stata面板数据回归命令

1. stata如何回归

1、生成一个自变量和一个因变量。

2. stata面板数据vif检验的命令

首先，用xtset米；命令设置面板数据。
再用xtreg命令进行固定效应面板数据回归，后加f选项。得到结果后，用vif命令检验方差膨胀因子。
在做回归分析时发现一个问题，因变量y有缺失值，如果不用dropy==.命令，回归后vif检验小于10，如果采用dropy==.命令，回归后vif检验值一下子蹦到了27，在这两种处理方式的回归中
最后样本数是相同的，回归系数、显着性也相同，为啥就是vif检验值差异这么大？一定要用drop命令吗？求高手解惑！

3. 时间序列和面板数据的结合怎么在stata里面做回归

面板数据实际上就包含了时间序列信息，面板数据的回归可用xtreg命令，例如xtreg y x z,fe。这个是面包数据最常用的回归方法，可以去除企业异质性的影响

4. 怎样用stata做两阶段回归2SLS

用命令ivregress 2sls y x1 x2, robust。y2是内生变量，z1、z2是工具变量。

不过建议使用ivregress2。先安装：ssc install ivregress2。

Stata操作：工具变量法的难点在于找到一个合适的工具变量并说明其合理性，Stata操作其实相当简单，只需一行命令就可以搞定，我们通常使用的工具变量法的Stata命令主要就是ivregress命令和ivreg2命令。

stata如何进行最小二乘法回归方法步骤？

一般做2sls，使用语句ivreg y （x1=z） x2 x3……xn。假定工具变量为z，控制变量有n-1个，就使用这个就好了。如果你非要自己编程序的话，首先reg x1 z x2……xn。

然后把X1的拟合值predict出来(假定为x11)，在做第二阶段的回归。 reg y x11 x2……xn； 这样得到的结果就是两阶段的回归结果，但是方差是有问题的。最好使用ivreg，如果还不会用的话，直接help ivreg。

ivregress命令

ivregress命令是Stata自带的命令，支持两阶段最小二乘（2SLS）、广义矩估计（GMM）和有限信息最大似然估计（LIML）三种工具变量估计方法，我们最常使用的是两阶段最小二乘法（2SLS），因为2SLS最能体现工具变量的实质，并且在球形扰动项的情况下，2SLS是最有效率的工具变量法。

顾名思义，两阶段最小二乘法（2SLS）需要做两个回归：

（1）第一阶段回归：用内生解释变量对工具变量和控制变量回归，得到拟合值。

（2）第二阶段回归：用被解释变量对第一阶段回归的拟合值和控制变量进行回归。

如果要使用2SLS方法，我们只需在ivregress后面加上2sls即可，然后将内生解释变量lnjinshipop和工具变量bprvdist放在一个小括号中，用=号连接。选项first表示报告第一阶段回归结果，选项cluster()表示使用聚类稳健的标准误。

5. 如何用stata做面板数据的滚动回归

方法/步骤

短面板处理
面板数据是指既有截面数据又有时间序列的数据，因此其存在截面数据没有的优势，在用stata进行面板数据的估计时，一般选择xtreg命令进行拟合。本节主要论述短面板的stata实现，即时间维度T相对于截面数n较小的数据。在那种情况下，由于T较小，每个个体的信息较少，故无从讨论扰动项是否存在自相关，我们一般假设其独立同分布。
面板数据维度的确定
在面板数据进行模型估计前，要进行面板数据的维度确定。由于面板数据既有截面数据又有时间序列，而stata不能自动识别，因此，必须使得stata得知哪一部分是截面数据，而哪一部分是时间序列。
设置面板数据维度的基本命令为：
xtset panelvar timvar [, tsoptions]
其中panelvar代表截面数据变量，timvar代表时间序列变量。
选取某一面板数据进行维度设定（该数据研究职业培训津贴对厂商废弃率的影响）：
xtset fcode year

