stata高級-配套講義分章節(jié)b7panel

B7_PanelB7_Panel-Printedon2011-3-512 *********計量分析與STATA應(yīng)用4 主講人：連玉君6 單 電郵 主頁: ::高級部分 計量分析與Stata應(yīng) 第七講 cdD:\stata10\ado\ al\Netcourse\B7Panel* **7.1靜態(tài)面板模型：固定效應(yīng)模型v.s*7.2*7.3*7.4*7.5內(nèi)生性問題與IV-GMM*7.6*7.7*7.8*7.9*7.10**下面的內(nèi)容將在PanelData專題講座中發(fā)*A.1門檻面板模型（PanelThreshold*A.2面板VAR模型(PanelVAR模型*A.3**-7.1* ==本錄 7.1.1 7.1.2 7.1.3 7.1.4 stata 解讀xtreg,fe的估計結(jié) 如何得到調(diào)整后的adj-R2 7.1.5 RE與FE的異 解讀xtreg,re的估計結(jié)**-7.1.1簡**-7.1.2 *連玉君計量筆記第8章，重點介紹stata操作，可在我的博客中*Greene(2000chp14*Baltagi(2001),一本專門介紹Panel的書 *Arrllano(2003),重點關(guān)注動態(tài)面板和GMM估計 *StataLongitudinal/PaneldataReference 詳細(xì)介紹了stata中有關(guān)Panel的各種命* 以籍我這里都有原版，可為大家提供復(fù)印版**-7.1.3 面板數(shù)據(jù)的結(jié)構(gòu)(兼具截面資料和時間序列資料的特征usextlabor.dta,tssetiduseinvest2.dta,tssetid**-7.1.4*實質(zhì)上就是在傳統(tǒng)的線性回歸模型中加入N-1* 截距項的不同反映了的某些不隨時間改變的特**例如：lny=ai+b1*lnK+b2*lnL+e*考慮中國28個省份的C-D生產(chǎn)*OLS*doB7saveB7introFe,tssetidtwoway(scatteryx)(lfityregytwoway(scatteryx)(lfity (lfityxif (lfityxif (lfityxif tabid,regyxdum1dum2dum3,nocons*regyeststoretssetidxtregyx,eststorem esttablem_olsm_fe,b(%6.3f)star(0.10.05*doeditB7introFe.do *-*-M1：放入三個虛擬變量，即每家公司都有一個自己的截useB7introFe,tabid,regyxdum1dum2dum3,eststorem_pooldum3*-M2：放入兩個虛擬變量，三家公司有一個公共的截regyxdum2eststorem_pooldum2*-M3：面板固定效應(yīng)模型（stata的估計方法tssetidxtregyx,eststoreesttablem*,b(%6.3f)star(0.10.05 *-stata ***y_it=u_i+x_it*b+e_it*ymiuixmi*bemi(2)*ymumxm*b *(12可得*4)+(3*(yit-ymi+ym)=um+(xit-xmi+xm)*b+(eit-em**Y_it=a_0+X_it*b+*對該模型執(zhí)行OLS估計，即可得到begenymeanwmean(yby(id)/*公司內(nèi)部平均egeny_mean= /*樣本平均egenxmeanw=mean(x),egenxmean=gendy=y-y_meanw+gendx=x-xmeanw+xregdyeststoremstata esttablem*,b(%6.3f)star(0.10.05 *-解讀xtreg,feuseinvest2.dta,tssetidxtregmarketinveststock,fe *-- y_it=a_0+x_it*b_o+ (1)pooled yit=ui+xit*bw+e (2)within ymi=a0+xmi*bb+em (3)between* 模型(2)對應(yīng)的R2，是一個真正意義上的*->R-sq:betweencorr{xmi*bw,ym*->R-sq:overallcorr{xit*bw,yit}^2*--F(2,93)=33.23 93=100-2- *--corr(u_i,Xb)=*--sigmau,sigmae, rho=sigmau^2/(sigmau^2+sigmadise(sigma_u)^2/(e(sigma_u)^2+dis1023.5914^2/(1023.5914^2+*--效應(yīng)是否顯著？