|
来源：本文授权转载自数量经济学 本文包括静态与动态面板数据处理方法，包含hausman检验，固定效应检验，随机效应检验，异方差检验、相关检验，面板logit与面板probit模型、面板泊松模型、面板负二项模型等众多干货内容，欢迎阅读。 本文目录 一、静态面板数据 ●数据处理 ●模型的筛选和检验 1、检验个体效应（混合效应还是固定效应） 2、检验时间效应（混合效应还是随机效应） 3、检验固定效应模型or随机效应模型 （检验方法：Hausman检验） ●模型的筛选和检验 1、固定效应估计 2、随机效应估计省略 3、时间固定效应（以上分析主要针对的是个体效应） ●异方差和自相关检验 1、异方差检验 （组间异方差） 2、序列相关检验 3、“异方差—序列相关”稳健型标准误 4、截面相关检验 5、“异方差—序列相关—截面相关”稳健型标准误 二、动态面板数据 三、面板logit与面板probit模型 四、面板泊松模型 五、面板负二项模型 六、面板Tobit模型 七、面板工具变量法 八、面板随机前沿模型 一．静态面板数据的STATA处理命令 （一）数据处理 输入数据 use 'E:\stata\data\FDI.dta', clear tsset code year 该命令是将数据定义为“面板”形式 xtdes 该命令是了解面板数据结构 summarize lngdp lnfdi lnie lnex lnim lnci lngp 各变量的描述性统计（统计分析） 拓展命令： gen lag_y=L.y 产生一个滞后一期的新变量 gen F_y=F.y 产生一个超前项的新变量 gen D_y=D.y 产生一个一阶差分的新变量 gen D2_y=D2.y 产生一个二阶差分的新变量 （二）模型的筛选和检验 1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型） xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe 对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。 2、检验时间效应（混合效应还是随机效应）（检验方法：LM统计量） （原假设：使用OLS混合模型） qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re (加上“qui”之后第一幅图将不会呈现) xttest0 可以看出，LM检验得到的P值为0.0000，表明随机效应非常显著。可见，随机效应模型也优于混合OLS模型。 3、检验固定效应模型or随机效应模型 （检验方法：Hausman检验） 原假设：使用随机效应模型（个体效应与解释变量无关） 通过上面分析，可以发现当模型加入了个体效应的时候，将显著优于截距项为常数假设条件下的混合OLS模型。但是无法明确区分FE or RE的优劣，这需要进行接下来的检验，如下： Step1：估计固定效应模型，存储估计结果 Step2：估计随机效应模型，存储估计结果 Step3：进行Hausman检验 xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re est store re xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe est store fe hausman fe re (或者更优的是hausman fe,sigmamore/ sigmaless) 可以看出，hausman检验的P值为0.0000，拒绝了原假设，认为随机效应模型的基本假设得不到满足。此时，需要采用工具变量法或者使用固定效应模型。 （三）静态面板数据模型估计 1、固定效应模型估计 其中选项fe表明我们采用的是固定效应模型，表头部分的前两行呈现了模型的估计方法、界面变量的名称（id）、以及估计中使用的样本数目和个体的数目。第3行到第5行列示了模型的拟合优度、分为组内、组间和样本总体三个层面，通常情况下，关注的是组内（within），第6行和第7行分别列示了针对模型中所有非常数变量执行联合检验得到的F统计量和相应的P值，可以看出，参数整体上相当显著。需要注意的是，表中最后一行列示了检验固定效应是否显著的F统计量和相应的P值。显然，本例中固定效应非常显著。 2、随机效应估计省略 3、时间固定效应（以上分析主要针对的是个体效应） 如果希望进一步在上述模型中加入时间效应，可以采用时间虚拟变量来实现。首先，我们需要定义一下T-1个时间虚拟变量。 tab year ,gen(dumt) (tab命令用于列示变量year的组类别，选项gen（dumt）用于生产一个以dumt开头的年度虚拟变量) drop dumt1 （作用在于去掉第一个虚拟变量以避免完全共线性） 若在固定效应模型中加入时间虚拟变量，则估计模型的命令为： xtreg lngdp lnfdi lnie lnex lnim lnci lngp dumt*,fe
（四）异方差和自相关检验 1、异方差检验 （组间异方差）本节主要针对的是固定效应模型进行处理 1）检验 原假设：同方差，需要检验模型中是否存在组间异方差,需要使用xttest3命令。 qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp ,fe xttest3
显然，原假设被拒绝。此时，需要进一步以获得参数的GLS估计量，命令为xtgls： xtgls lngdp lnfdi lnie lnex lnim lnci lngp,panels(heteroskedastic)
其中，组间异方差通过panels（）选项来设定。上述结果是采用两步获得，即，先采用OLS估计不考虑异方差的模型，进而利用其残差计算。并最终得到FGLS估计量。 2、序列相关检验 对于T较大的面板而言，往往无法完全反映时序相关性，此时便可能存在序列相关，在多数情况下被设定为AR(1)过程。 原假设：序列不存在相关性。 （1） FE模型的序列相关检验 对于固定效应模型，可以采用Wooldridge检验法，命令为xtserial: xtserial lngdp lnfdi lnie lnex lnim lnci lngp
（2） RE模型的序列相关检验 对于RE模型，可以采用xttest1命令来执行检验： qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp dumt*,re xttest1
