stata面板数据处理步骤介绍含例子 PDF.pdf-资料库

cd D:\stata11\ado\personal\PX_Panel\xA6_Panel_Data cd `c(sysdir_personal)'PX_Panel\xA6_Panel_Data xA6_Panel_Data - Printed on 2011-11-25 10:43:02 1 2 3 * ======================== 4 * 5 * 面板数目模型 6 * 7 * ======================== 8 9 10 * 11 *------------------------------------------------ 12 * 13 * 主讲人：连玉君副教授 14 * 15 * 16 * 单位：中山大学岭南学院金融系 17 * 电邮: arlionn@163.com 18 * 博客: http://blog.cnfol.com/arlion 19 * 主页：http://toran.cn/arlion 20 * 21 *------------------------------------------------ 22 23 24 25 26 *-注意：执行后续命令之前，请先执行如下命令,进入课程讲义所在目录 27 28 29 30 31 *-或(如果你的stata11放置于其他盘符下，如C盘或F盘) 32 33 34 35 36 * ------------------ 37 * ---- 本讲目录 ---- 38 * ------------------ 39 * 40 * 6.1 静态面板模型：固定效应模型 v.s. 随机效应模型 41 * 6.2 时间效应、模型的筛选和常见问题 42 * 6.3 异方差、序列相关和截面相关 43 * 6.4 内生性问题与 IV-GMM 估计 44 * 6.5 动态面板模型 45 * 6.6 面板数据资料的处理 46 47 48 49 *----------------- 50 *-6.1 静态面板模型 51 *----------------- 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 *-------------------- 74 *-6.1.1 简介 * ==本节目录== * 6.1.1 简介 * 6.1.2 参考资料 * 6.1.3 静态面板简介 * 6.1.4 固定效应模型 * 6.1.4.1 FE模型的基本原理 * 6.1.4.2 如何估计固定效应模型 * 6.1.4.3 stata的估计方法解析 * 6.1.4.4 解读 xtreg,fe 的估计结果 * R^2 * 个体效应是否显著？ * 如何得到调整后的 adj-R2 ？ * 如何得到每家公司的截距项？ * 拟合值和残差 * 6.1.5 随机效应模型 * 6.1.5.1 RE 与 FE 的异同 * 6.1.5.2 解读 xtreg,re 的估计结果 Page 1

use xtlabor.dta, clear browse tsset id year xtdes use invest2.dta, clear browse tsset id t xtdes 75 76 77 *-------------------- 78 *-6.1.2 参考资料 79 80 * 连玉君计量笔记第8章，重点介绍stata操作，可在我的博客中下载 81 * Greene(2000), chp14 较为清晰的介绍了静态面板模型 82 * Baltagi(2001), 一本专门介绍Panel的书，人大论坛可下载 83 * Arrllano(2003), 重点关注动态面板和GMM估计，人大论坛可下载 84 * Stata Longitudinal/Panel data Reference Manual(9) 85 * 详细介绍了stata中有关Panel的各种命令 86 * 以上书籍我这里都有原版教材，可为大家提供复印版本 87 88 shellout 连玉君_Chp8_Panel_Data.pdf 89 90 91 *-------------------- 92 *-6.1.3 静态面板简介 93 94 * 面板数据的结构(兼具截面资料和时间序列资料的特征) 95 96 97 98 99 100 101 102 103 104 105 *-------------------- 106 *-6.1.4 固定效应模型 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 *-6.1.4.2 如何估计固定效应模型 145 146 147 148 * 实质上就是在传统的线性回归模型中加入 N-1 个虚拟变量， * 使得每个截面都有自己的截距项， * 截距项的不同反映了个体的某些不随时间改变的特征 * * 例如： lny = a_i + b1*lnK + b2*lnL + e_it * 考虑中国28个省份的C-D生产函数 * OLS 估计的偏误 * 一份模拟数据 do B7_introFe.do save B7_introFe, replace tsset id t xtdes twoway (scatter y x) (lfit y x) reg y x twoway (scatter y x) (lfit y x) (lfit y x if id==1) (lfit y x if id==2) (lfit y x if id==3), legend(off) tab id, gen(dum) list reg y x dum1 dum2 dum3, nocons est store m_ols * 回归分析 reg y x tsset id t xtreg y x, fe est table m_ols m_fe, b(%6.3f) star(0.1 0.05 0.01) est store m_fe * 真实的数据生成过程 doedit B7_introFe.do /// /// /// /// xA6_Panel_Data - Printed on 2011-11-25 10:43:02 *-M1：放入三个虚拟变量，即每家公司都有一个自己的截距项 use B7_introFe, clear tab id , gen(dum) Page 2