（假設(shè)檢驗 F(4,93)=97.68H0:a1=a2=a3=a4= ProbF0.0000 *如何得到調(diào)整后的R2,即adj-R2 useinvest2.dta, quitabid, capdrop regmarketinveststockdum* aregmarketinveststocka(id)/*更為簡潔 *--如何得到每家公司的截距項*(N-1OLSuseinvest2.dta,tabid,regmarketinveststockdum*,xtregmarketinveststock,*優(yōu)點：可以同時獲得每個截距項的標(biāo)準(zhǔn)誤、t值和p*適用于大T小N*方法二：xixi:regmarketinveststockxi:regmarketinveststocki.id,robust*方法三：采用predictquixtregmarketinveststock,predicta,replacea=b[cons]+duplicatesexampleidorderidtregmarketinveststockdum*,noconsnohead*方法四：aregaregmarketinveststock,predictai,genai=ai+b[orderidta_i*方法五：fese*采用areg*sscinstallfese,useinvest2.dta,fesemarketinveststock,s(o)oonly *--*y_it=u_i+x_it*b+*predictnewvar, xb,fittedvalues;the calculatestandarderrorofthefitted ui+eit,thecombined xb+ui,predictionincluding ui,thefixed-orrandom-error e_it,theoverallerrorcomponent*/xtregmarketinveststock,predictpredict ,predictres,predictcres,genares=a+listarescresin1/10**-7.1.5 *-RE與FE*-RE的模型設(shè)*yit=xit*b+(ai+u =xit*b+vit* 一種是不隨時間改變的，即效應(yīng)a * Var(vit)=sigmaa^2+sigma Cov(vit,vis)=sigma Cov(v_it,v_js)=*可以估計出sigmaa^2和sigmau^2,進而采用GLS或*Re估計量是Fe估計量和Be估計量的平*yr_it=y_it-*xrit=xit-theta*xm*theta=1-sigmau/sqrt[(T*sigmaa^2+sigmau^2)] *-解讀xtreg,reuseinvest2.dta,xtregmarketinveststock,re *--*->R-sq: corr{(xit-xmi)*br,yit-ym*->R-sq:between*->R-sq:overallcorr{xit*br,y*上述R2都不是真正意義上的R2，因為Re模型采用的是GLS*--rho=sigma_u^2/(sigma_u^2+dise(sigmau)^2/(e(sigmau)^2+e(sigmae)^2)*--corr(ui,X)=0 然而，采用固定效應(yīng)模型，我們可以粗略估計出corr(uixtregmarketinveststock,fe *--Waldchi2(2)=95.98 Prob>chi2=0.0000 *********計量分析與STATA應(yīng)用 主講人：連玉君 單 電郵 主頁: ::高級部分 計量分析與Stata應(yīng) 第七講 7.2 cdD:\stata10\ado\ al\Netcourse\B7Panel**-7.2* ==本錄 7.2.1 7.2.2 固定效應(yīng)模型還是隨機效應(yīng)模型？HausmanB7_PanelB7_Panel-Printedon2011-3-5**為何tsset命令總是報告錯誤信息**為何有些變量會被drop掉*unbalance—>*******FE轉(zhuǎn)*RE轉(zhuǎn)**-*-**yit=u +xit*b+e* *yit=ui+ft+xit*b+eit*usextcs,quitabyear,dropxtregtlsizendtstangtobinnpryr*,fe * xtregtlsizendtstangtobinnpryr*,re *- *Wald xtregtlsizendtstangtobinnpryr*, testyr2=yr3=yr4=yr5=yr6= testyr2=yr3=yr4=yr5=yr6=yr7=0*LRxtregtlsizendtstangtobin ,eststorextregtlsizendtstangtobinnpryr*,eststorefelrtestfefedumt *-7.2.2模型的篩 *-固定效應(yīng)模型還是Pooled *Wald useinvest2.dta, xtregmarketinveststock,fe *LR quitabid, regmarketinvest eststorem regmarketinveststockdum*, eststore lrtestmolsmfe *-隨機效應(yīng)模型還是Pooled *H0:Var(u)= *方法一：B-P xtregmarketinveststock, *方法二：LRtest（似然比檢驗 xtregmarketinveststock,remle *-固定效應(yīng)模型還是隨機效應(yīng)模型？