stata工具變數命令

Ⅰ 如何用STATA做弱工具變數的檢測

檢驗工具變數是否為弱工具變數：
命令：estat firststage, all forcenonrobust (all表示顯示每個內生變數的統計量，而非僅僅所有內生變數綜合的統計量，forcenonrobust表示及時在進行工具變數法時用了穩健標准差，也仍然允許計算estat firststage)

Ⅱ stata weakiv命令 怎麼用

一、解釋變數內生性檢驗
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）

Ⅲ stata工具變數回歸為什麼不能控制行業固定效應

因為這些命令的ado文件里沒有編入fe的功能。
機理上fe是可行的，可以生成個體虛擬變數再加入回歸中，就可以達到fe的效果，同樣地可以再生成時間虛擬變數。
也加入回歸中，就成了雙向固定效應模型，這樣對異質性的控制最為嚴格。

Ⅳ 如何用stata實現兩個內生變數不同工具變數的回歸

普通的2sls回歸中的關於工具變數的命令如下：reg y x1 x2 ( z x2),上述的回歸模型假定x1是內生變數，其中 z x2分別是x1 x2 相對應的工具變數。
版主提出的帶有交叉項的回歸模型中，不知可否 採用 reg y x1 x2*x1 (z z*x2) 僅供參考 ，我也是初學，若有不當敬請諒解。
私下認為，x2應該為定性變數，即啞變數。

Ⅳ stata中增長率變數怎麼命名

需要看你用的什麼模型，標準的ols帶有iv的2sls可以採用ivreg命令ivregy(x(內生變數)=iv(x的工具變數）controlvariables)controlvariables最簡單就是這樣如果看復雜的可以去statafindit。
Stata是一款十分出色的統計學軟體，Stata中文版界面友好，功能豐富，除了傳統的統計分析方法外，還收集了近20年發展起來的新方法。包含線性混合模型、均衡重復反復及多項式普羅比模式等。

Ⅵ 工具變數法的Stata命令和實例

原發布者:th6572
工具變數
法的Stata命令及實例本實例使用
數據集
「grilic.dta」。先看一下數據集的統計特徵：考察智商與受教育年限的
相關關系
：上表顯示.智商（在一定程度上可以視為能力的代理變數）與受教育年限具有強烈的
正相關關系
（
相關系數
為0.51）。作為一個
參考系
.先進行OLS回歸.並使用穩健
標准差
：其中expr,tenure,rns,smsa均為
控制變數
.而我們主要感興趣的是變數受教育年限（s）。回歸的結果顯示.教育投資的年回報率為10.26%.這個似乎太高了。可能的原因是.由於遺漏變數「能力」與受教育正相關.故「能力」對工資的貢獻也被納入教育的貢獻.因此高估了教育的回報率。引入智商iq作為能力的代理變數.再進行OLS回歸：雖然教育的
投資回報率
有所下降.但是依然很高。由於用iq作為能力的代理變數有
測量誤差
.故iq是
內生變數
.考慮使用變數（med（母親的受教育年限）、kww（在「knowledgeoftheWorldofWork」中的成績）、mrt（婚姻
虛擬變數
.已婚=1）age（年齡））作為iq的工具變數.進行2SLS回歸.並使用穩健的標准差：在此2SLS回歸中.
教育回報率
反而上升到13.73%.而iq對工資的貢獻居然為
負值
。使用工具變數的前提是工具變數的有效性。為此.進行
過度識別
檢驗.考察是否所有的工具變數均外生.即與擾動項不相關：結果強烈拒絕所有工具變數均外生的原假設。考慮僅使用變數（med,kww）作為iq的工具變數.再次進行2SLS回歸.同時顯示第一階段的回歸結果：上表顯示.教育的回

Ⅶ 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.

Ⅷ 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。

Ⅸ 怎樣用STATA求變數的增長率

gen pergdp=gdp/gdp[_n-1]-1
也可以分幾步實現：
1、先生成gdp變數的滯後1期變數
gen laggdp=gdp[_n-1]
2、再用當期值除以滯後值
gen pergdp=gdp/laggdp-1
3、drop laggdp

如果是時間序列數據，也可以這樣做
tsset id year
gen pergdp=gdp/l.gdp
這里直接用的時間序列的「lag」命令，gen lag1gdp=l.gdp

Ⅹ 工具變數，請問應該如何寫stata命令

可以做gmm啊