*-M2：放入两个虚拟变量，三家公司有一个公共的截距项 *-M3：面板固定效应模型（stata的估计方法） tsset id t xtreg y x, fe est store m_fe est table m_*, b(%6.3f) star(0.1 0.05 0.01) * 目的：如果截面的个数非常多，那么采用虚拟变量的方式运算量过大 * 因此，要寻求合理的方式去除掉个体效应 * 因为，我们关注的是 x 的系数，而非每个截面的截距项 * 处理方法： * * y_it = u_i + x_it*b + e_it (1) * ym_i = u_i + xm_i*b + em_i (2) 组内平均 * ym = um + xm*b + em (3) 样本平均 * (1) - (2), 可得： * (y_it - ym_i) = (x_it - xm_i)*b + (e_it - em_i) （4）//within估计 * (4)+(3), 可得： * (y_it-ym_i+ym) = um + (x_it-xm_i+xm)*b + (e_it-em_i+em) * 可重新表示为： * Y_it = a_0 + X_it*b + E_it * 对该模型执行 OLS 估计，即可得到 b 的无偏估计量 /*样本平均*/ egen y_meanw = mean(y), by(id) /*公司内部平均*/ egen y_mean = mean(y) egen x_meanw = mean(x), by(id) egen x_mean = mean(x) gen dy = y - y_meanw + y_mean gen dx = x - x_meanw + x_mean reg dy dx est store m_stata est table m_*, b(%6.3f) star(0.1 0.05 0.01) xA6_Panel_Data - Printed on 2011-11-25 10:43:02 reg y x dum2 dum3 est store m_pooldum2 reg y x dum1 dum2 dum3, nocons est store m_pooldum3 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 *-6.1.4.3 stata的估计方法解析 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 *-6.1.4.4 解读 xtreg,fe 的估计结果 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 Page 3 use invest2.dta, clear tsset id t edit xtreg market invest stock, fe *-- R^2 * y_it = a_0 + x_it*b_o + e_it (1) pooled OLS * y_it = u_i + x_it*b_w + e_it (2) within estimator * ym_i = a_0 + xm_i*b_b + em_i (3) between estimator * * -> R-sq: within 模型(2)对应的R2，是一个真正意义上的R2 * -> R-sq: between corr{xm_i*b_w,ym_i}^2 * -> R-sq: overall corr{x_it*b_w,y_it}^2 *-- F(2,93) = 33.23 检验除常数项外其他解释变量的联合显著性 * 93 = 100-2-5 *-- corr(u_i, Xb) = 0.5256 *-- sigma_u, sigma_e, rho * rho = sigma_u^2 / (sigma_u^2 + sigma_e^2) dis e(sigma_u)^2 / (e(sigma_u)^2 + e(sigma_e)^2) dis 1023.5914^2 / (1023.5914^2 + 370.9569^2) *-- 个体效应是否显著？（假设检验） * F(4, 93) = 97.68 H0: a1 = a2 = a3 = a4 = 0 * Prob > F = 0.0000 表明，固定效应高度显著

*-- 如何得到每家公司的截距项？ * 方法二：xi 前缀 xi: reg market invest stock i.id xi: reg market invest stock i.id, robust * 方法三：采用predict命令 * 方法四：areg 命令 areg market invest stock, absorb(id) predict ai, d gen a_i = ai + _b[_cons] order id t a_i ai browse *-- 如何得到调整后的 R2,即 adj-R2 ？ use invest2.dta, clear qui tab id, gen(dum) cap drop dum1 reg market invest stock dum* areg market invest stock, a(id) * 方法一：加入 (N-1) 个虚拟变量，采用 OLS 估计 use invest2.dta, clear tab id, gen(dum) reg market invest stock dum*, nocons xtreg market invest stock , fe * 优点：可以同时获得每个截距项的标准误、t值和p值 * 适用于大 T 小 N 型数据 qui xtreg market invest stock, fe predict a , u replace a = _b[_cons] + a duplicates example id a order id t a browse reg market invest stock dum*, nocons nohead 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 xb xb, fitted values; the default 275 stdp calculate standard error of the fitted values 276 ue u_i + e_it, the combined residual 277 xbu xb + u_i, prediction including effect 278 u u_i, the fixed- or random-error component 279 e e_it, the overall error component */ 280 281 282 283 284 285 286 287 288 289 290 *-------------------- 291 *-6.1.5 随机效应模型 292 293 *-6.1.5.1 RE 与 FE 的异同 294 295 296 xtreg market invest stock, fe predict y_hat predict a , u predict res , e predict cres, ue gen ares = a + res list ares cres in 1/10 * 采用areg估计模型，将截距项的标准误存于一个新的变量中 * ssc install fese, replace use invest2.dta, clear fese market invest stock, s(o) oonly * y_it = u_i + x_it*b + e_it * predict newvar, [option] /* * 方法五：fese 命令 *-- 拟合值和残差 xA6_Panel_Data - Printed on 2011-11-25 10:43:02 /*更为简洁*/ *-RE的模型设定： * y_it = x_it*b + (a_i + u_it) Page 4

