就是vif檢驗值差異這么大？一定要用drop命令嗎？求高手解惑！

3. 時間序列和面板數據的結合怎麼在stata裡面做回歸

面板數據實際上就包含了時間序列信息，面板數據的回歸可用xtreg命令，例如xtreg y x z,fe。這個是麵包數據最常用的回歸方法，可以去除企業異質性的影響

4. 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。

5. 如何用stata做面板數據的滾動回歸

方法/步驟

短面板處理
面板數據是指既有截面數據又有時間序列的數據，因此其存在截面數據沒有的優勢，在用stata進行面板數據的估計時，一般選擇xtreg命令進行擬合。本節主要論述短面板的stata實現，即時間維度T相對於截面數n較小的數據。在那種情況下，由於T較小，每個個體的信息較少，故無從討論擾動項是否存在自相關，我們一般假設其獨立同分布。
面板數據維度的確定
在面板數據進行模型估計前，要進行面板數據的維度確定。由於面板數據既有截面數據又有時間序列，而stata不能自動識別，因此，必須使得stata得知哪一部分是截面數據，而哪一部分是時間序列。
設置面板數據維度的基本命令為：
xtset panelvar timvar [, tsoptions]
其中panelvar代表截面數據變數，timvar代表時間序列變數。
選取某一面板數據進行維度設定（該數據研究職業培訓津貼對廠商廢棄率的影響）：
xtset fcode year

固定效應估計
xtreg可以估計固定效應與隨機效應，兩者的差異在於選項的不同。
xtreg用來做固定效應的語法是：
xtreg depvar [indepvars] [if] [in] [weight] , fe [FE_options]
其語法可以help xtreg獲得。（說明，其中xt表示面板數據的命令，因此，在stata中輸入help xt可以學習面板數據描述、估計等命令。）
選取某一數據進行擬合：
xtreg lscrap d88 d89 grant grant_1,fe
結果顯示如下：

其中，(1)表示組內、組間、總體的R方，其中固定效應看組內R-sq，隨機效應看總體R-sq。
(2)表示個體效應與解釋變數的相關系數。
(3)F檢驗表示模型整體顯著性。

(4)U表示個體觀測效應，sigma_u為個體效應的標准差
E表示隨機干擾項，u+e為所謂的混合誤差，rho是指個體效應的方差占混合誤差方差的比重。
備註：（1）（2）（3）（4）分別對應一下的四張照片

隨機效應估計
xtreg用來做隨機效應的語法是：
xtreg depvar [indepvars] [if][in] [weight] , re [RE_options]
與上一部分類似的估計
xtreg lscrap d88 d89 grantgrant_1,re
（1）
與固定效應不同的是，固定效應F檢驗處，此處為瓦爾德卡方檢驗，同樣表示模型整體顯著性。

固定效應與隨機效應的選擇：豪斯曼檢驗
首先，看兩個效應的區別
固定效應與隨機效應的區別
區別一：
FE / RE 模型可統一表述為： y_it = u_i + x_it*b + e_it
對於FE，個體效應 u_i 被視為一組解釋變數，為非隨機變數，即 N-1 個虛擬變數；對於RE，個體效應 u_i被視為干擾項的一部分，因此是隨機變數，假設其服從正態分布，即 u_i~N(0, sigma_u^2)； 在上述兩個模型的設定中，e_it都被視為「乾乾凈凈的」干擾項，也就是OLS時那個背負著眾多假設條件，但長相極為俊俏的干擾項，e_it~N(0,sigma_e^2)。 需要注意的是，在 FE 模型中，只有一個干擾項 e_it，它可以隨公司和時間而改變，所有個體差異都採用 u_i 來捕捉。而在 RE 模型中，其實有兩個干擾項：u_i 和 e_it，差別在於，第一種干擾項不隨時間改變（這也是所謂的「個體效應」的含義），而第二類干擾項可以隨時間改變。 因為上述對 FE 和 RE 中個體效應 u_i 的假設之差異，二者的估計方法亦有差異。FE可直接採用OLS估計，而RE則必須使用GLS才能獲得更為有效的估計量。
固定效應模型中的個體差異反映在每個個體都有一個特定的截距項上；隨機效應模型則假設所有的個體具有相同的截距項，個體的差異主要反應在隨機干擾項的設定上 。
區別二：
固定效應更適合研究樣本之間的區別，而隨機效應適合由樣本來推斷總體特徵。
其次，Hausman檢驗確定模型形式的選擇。
以上面的面板數據為例
xtreg lscrap d88 d89 grant grant_1,fe
est store fe
xtreg lscrap d88 d89 grant grant_1,re
est store re
hausman fe
結果顯示：
(1)
原假設為隨機效應，而最終P值為0.7096，接受原假設，模型最終選擇為隨機效應。

6. STATA中如何做面板數據條件回歸

兩個變數為啥要聯立方程。。。。

用STATA處理面板數據，首先要聲明數據是面板數據，命令是xtreg x1 x2
變數x1就是觀測值的單位，就是一般模型里的i，變數x2是觀測值的時間，就是一般模型里的t。
比如有1980-1985年5年省級面板數據，province變數表示省，year變數表示年，就應該：xtreg province year
記住把i放在t前面就是了。
然後怎麼處理這些數據就看你具體用什麼模型了，有xtreg, xtgls, xtivreg等等。

7. 怎麼用stata做面板數據回歸

用xtreg命令來實現
前提是要把數據導入stata
面板數據我用stata做多啦