固定效应估计
xtreg可以估计固定效应与随机效应，两者的差异在于选项的不同。
xtreg用来做固定效应的语法是：
xtreg depvar [indepvars] [if] [in] [weight] , fe [FE_options]
其语法可以help xtreg获得。（说明，其中xt表示面板数据的命令，因此，在stata中输入help xt可以学习面板数据描述、估计等命令。）
选取某一数据进行拟合：
xtreg lscrap d88 d89 grant grant_1,fe
结果显示如下：

其中，(1)表示组内、组间、总体的R方，其中固定效应看组内R-sq，随机效应看总体R-sq。
(2)表示个体效应与解释变量的相关系数。
(3)F检验表示模型整体显着性。

(4)U表示个体观测效应，sigma_u为个体效应的标准差
E表示随机干扰项，u+e为所谓的混合误差，rho是指个体效应的方差占混合误差方差的比重。
备注：（1）（2）（3）（4）分别对应一下的四张照片

随机效应估计
xtreg用来做随机效应的语法是：
xtreg depvar [indepvars] [if][in] [weight] , re [RE_options]
与上一部分类似的估计
xtreg lscrap d88 d89 grantgrant_1,re
（1）
与固定效应不同的是，固定效应F检验处，此处为瓦尔德卡方检验，同样表示模型整体显着性。

固定效应与随机效应的选择：豪斯曼检验
首先，看两个效应的区别
固定效应与随机效应的区别
区别一：
FE / RE 模型可统一表述为： y_it = u_i + x_it*b + e_it
对于FE，个体效应 u_i 被视为一组解释变量，为非随机变量，即 N-1 个虚拟变量；对于RE，个体效应 u_i被视为干扰项的一部分，因此是随机变量，假设其服从正态分布，即 u_i~N(0, sigma_u^2)； 在上述两个模型的设定中，e_it都被视为“干干净净的”干扰项，也就是OLS时那个背负着众多假设条件，但长相极为俊俏的干扰项，e_it~N(0,sigma_e^2)。 需要注意的是，在 FE 模型中，只有一个干扰项 e_it，它可以随公司和时间而改变，所有个体差异都采用 u_i 来捕捉。而在 RE 模型中，其实有两个干扰项：u_i 和 e_it，差别在于，第一种干扰项不随时间改变（这也是所谓的“个体效应”的含义），而第二类干扰项可以随时间改变。 因为上述对 FE 和 RE 中个体效应 u_i 的假设之差异，二者的估计方法亦有差异。FE可直接采用OLS估计，而RE则必须使用GLS才能获得更为有效的估计量。
固定效应模型中的个体差异反映在每个个体都有一个特定的截距项上；随机效应模型则假设所有的个体具有相同的截距项，个体的差异主要反应在随机干扰项的设定上 。
区别二：
固定效应更适合研究样本之间的区别，而随机效应适合由样本来推断总体特征。
其次，Hausman检验确定模型形式的选择。
以上面的面板数据为例
xtreg lscrap d88 d89 grant grant_1,fe
est store fe
xtreg lscrap d88 d89 grant grant_1,re
est store re
hausman fe
结果显示：
(1)
原假设为随机效应，而最终P值为0.7096，接受原假设，模型最终选择为随机效应。

6. STATA中如何做面板数据条件回归

两个变量为啥要联立方程。。。。

用STATA处理面板数据，首先要声明数据是面板数据，命令是xtreg x1 x2
变量x1就是观测值的单位，就是一般模型里的i，变量x2是观测值的时间，就是一般模型里的t。
比如有1980-1985年5年省级面板数据，province变量表示省，year变量表示年，就应该：xtreg province year
记住把i放在t前面就是了。
然后怎么处理这些数据就看你具体用什么模型了，有xtreg, xtgls, xtivreg等等。

7. 怎么用stata做面板数据回归

用xtreg命令来实现
前提是要把数据导入stata
面板数据我用stata做多啦