* = x_it*b + v_it * 基本思想：将随机干扰项分成两种 * 一种是不随时间改变的，即个体效应 a_i * 另一种是随时间改变的，即通常意义上的干扰项 u_it * 估计方法：FGLS * Var(v_it) = sigma_a^2 + sigma_u^2 * Cov(v_it,v_is) = sigma_a^2 * Cov(v_it,v_js) = 0 * 利用Pooled OLS，Within Estimator, Between Estimator * 可以估计出sigma_a^2和sigma_u^2,进而采用GLS或FGLS * Re估计量是Fe估计量和Be估计量的加权平均 * yr_it = y_it - theta*ym_i * xr_it = x_it - theta*xm_i * theta = 1 - sigma_u / sqrt[(T*sigma_a^2 + sigma_u^2)] use invest2.dta, clear xtreg market invest stock, re *-- R2 * -> R-sq: within corr{(x_it-xm_i)*b_r, y_it-ym_i}^2 * -> R-sq: between corr{xm_i*b_r,ym_i}^2 * -> R-sq: overall corr{x_it*b_r,y_it}^2 * 上述R2都不是真正意义上的R2，因为Re模型采用的是GLS估计。 *-- rho = sigma_u^2 / (sigma_u^2 + sigma_e^2) dis e(sigma_u)^2 / (e(sigma_u)^2 + e(sigma_e)^2) *-- corr(u_i, X) = 0 (assumed) * 这是随机效应模型的一个最重要，也限制该模型应用的一个重要假设 * 然而，采用固定效应模型，我们可以粗略估计出corr(u_i, X) *-- Wald chi2(2) = 95.98 Prob> chi2 = 0.0000 xA6_Panel_Data - Printed on 2011-11-25 10:43:02 xtreg market invest stock, fe 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 *-6.1.5.2 解读 xtreg,re 的估计结果 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 *------------------------------------ 343 *-6.2 时间效应、模型的筛选和常见问题 344 *------------------------------------ 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 *----------------- Page 5 * ==本节目录== * 6.2.1 时间效应 * 6.2.1.1 时间虚拟变量的设定 * 6.2.1.2 检验时间效应是否显著 * 6.2.2 模型的筛选 * 6.2.2.1 固定效应模型还是Pooled OLS？ * 6.2.2.2 随机效应模型还是Pooled OLS？ * 6.2.2.3 固定效应模型还是随机效应模型？Hausman检验 * 6.2.3 一些常见问题 * 6.2.3.1 为何tsset命令总是报告错误信息？ * 6.2.3.2 数据的结构 * 6.2.3.3 为何有些变量会被drop掉？ * 6.2.3.4 unbalance —> balance * 6.2.3.5 得到时间连续的样本 * 6.2.3.6 得到连续的公司编号 * 6.2.3.7 长条形数据与扁平型数据的转换 * 6.2.3.8 绘图 * 6.2.3.9 统计类别变量 * 6.2.4 面板数据的转换 * 6.2.4.1 FE 转换 * 6.2.4.2 RE 转换

use xtcs, clear qui tab year, gen(yr) drop yr1 xtreg tl size ndts tang tobin npr yr*, fe * 随机效应模型中的时间效应 xtreg tl size ndts tang tobin npr yr*, re * 单向固定效应模型 * y_it = u_i + x_it*b + e_it * 双向固定效应模型 * y_it = u_i + f_t + x_it*b + e_it * 固定效应模型中的时间效应 * Wald 检验 xtreg tl size ndts tang tobin npr yr*, fe test yr2 = yr3 = yr4 = yr5 = yr6 = yr7 test yr2 = yr3 = yr4 = yr5 = yr6 = yr7 = 0 * LR 检验 xtreg tl size ndts tang tobin npr , fe est store fe xtreg tl size ndts tang tobin npr yr*, fe est store fe_dumt lrtest fe fe_dumt 371 *-6.2.1 时间效应 372 373 *-6.2.1.1 时间虚拟变量的设定 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 *-6.2.1.2 检验时间效应是否显著 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 *----------------- 406 *-6.2.2 模型的筛选 407 408 *-6.2.2.1 固定效应模型还是Pooled OLS？ 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 *-6.2.2.2 随机效应模型还是Pooled OLS？ 424 425 426 427 428 429 430 431 432 433 434 435 *-6.2.2.3 固定效应模型还是随机效应模型？Hausman检验 436 437 438 439 440 441 442 443 444 * Wald 检验 use invest2.dta, clear xtreg market invest stock, fe * LR检验 qui tab id, gen(dum) reg market invest stock est store m_ols reg market invest stock dum*, nocons est store m_fe lrtest m_ols m_fe * 方法二：LR test（似然比检验） xtreg market invest stock, re mle * H0: Var(u) = 0 * 方法一：B-P 检验 xtreg market invest stock, re xttest0 xA6_Panel_Data - Printed on 2011-11-25 10:43:03 * y_it = u_i + x_it*b + e_it *--- Hausman 检验 --- * 基本思想：如果 Corr(u_i,x_it) = 0, Fe 和 Re 都是一致的，但Re更有效 * 如果 Corr(u_i,x_it)!= 0, Fe 仍然有效，但Re是有偏的 * 基本步骤 Page 6

