面板數據stata命令

⑴ 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！

⑵ stata裡面什麼命令可以對面板數據按時間求均值

首先對面板數據進行聲明：

前面是截面單元，後面是時間標識：

tsset company year

tsset instry year

產生新的變數：gennewvar=human*lnrd

產生滯後變數Genfiscal(2)=L2.fiscal

產生差分變數Genfiscal(D)=D.fiscal

一、描述性統計

xtdes ：對Panel Data截面個數、時間跨度的整體描述

Xtsum：分組內、組間和樣本整體計算各個變數的基本統計量

xttab 採用列表的方式顯示某個變數的分布

二、主要命令和方法

Stata中用於估計面板模型的主要命令：xtreg

xtreg depvar [varlist] [if exp] , model_type [level(#) ]

Model type 模型

be Between-effects estimator

fe Fixed-effects estimator

re GLSRandom-effects estimator

pa GEEpopulation-averaged estimator

mle Maximum-likelihood Random-effectsestimator

主要估計方法：

xtreg： Fixed-, between- and random-effects, and population-averaged linear models

xtregar：Fixed- andrandom-effects linear models with an AR(1) disturbance

xtpcse ：OLS orPrais-Winsten models with panel-corrected standard errors

xtrchh ：Hildreth-Houckrandom coefficients models

xtivreg ：Instrumentalvariables and two-stage least squares for panel-data models

xtabond：Arellano-Bond linear, dynamic panel data estimator

xttobit ：Random-effectstobit models

xtlogit ：Fixed-effects,random-effects, population-averaged logit models

xtprobit ：Random-effects andpopulation-averaged probit models

xtfrontier ：Stochastic frontiermodels for panel-data

xtrc gdp invest culture e sci health social admin,beta

三、xtreg命令的應用

聲明面板數據類型：

*1、面板聲明

use FDI.dtar, clear

xtset id year

1.固定效應模型估計：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

2.隨機效應模型估計：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

3. 最大似然估計Ml：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,mle

Hausman檢驗究竟選擇固定效應模型還是隨機效應模型：

第一步：估計固定效應模型，存儲結果

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

est store fe

第二步：估計隨機效應模型，存儲結果

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

est store re

第三步：進行hausman檢驗

hausman fe re

對於固定效應模型的異方差檢驗和序列相關檢驗：

xtserial xtreg lngdp lnfdi lnie lnex lnim lnci lngp

異方差檢驗：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

xttest3 (Modified Wald statistic for groupwise heteroskedasticity in fixedeffect model)

隨機效應模型的序列相關檢驗：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

xttest1

xttest1用於檢驗隨機效應(單尾和雙尾) 、一階序列相關以及兩者的聯合顯著

檢驗結果表明存在隨機效應和序列相關，而且對隨機效應和序列相關的聯合檢驗也非常顯著

可以使用廣義線性模型xtgls對異方差和序列相關進行修正：

xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(hetero)，修正異方差

xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(correlated)，修正依橫截面而變化的異方差

xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(hetero) corr(ar1)，修正異方差和一階序列相關ar(1)

⑶ 截面數據模型的stata命令和面板數據一樣嗎

不一樣
面板數據模型有以下幾個優點:
第一,Panel Data 模型可以通過設置虛擬變數對個別差異(非觀測效應)進行控制;
第二,Panel Data 模型通過對不同橫截面單元不同時間觀察值的結合,增加了自由度,減少了解釋變數之間的共線性,從而改進了估計結果的有效性;
第三,Panel Data模型是對同一截面單元集的重復觀察, 能更好地研究經濟行為變化的動態性
舉例
交通死亡率與酒後駕車人數(一段時間內江蘇省各市)
其他的非觀測(潛在)因素:南京與蘇州
汽車本身狀況
道路質量
當地的飲酒文化
單位道路的車輛密度
非觀測效應導致估計結果不準確,面板數據可以控制和估計非觀測效應
面板數據模型形式:
其中, i=1,2,3...N,截面標示; t=1,2,... T,時間標示 ;xit為k×1解釋變數,β為k×1系數列向量對於特定的個體i 而言, ai表示那些不隨時間改變的影響因素,而這些因素在多數情況下都是無法直接觀測或難以量化的,如個人的消費習慣,地區的經濟結構,法律和產權制度等,一般稱其為"個體效應" (indivial effects)
面板數據模型的誤差項由兩部分組成:
一部分是與個體觀察單位有關的,它概括了所有影響被解釋變數,但不隨時間變化的因素,因此,面板數據模型也常常被成為非觀測效應模型;
另外一部分概括了隨截面隨時間而變化的不可觀測因素,通常被成為特異性誤差或特異擾動項

