面板数据stata命令

⑴ 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！

⑵ stata里面什么命令可以对面板数据按时间求均值

首先对面板数据进行声明：

前面是截面单元，后面是时间标识：

tsset company year

tsset instry year

产生新的变量：gennewvar=human*lnrd

产生滞后变量Genfiscal(2)=L2.fiscal

产生差分变量Genfiscal(D)=D.fiscal

一、描述性统计

xtdes ：对Panel Data截面个数、时间跨度的整体描述

Xtsum：分组内、组间和样本整体计算各个变量的基本统计量

xttab 采用列表的方式显示某个变量的分布

二、主要命令和方法

Stata中用于估计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

主要估计方法：

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命令的应用

声明面板数据类型：

*1、面板声明

use FDI.dtar, clear

xtset id year

1.固定效应模型估计：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

2.随机效应模型估计：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

3. 最大似然估计Ml：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,mle

Hausman检验究竟选择固定效应模型还是随机效应模型：

第一步：估计固定效应模型，存储结果

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

est store fe

第二步：估计随机效应模型，存储结果

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

est store re

第三步：进行hausman检验

hausman fe re

对于固定效应模型的异方差检验和序列相关检验：

xtserial xtreg lngdp lnfdi lnie lnex lnim lnci lngp

异方差检验：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

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

随机效应模型的序列相关检验：

xtreg xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

xttest1

xttest1用于检验随机效应(单尾和双尾) 、一阶序列相关以及两者的联合显着

检验结果表明存在随机效应和序列相关，而且对随机效应和序列相关的联合检验也非常显着

可以使用广义线性模型xtgls对异方差和序列相关进行修正：

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

xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(correlated)，修正依横截面而变化的异方差

xtgls xtreg lngdp lnfdi lnie lnex lnim lnci lngp, panels(hetero) corr(ar1)，修正异方差和一阶序列相关ar(1)

⑶ 截面数据模型的stata命令和面板数据一样吗

不一样
面板数据模型有以下几个优点:
第一,Panel Data 模型可以通过设置虚拟变量对个别差异(非观测效应)进行控制;
第二,Panel Data 模型通过对不同横截面单元不同时间观察值的结合,增加了自由度,减少了解释变量之间的共线性,从而改进了估计结果的有效性;
第三,Panel Data模型是对同一截面单元集的重复观察, 能更好地研究经济行为变化的动态性
举例
交通死亡率与酒后驾车人数(一段时间内江苏省各市)
其他的非观测(潜在)因素:南京与苏州
汽车本身状况
道路质量
当地的饮酒文化
单位道路的车辆密度
非观测效应导致估计结果不准确,面板数据可以控制和估计非观测效应
面板数据模型形式:
其中, i=1,2,3...N,截面标示; t=1,2,... T,时间标示 ;xit为k×1解释变量,β为k×1系数列向量对于特定的个体i 而言, ai表示那些不随时间改变的影响因素,而这些因素在多数情况下都是无法直接观测或难以量化的,如个人的消费习惯,地区的经济结构,法律和产权制度等,一般称其为"个体效应" (indivial effects)
面板数据模型的误差项由两部分组成:
一部分是与个体观察单位有关的,它概括了所有影响被解释变量,但不随时间变化的因素,因此,面板数据模型也常常被成为非观测效应模型;
另外一部分概括了随截面随时间而变化的不可观测因素,通常被成为特异性误差或特异扰动项

⑷ stata如何将初始数据处理成面板数据格式

首先我要说下面板数据是什么，面板数据是指同一批观察对象，在不同时间段的多次观察的数据，和截面数据不一样的就是多了一个时间周期的概念；我用两个方法来回答下这个问题吧；

方法一

如果你的你的面板数据是10个地区10年的数据，地区的变量名是region，年份的变量名是year。
直接在stata里面输入：
tsset region year
然后stata就会把你的数据识别为面板数据啦！

方法二

1.先做一个Excel表格，然后将excel导入到stata中。

2.以地区面板数据为例，横着为：各地区的名称；纵着为：各年份解释变量值（解释变量名称无需写在表格中，可以记为分表格名称），将所有解释变量分别制成分表格即可。

⑸ 面板模型引入固定时间效应stata怎么操作

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：xtsetpanelvartimvar[,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：xtsetfcodeyear

stata中处理面板数据如何选择模型

方法的选择一般基于因变量类型。对面板数据而言，当因变量为连续变量时，可在混合ols回归、固定效应模型和随机效应模型间选择，有相应的检验统计量；当因变量为类别变量时，有面板logit模型，又可分为二分类，无序多分类和有序多分类面板logit。

先用xtset设定面板数据然后用xtreg，fe操作就可以做面板数据固定效应啦面板数据回归分析我很熟悉的

面板数据之固定效应模型 当您只对分析的影响感兴趣时，使用固定效果(FE)随时间变化的变量。 FE探讨预测因子和结果变量之间的关系(国家、个人、公司等)，每个实体都有自己的特点是否会影响预测变量(例如，是男性还是女性?能够影响对某一问题的看法;或者一个特定的政治体系国家可以对贸易或GDP产生一些影响;或公司的商业惯例可能影响其股价)。

当使用FE时，我们假设个人内部的某些东西可能会影响预测或结果变量，我们需要控制这些。这就是背后的基本原理：实体误差项与预测变量之间的相关性假设。FE模型去掉这些时不变特性的影响，这样我们就可以评估结果变量上的预测因子。 FE模型的另一个重要假设是这些time-invariant特征是独一无二的个体，不应该与其他个体相关特征。每个实体是不同的，因此实体的误差项和常数(捕捉个体特征)不应该与其他特征相关联。如果误差项是相关的，那么FE是不合适的，因为推论可能是不正确的，你需要建立这种关系的模型(可能使用随机效应)，需要使用豪斯曼检验，

⑹ 在stata中怎样对面板数据进行gmmguji

首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）
如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp
二、异方差与自相关检验
在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，
面板异方差检验：
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')
面板自相关：xtserial enc invs exp imp esc mrl
则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid
三、工具变量效果验证
工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。
需要做的检验：
检验工具变量的有效性：
（1） 检验工具变量与解释变量的相关性
如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）
（2） 检验工具变量的外生性（接受原假设好）
在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0H
Sargan统计量，Stata命令：estat overid
四、GMM过程
在Stata输入以下命令，就可以进行对面板数据的GMM估计。
. ssc install ivreg2 （安装程序ivreg2 ）
. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）
. use "traffic.dta"（打开面板数据）
. xtset panelvar timevar （设置面板变量及时间变量）
. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

⑺ 如何在stata输入面板数据

步1：数据作如下排列(excel)：
province year gdp fdi
步2：全选后，打开stata中的data editor窗口，粘贴；
步3：在命令框中输入
tis year
iis province
就可以了
下来就可以用xtreg方法了

⑻ stata怎么做面板数据

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。

⑼ 如何用stata做面板数据的因子分析

命令：
factor
varlist
[if]
[in]
[weight]
[,
method
options]就是因子分析命令。
例如，以下为具体对变量bg2cost1-bg2cost6做因子分析的几个命令：
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
例如第一条命令得到因子分析的结果为：