这里汇报了4个统计量，分别用于检验RE模型中随机效应（单尾和双尾）、序列相关以及二者的联合显著性，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著。 （3） 稳健型估计 上述结果表明，无论是FE还是RE模型，干扰项中都存在显著的序列相关。为此，我们进一步采用xtregar命令来估计模型，首先考虑固定效应模型： xtregar lngdp lnfdi lnie lnex lnim lnci lngp dumt*,fe lbi
3、“异方差—序列相关”稳健型标准误 虽然上述估计方法在估计方差-协方差矩阵时考虑了异方差和序列相关的影响，但都未将两者联立在一起考虑，要获得“异方差-序列相关”稳健型标准误，只需在xtreg命令中附加vce(robust)或者vce(cluster)选项即可。例如，对于FE模型，我们可以执行如下命令： xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe vce(robust)
与之前未经处理的估计结果相比，附加命令vce(robust)选项时的结果，虽然系数的估计值未发生变化，但此时得到的标准误明显增大了，致使得到的估计结果更加保守。对于面板数据模型而言，STATA在计算所谓的“robust”标准误时，是以个体为单位调整标准误的。因此，我们得到的“robust”标准误其实是同时调整了异方差和序列相关后的标准误。换言之，上述结果与设定vce(cluster)选项的结果完全相同。 4、截面相关检验 原假设：截面之间不存在着相关性 （1）FE模型检验 对于FE模型，可以利用xttest2命令来检验截面相关性： qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe xttest2 (该命令主要针对的是大T小N类型的面板数据，在本例中无法使用，故图标略去。) （2）RE模型检验 对于RE模型，可以利用xtcsd命令来检验截面相关性： qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re xtcsd,pesaran (下面命令是另一个检验指标) xtcsd,frees
可以看出，两种不同的检验方法均显示面板数据存在着截面相关性。 5、“异方差—序列相关—截面相关”稳健型标准误 1）FE模型估计 对于FE模型，在确认上述存在着截面相关的情况下，我们可以采用Hoechle(2007)编写的xtscc命令获取Driscoll and Kraay(1998)提出的“异方差—序列相关—截面相关”稳健型标准误： xtscc lngdp lnfdi lnie lnex lnim lnci lngp,fe
这里，xtscc命令会自动选择的滞后阶数为2，系数估计值和Within-R2与xtreg,fe的结果完全相同，但标准误存在着较大差异。可见，在本例中，截面相关对统计推断有较大的影响。 若读者有跟高的方法来确定自相关的滞后阶数，则可以通过lag( )选项设定。当然，在多数情况下，这很难做到。不过我们可以通过附加lag(0)来估计仅考虑异方差和截面相关的稳健型标准误，命令如下： xtscc lngdp lnfdi lnie lnex lnim lnci lngp,fe lag(0) （2） RE模型估计(略，待补充) 二．动态面板数据的STATA处理命令 （一）差分GMM xtabond Setup webuse abdata Basic model with two lags of dependent variable included as regressors xtabond n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) xtabond n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) vce(robust) xtabond n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) twostep
Treat w and k as predetermined and include w, L.w, k, L.k, and L2.k as additional regressors xtabond n l(0/2).ys yr1980-yr1984, lags(2) pre(w, lag(1,.)) pre(k, lag(2,.)) Treat L.w and L2.k as endogenous and include w, L.w, k, L.k, and L2.k as additional regressors xtabond n l(0/2).ys yr1980-yr1984, lags(2) endogenous(w, lag(1,.)) endogenous(k, lag(2,.)) （二）系统GMM Setup webuse abdata Basic model with strictly exogenous covariates and two lags of the dependent variable xtdpdsys n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) Same model with a robust VCE xtdpdsys n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) vce(robust)