⑷ stata如何將初始數據處理成面板數據格式

首先我要說下面板數據是什麼，面板數據是指同一批觀察對象，在不同時間段的多次觀察的數據，和截面數據不一樣的就是多了一個時間周期的概念；我用兩個方法來回答下這個問題吧；

方法一

如果你的你的面板數據是10個地區10年的數據，地區的變數名是region，年份的變數名是year。
直接在stata裡面輸入：
tsset region year
然後stata就會把你的數據識別為面板數據啦！

方法二

1.先做一個Excel表格，然後將excel導入到stata中。

2.以地區面板數據為例，橫著為：各地區的名稱；縱著為：各年份解釋變數值（解釋變數名稱無需寫在表格中，可以記為分表格名稱），將所有解釋變數分別製成分表格即可。

⑸ 面板模型引入固定時間效應stata怎麼操作

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：xtsetpanelvartimvar[,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：xtsetfcodeyear

stata中處理面板數據如何選擇模型

方法的選擇一般基於因變數類型。對面板數據而言，當因變數為連續變數時，可在混合ols回歸、固定效應模型和隨機效應模型間選擇，有相應的檢驗統計量；當因變數為類別變數時，有面板logit模型，又可分為二分類，無序多分類和有序多分類面板logit。

先用xtset設定面板數據然後用xtreg，fe操作就可以做面板數據固定效應啦面板數據回歸分析我很熟悉的

面板數據之固定效應模型 當您只對分析的影響感興趣時，使用固定效果(FE)隨時間變化的變數。 FE探討預測因子和結果變數之間的關系(國家、個人、公司等)，每個實體都有自己的特點是否會影響預測變數(例如，是男性還是女性?能夠影響對某一問題的看法;或者一個特定的政治體系國家可以對貿易或GDP產生一些影響;或公司的商業慣例可能影響其股價)。

當使用FE時，我們假設個人內部的某些東西可能會影響預測或結果變數，我們需要控制這些。這就是背後的基本原理：實體誤差項與預測變數之間的相關性假設。FE模型去掉這些時不變特性的影響，這樣我們就可以評估結果變數上的預測因子。 FE模型的另一個重要假設是這些time-invariant特徵是獨一無二的個體，不應該與其他個體相關特徵。每個實體是不同的，因此實體的誤差項和常數(捕捉個體特徵)不應該與其他特徵相關聯。如果誤差項是相關的，那麼FE是不合適的，因為推論可能是不正確的，你需要建立這種關系的模型(可能使用隨機效應)，需要使用豪斯曼檢驗，

⑹ 在stata中怎樣對面板數據進行gmmguji

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）

⑺ 如何在stata輸入面板數據

步1：數據作如下排列(excel)：
province year gdp fdi
步2：全選後，打開stata中的data editor窗口，粘貼；
步3：在命令框中輸入
tis year
iis province
就可以了
下來就可以用xtreg方法了

⑻ stata怎麼做面板數據

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。

⑼ 如何用stata做面板數據的因子分析

命令：
factor
varlist
[if]
[in]
[weight]
[,
method
options]就是因子分析命令。
例如，以下為具體對變數bg2cost1-bg2cost6做因子分析的幾個命令：
webuse
bg2
factor
bg2cost1-bg2cost6
factor
bg2cost1-bg2cost6,
factors(2)
factor
bg2cost1-bg2cost6,
factors(2)
pcf
factor
bg2cost1-bg2cost6,
factors(2)
ipffactor
bg2cost1-bg2cost6,
factors(2)
ml
例如第一條命令得到因子分析的結果為：