stata面板數據命令

⑴ 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。

⑵ 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。

⑶ 求教STATA中面板數據單位根檢驗的做法

面板數據的單位根檢驗方法有很多種，一般我們只選兩種，即相同根單位根檢驗和不同根單位根檢驗。

如果數據是平衡的，則可使用LLC檢驗（適用於同根）和IPS檢驗（適用於不同根）。

一般的stata並沒有自帶這兩個程序需要自己下載安裝，我們可以在命令欄鍵入：search levinlin, net和search ipshin, net，然後按照提示逐步安裝。接著就可以進行變數的單位根檢驗。輸入如下命令：Levinlin 變數名，lags(1)Ipshin 變數名，lags(1)

例：

1、levinlin lntfp,lags(1)

出現以下結果：

Levin-Lin-Chu test for lntfp Deterministics chosen: constant

Pooled ADF test, N,T = (31,9) Obs = 217

Augmented by 1 lags (average) Truncation: 6 lags

coefficient t-value t-star P > t

-1.18963 -15.196 -6.06106 0.0000

LLC檢驗的原假設是H0: 有單位根，P值為0，拒絕原假設，所以不存在單位根。

2、ipshin lntfp,lags(1)

出現以下結果：

Im-Pesaran-Shin test for cross-sectionally demeaned lntfp

Deterministics chosen: constant

t-bar test, N,T = (31,9) Obs = 217

Augmented by 1 lags (average)

t-bar cv10 cv5 cv1 W[t-bar] P-value

-2.348 -1.700 -1.750 -1.850 -4.272 0.000

同樣說明沒有單位根。

如果存在單位根，則需要進行一階差分，並再次進行單位根檢驗，輸入以下命令：

levinlin D.變數名,lags(1)

Stata的作圖模塊，主要提供如下八種基本圖形的製作 : 直方圖（histogram），條形圖（bar），百分條圖 （oneway），百分圓圖（pie），散點圖（two way），散點圖矩陣（matrix），星形圖（star），分位數圖。

這些圖形的巧妙應用，可以滿足絕大多數用戶的統計作圖要求。在有些非繪圖命令中，也提供了專門繪制某種圖形的功能，如在生存分析中，提供了繪制生存曲線圖，回歸分析中提供了殘差圖等。

Stata是一個統計分析軟體，但它也具有很強的程序語言功能，這給用戶提供了一個廣闊的開發應用的天地，用戶可以充分發揮自己的聰明才智，熟練應用各種技巧，真正做到隨心所欲。

事實上，Stata的ado文件（高級統計部分）都是用Stata自己的語言編寫的。

Stata其統計分析能力遠遠超過了SPSS，在許多方面也超過了SAS！由於Stata在分析時是將數據全部讀入內存，在計算全部完成後才和磁碟交換數據。

因此計算速度極快（一般來說， SAS的運算速度要比SPSS至少快一個數量級，而Stata的某些模塊和執行同樣功能的SAS模塊比，其速度又比SAS快將近一個數量級！）Stata也是採用命令行方式來操作，但使用上遠比SAS簡單。

其生存數據分析、縱向數據（重復測量數據）分析等模塊的功能甚至超過了SAS。用Stata繪制的統計圖形相當精美，很有特色。

(3)stata面板數據命令擴展閱讀：

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

⑷ stata面板數據模型

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。

⑸ 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

⑹ 如何在stata中處理面板數據

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：
xtset fcode year

⑺ 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)