* 通常是因为RE模型的基本假设 Corr(x,u_i)=0 无法得到满足 * 检验过程中两个模型的方差-协方差矩阵都采用Fe模型的 hausman m_fe m_re, sigmaless * 两个模型的方差-协方差矩阵都采用Re模型的 hausman m_fe m_re, sigmamore * (1) Fe * (2) IV 估计 *--- xtoverid 命令 --- * 基本思想：如果二者都是一致的，那么系数估计值应当不存在显著差异 xA6_Panel_Data - Printed on 2011-11-25 10:43:03 * Hausman 检验值为负怎么办？ * 如果Hausman检验拒绝Re模型，怎么办？ xtreg market invest stock, re xtoverid use invest2.dta, clear xtreg market invest stock, fe est store m_fe xtreg market invest stock, re est store m_re hausman m_fe m_re use xtcs.dta, clear xtreg tl size ndts tang tobin npr, fe est store fe xtreg tl size ndts tang tobin npr, re est store re hausman fe re 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 *--------------------- 482 *-6.2.3 一些常见问题 483 484 *-6.2.3.1 为何tsset命令总是报告错误信息？ 485 486 487 488 489 490 491 492 493 494 495 496 *-6.2.3.2 数据的结构 -xtdes- -xtpattern- 497 498 499 500 501 502 503 504 505 *-6.2.3.3 为何有些变量会被drop掉？ 506 507 508 509 510 511 512 513 514 515 516 517 518 use invest3.dta, clear tsset id t xtdes duplicates report id t duplicates example id t list if id == 1 duplicates drop id t, force tsset id t // 错误 Page 7 xtdes xtpattern, gen(pat) /*findit xtpattern*/ tab pat keep if pat == "11111111111111111111" /*20个1*/ xtdes use nlswork.dta, clear tsset idcode year xtreg ln_wage hours tenure ttl_exp, fe // 正常执行 * 产生种族虚拟变量 tab race, gen(dum_race) xtreg ln_wage hours tenure ttl_exp dum_race2 dum_race3, fe * 为何 dum_race2 和 dum_race3 会被 dropped ? * 固定效应模型的设定：y_it = u_i + x_it*b + e_it (1) * 由于个体效应 u_i 不随时间改变， * 因此若 x_it 包含了任何不随时间改变的变量，

// written by arlion // written by arlion use grunfeld.dta, clear drop in 28 drop in 55 drop in 87 drop in 94 xtdes *- 转换 *- 主要目的：去除 varlist 中的缺漏值，把时间不连续的部分删除 cap erase grun1.dta onespell invest mvalue kstock, saving(grun1) replace use grun1.dta, clear xtdes *- 问题：在使用循环命令(如forvalues)时，需要公司编号是连续的， * 此时可采用 egen 命令提供的 group() 函数。 use xtcs.dta, clear tsset code year list code year tl if code<20 egen code_new = group(code) list code code_new year tl if code<20 tsset code_new year xtdes * 启示：采用同样的方法，可以针对任何类别变量生成连续编号 xA6_Panel_Data - Printed on 2011-11-25 10:43:03 * 都会与 u_i 构成多重共线性，Stata会自动删除之。 *- 样本 // unbalanced // many missing values use invest3.dta, clear duplicates drop id t,force xtdes xtbalance, range(3 19) use abond91.dta, clear tsset id year xtdes sum xtbalance , rang(1978 1982) miss(_all) xtdes sum 519 520 521 522 *-6.2.3.4 unbalance —> balance 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 *-6.2.3.5 得到时间连续的样本 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 *-6.2.3.6 得到连续的公司编号 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 *-6.2.3.7 长条形数据与扁平型数据的转换 573 574 575 576 577 578 579 580 581 582 583 584 585 *-6.2.3.8 绘图 586 587 588 589 590 591 592 use reshape.dta, clear browse * 扁平 —> 长条 reshape long r c, i(id) j(year) tsset id year list in 1/20, sep(4) * 长条 —> 扁平 reshape wide r c, i(id) j(year) browse *-xtline use invest2.dta, clear xtline invest xtline invest, overlay xtline market invest stock *-xtgraph Page 8

资料库

stata面板数据处理步骤介绍含例子 PDF.pdf

相关推荐

行业

热门标签

最新资料