Two-step estimator of the same model xtdpdsys n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) twostep vce(robust) Now allow some of the covariates to be predetermined xtdpdsys n l(0/1).w l(0/2).(k ys) yr1980-yr1984, lags(2) twostep pre(w, lag(1,.)) pre(k,lag(2,.)) Now allow some of the covariates to be endogenous xtdpdsys n l(0/1).ys yr1980-yr1984, lags(2) twostep endogenous(w, lag(1,.)) endogenous(k,lag(2,.)) （三）内生性检验 estat sargan 三．logit与probit模型 对于面板数据，如果被解释变量为离散变量或者虚拟变量时，使用离散选择模型，也就是面板二值选择模型。以二值选择（被解释变量取值为0或1）为例，当被解释变量取1的概率为标准正态分布时，使用probit模型；当被解释变量取1的概率为logistic分布时，使用logit模型。 面板二值选择模型固定效应 xtprobit y x1 x2 x3，fe xtlogit y x1 x2 x3，fe 面板二值选择模型随机效应 Random-effects (RE) model xtprobit depvar [indepvars] [if] [in] [weight] [, re RE_options] Random-effects (RE) model xtlogit depvar [indepvars] [if] [in] [weight] [, re RE_options] 案例讲解： Setup webuse union Random-effects logit model xtlogit union age grade i.not_smsa south##c.year
Fixed-effects logit model xtlogit union age grade i.not_smsa south##c.year, fe
Hausman检验 hausman fe re
四．面板泊松模型 面板泊松模型命令为xtpoisson，语法格式为： Random-effects (RE) model xtpoisson depvar [indepvars] [if] [in] [weight] [, re RE_options] Random-effects model xtpoisson accident op_75_79 co_65_69 co_70_74 co_75_79, exposure(service) irr
Fixed-effects model xtpoisson accident op_75_79 co_65_69 co_70_74 co_75_79, exposure(service) irr fe
五．面板负二项模型 面板负二项模型模型命令为xtnbreg，语法格式为： Syntax Random-effects (RE) and conditional fixed-effects (FE) overdispersion models xtnbreg depvar [indepvars] [if] [in] [weight] [, [re|fe] RE/FE_options] Population-averaged (PA) model xtnbreg depvar [indepvars] [if] [in] [weight], pa [PA_options] 案例介绍为： Setup webuse airacc Random-effects model xtnbreg i_cnt inprog, exposure(pmiles) irr 其中，默认的为re随机效应，而irr表示汇报发生率比
Fixed-effects model xtnbreg i_cnt inprog, exposure(pmiles) irr fe
六．面板Tobit模型 面板Tobit模型模型命令为xttobit，语法格式为： xttobit depvar [indepvars] [if] [in] [weight] [, options] 其中depvar ：被解释变量。indepvars ：解释变量。noconstant ：不含截距项。ll[(varname|#)] ：左删失变量。ul[(varname|#)] ：右删失变量。vce(vcetype) ：参数估计量方差协方差矩阵一致估计 格式为： xttobit y x1 x2 x3， ll(#) ul(#) tobit 其中ll(#)表示下限， ul(#) 表示上限， tobit表示对原假设进行LR检验。 webuse nlswork3 xtset idcode xttobit ln_wage union age grade not_smsa south##c.year, ul(1.9)
七．面板工具变量法 面板工具变量法命令为xtivreg webuse nlswork 固定效应估计 xtivreg ln_w age c.age#c.age not_smsa (tenure = union south), fe 随机效应GLS模型 xtivreg ln_w age c.age#c.age not_smsa 2.race (tenure = union birth south), re 八．面板随机前沿模型 面板随机前沿模型命令为xtfrontier，语法格式为： xtfrontier depvar [indepvars] [if] [in] [weight] , ti [ti_options] 选项 depvar表示被解释变量， indepvars表示解释变量，noconstant 不含截距项。ti ：表示估计技术效率不随时点变化的随机效应模型，vce(vcetype) ：参数估计量方差协方差矩阵一致估计，tvd表示估计随机效应的时变衰减模型。 下面以系统自带的 xtfrontier1数据为例进行随机效应模型的分析，该数据变量为machines表示资本，workers 表示劳动力，lnwidgets表示产量对数，lnmachines、lnworkers分别表示资产和劳动力取完对数。 Time-invariant model xtfrontier lnwidgets lnmachines lnworkers, ti
Time-varying decay model xtfrontier lnwidgets lnmachines lnworkers, tvd
Time-varying decay model with a constraint constraint 1 [eta]_cons = 0 xtfrontier lnwidgets lnmachines lnworkers, tvd constraints(1)
|
|
|
