A. 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
B. 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。
C. 面板向量自回歸模型stata中用什麼命令
面板向量自回歸命令是xtvar或者pvar
D. python怎麼安裝面板回歸
. win+r 輸入cmd打開命令提示符
輸入pip list 查看python中安裝的庫，查看是否安裝了matplotlib，numpy，scipy，sklearn這些庫
2.未安裝，下面進行pip安裝
打開虧敗命令提示符，輸入下面代銷羨顫碼，回車等待。
pip install matplotlib
pip install numpy
pip install scipy
pip install sklearn
登錄後復制
安裝後，運行下圖代碼，無異常，這樣就算安裝成功啦！
3.關於pycharm的一些安裝
在安裝pycharm的時候盡量把環境變數的路徑path勾選上派譽，不然就要自己去安裝環境變數的路徑。
有時候在用pip安裝sklearn時，在pycharm中不顯示，運行時即會出現如下現象：
MoleNotFoundError: No mole named 'sklearn』
解決方法如下：
在這里查看，若沒有顯示安裝的包，我們可以在pycharm中直接導入包：
sickit-learn就是sklearn的詳寫，安裝這個，前提要先安裝matplotlib，numpy，scipy，這3個包，也是搜索安裝即可。
4.回歸的一個例子
# y = 0.5*x1 + 0.5*x2
from sklearn.linear_model import LinearRegression
clf = LinearRegression()
clf.fit([[0,0],[1,1],[2,2]],[0,1,2]) # 模型訓練
pre = clf.predict([[3,3]]) # 模型預測
a=clf.coef_
b=clf.intercept_
print(a)
print(b)
print(pre)
登錄後復制
運行結果：
python
今年的你需要這樣一件薄羽絨服！
精選推薦
廣告