Hausman *yit=ui+xit*b+eit *Hausman檢驗--- *基本思想：如果Corr(ui,xit0Fe和Re都是一致的，但Re Corr(ui,xit0Fe仍然有效，但Re*usextcs.dta,xtregtlsizendtstangtobinnpr,eststorextregtlsizendtstangtobinnpr,eststorehausmanfere *Hausman*通常是因為RE模型的基本假設(shè)Corr(x,ui)=0useinvest2.dta,xtregmarketinveststock,eststoremxtregmarketinveststock,eststoremhausmanmfemre *檢驗過程中兩個模型的方差-協(xié)方差矩陣都采用Fe hausmanmfemre,sigmaless *兩個模型的方差-協(xié)方差矩陣都采用Re hausmanm_fem_re,sigmamore *如果Hausman檢驗Re模型，怎么辦 *(1) *2IV *xtoverid--- xtregmarketinveststock, *-7.2.3 *-為何tsset useinvest3.dta, tssetid duplicatesreportid duplicatesexampleid listifid== duplicatesdropidt, tssetidt *--xtdesxtpattern- xtpattern,gen(pat)/*findit tab keepifpat 11"/*20個 *-為何有些變量會被drop掉 usenlswork.dta, tssetidcode xtregln_wagehourstenurettl_exp,fe// * tabrace,gen(dum xtregln_wagehourstenurettl_expdum_race2dum_race3,fe *為何dumrace2和dumrace3會被dropped *固定效應(yīng)模型的設(shè)定：yit=ui+xit*b+eit( *由于效應(yīng)u_i不隨時間改變 *因此若xit *都會與ui構(gòu)成多重共線性，Stata *-unbalance—>balance useinvest3.dta, duplicatesdropid xtbalance,range(319) //writtenbyarlionuseabond91.dta,tssetid // //manymissingxtbalance,rang(19781982)miss( //writtenby *-*usegrunfeld.dta,dropindropindropindropin**主要目的：去除varlistcaperaseonespellinvestmvaluekstock,saving(grun1)usegrun1.dta, *- 此時可采用egen命令提供的group() usextcs.dta, tssetcode listcodeyeartlif egencodenew= listcodecodenewyeartlif tssetcodenew *-usereshape.dta,*reshapelongrc,i(id)tssetidlistin1/20,*reshapewiderc,i(id) *-useinvest2.dta,xtlinextlineinvest,xtlinemarketinvestxtgraphinvest,av(mean) *-統(tǒng)計類別變 usextlabor, xtab //按截面?zhèn)€數(shù) tabulate // xttrans *==統(tǒng)計的數(shù) usextcs.dta, iftl> xtcountiftl> *-7.2.4 *-FE轉(zhuǎn) *y[it]=x[it]*b+ui+ *ym[it]=y[it]-ym[it] useinvest2.dta, listifid== xtreginvestmarketstock,fe xtdatainvestmarketstock, listifid== reginvestmarketstock * *(1)當(dāng)截面數(shù)目較大時(如N=10000), *2我們可以得到調(diào)整后的 *-RE轉(zhuǎn) *y[it]=x[it]*b+ui+ *ym[it]=y[it]- *rho=sigmau/sigmav useinvest2.dta, xtreginvestmarketstock, localrho=`e(sigmau)'/`e(sigmae)' xtdatainvestmarketstock,re reginvestmarket xtreginvestmarketstock,re 幾點評 668*(1)多數(shù)都采用固定效應(yīng)模型或雙向固定效應(yīng)模 *(2) 671 *********計量分析與STATA應(yīng)用 主講人：連玉君 單 電郵 主頁: ::高級部分 計量分析與Stata應(yīng) 第七 面板數(shù)據(jù)模 7.3 cdD:\stata10\ado\ al\Netcourse\B7Panel *-7.3 ==本錄 7.3.1 7.3.2 7.3.3 一個綜合的處理方法：xtscc *-7.3.1簡 *y_it=x_it*b+u_i+e_it * * *同時，由于面板數(shù)據(jù)中每個截面（公司、個人、國家、地區(qū)） * * *（1）Var[e_it 同方差假 *(2)Corr[eiteit-s0 *(3)Corr[eitejt *** **-7.3.2 *Var(ei)=sigmai^2 *FE usextcs.dta, xtregtlsizendtstangtobinnpr, useinvest2.dta, xtregmarketinveststock, *RE *Re本身已經(jīng)較大程度的考慮了異方差問題，主要體現(xiàn)在sigmau^2 *-序列相關(guān)檢 *-FE*-xtserial-命令*-基本思想：若無序列相關(guān)，則一階差分后殘差相關(guān)系數(shù)應(yīng)為-useinvest2.dta,xtserialmarketinvestxtserialmarketinveststock,*-解regD.marketD.investD.stock,noconsrobustpredicte,regeL.e,noconstestL.e=- *-abar-命令A(yù)rellano-Bond quitabid, regmarketinveststock, regmarketinveststockdum*, *-RE xtregmarketstockinvest, // *-截面相關(guān)檢*-xttest2-*H0:*檢驗統(tǒng)計量：chi2(p)pn(n-1)/2seeGreene(2000useinvest2.dta,xtregmarketinveststock,*由于檢驗過程中執(zhí)行了SUE估計，所以要求usextcs.dtaclear/*失敗xtregtlsizendtstangtobinnpr,*-xtcsd-命令（提供了三種檢驗方法useinvest2.dta,xtregmarketinveststock,xtcsd, //xtcsd, //xtcsd, //xtcsd,pesaranshow xtregmarketinveststock, xtcsd, xtcsd,pesaranshow usextcs.dta // xtregtlsizendtstangtobinnpr, xtcsd,pesaran**-7.3.3*-usextcs.dta,xtregtlsizendtstangtobinnpr,feeststorefe*-采用Bootstrap標(biāo)準(zhǔn)*-優(yōu)點：統(tǒng)計推斷并不依賴具體的分布xtregtlsizendtstangtobinnpr,fevce(bootstrap,eststorefe*xtregtlsizendtstangtobinnpr,fevce(bootstrap,*eststorefe*-原理 yit=ui+xit*b+v *估計完畢后，將得到b和ui的估計值，設(shè)為b0和u0i, ybs_itu0_ix_it*b0vbs_it(2)Bootstrap*估計（2），得到bbs1,bbs2,......b*計算這300個系數(shù)的標(biāo)準(zhǔn)差，便可以得到系數(shù)b*-結(jié)果對xtregtlsizendtstangtobinnpr,eststore*localmodels"fefe_rbfe_bs300localmodels"feferbfeesttab`models',b(%6.3f)se(%6.3f)*-序列相關(guān)估*-一階自相 -xtregar,*模型：yit=ui+xit*b+v vit=rho*vit-1+z xtregartlsizendtstangtobinnpr,eststorefextregartlsizendtstangtobinnpr,felbi/*Baltagi-WuLBI**(1)這里的Durbin-Watson= 不同于時間序列中的D-W統(tǒng)計量*(2其臨界值見Bhargavaetal1982TheReviewofEconomic*3Baltagi-WuLBI xtregartlsizendtstangtobinnpr,eststore*-兩階段估xtregartlsizendtstangtobinnpr,feeststore*-選擇一階相關(guān)系數(shù)的計算方xtregartlsizendtstangtobinnpr,feeststore*-結(jié)果對xtregtlsizendtstangtobinnpr,eststorelocalmodels"fefear1rear1fear1twofear1esttab`models',b(%6.3f) mtitle(`models')r2sca(r2w*-關(guān)于D-W*(1)在PanelData分析中，除非T很大，通常沒有必要列出*(2)雖然能按照上述方法列出DW 否則沒有參考意義，因為其分布與傳統(tǒng)的DW *-高階自相*-newey2-useinvest2.dta,newey2marketinveststock,*利用newey2命令得到膨脹因子usextcs.dta,newey2tlsizendtstangtobinnpr,*-xtreg,fe估計,但采用Newey-West估計調(diào)整標(biāo)準(zhǔn)誤useinvest2.dta,*gthackermarketinveststock,xtivreg2marketinveststock,febw(2)robusteststorefe*xtregmarketinveststock,eststorelocalmodels"fefeesttab`models',b(%6.3f)se(%6.3f)mtitle(`models') *-組間相關(guān)估計（截面相關(guān)*-cluster()usextcs.dta,xtregtlsizendtstangtobinnpr,feeststorextregtlsizendtstangtobinnpr,reeststorerecluster *-一個綜合的處理方法：xtscc命令（推薦使用 *詳見StataJournal，2007(3):281-**xtscc相當(dāng)于White/Newey估計擴展到Panel*DriscollandKraayusextcs.dta,xtscctlsizendtstangtobinnpr,eststorefextscctlsizendtstangtobinnpr,feeststorefesccxtregtlsizendtstangtobinnpr,*xtregtlsizendtstangtobinnpr,eststorelocalmodels"fefe_sccesttab`models',b(%6.3f)se(%6.3f)mtitle(`models')r2sca(r2w) *********計量分析與STATA應(yīng)用 主講人：連玉君 單 電郵 ::高級部分 ::高級部分 計量分析與Stata應(yīng) 第七 面板數(shù)據(jù)模 7.4 *-7.4多方程模型(SystemsofRegression ==本錄 7.4.1 7.4.2 xtgls- xtpcse- *-7.4.1簡 *-參見：Greene2000 *-例1：公司投資行 I[i,t]=a0+a1*Q[i,t]+a2*CFLOW[i,t]+ *-例2：CAPM r[i,t]-r[f,t]=a[i]+b[i]*(r[m,t]-r[f,t])+e[i,t] *-模 y=X*b+ 重點在于考慮干擾項U (1)異方差(2序列相關(guān)(3 *-應(yīng)用范圍：多用于“大T，小N”型面板數(shù)據(jù) *|y1 |X1 |e1 *|y_2 |X_2 |e_2 *|. |. |. *|.|=|.|*b+|. *|. |. |. *|y_n |X_n |e_n *-- E[ei*e=s* | | s2^2 | .| V= ...sn^2* E[ei*e=s* | ...| |ss ...s| .| V=.|** *|sn1s ...snn*- E[ei*ei']=si^2*M* | s2^2*M_2 || V= 0 ...sn^2*M_n *GLS估 =[X'V^{-1}*X]^{-1}[X'V^{- Var[b]=[X'V^{-1}*X]^{-**-7.4.2估計和檢*-xtgls-useinvest2.dta,xtglsmarketinveststock,iid等同于Pooledeststoregregmarketinvesteststoregxtglsmarketinveststock,eststoregxtglsmarketinveststock,// eststoregxtglsmarketinveststock,corr(psar1eststoregxtglsmarketinveststockpanel(correststorextglsmarketinveststock,p(c)eststoreg*-檢驗截面異方xtglsmarketinveststock, *-檢驗序列相 xtserialmarketinveststock *-檢驗截面相 xtglsmarketinveststock,panel(het) *-結(jié)果對 xtregmarketinveststock, eststore localmodels"feg0g esttab`models',b(%6.3f)se(%6.3f)mtitle(`models')r2sca(r2w) localmodels"feg_phetg_par1g_psar1g_pcorrg_all" esttab`models',b(%6.3f)se(%6.3f)mtitle(`models')/// r2sca(r2w)compress *-說明 *為何xtgls不匯報R2 因為此時的R2未必介于0和1之間，不具有傳統(tǒng)線性回歸模型中R2 *-xtpcse- *默認(rèn)假設(shè)：存在截面異方差和截面相關(guān) *估計方法：OLS或Prais-Winsten回歸 *有別于xtgls(采用FGLS估計) *N不大(10-20),T不大(10- *xtgls useinvest2.dta,clear xtpcseinvestmarketstock eststorepcse // OLS估計，調(diào)整異方差和截面相關(guān)后 xtglsinvestmarketstock, eststorem_xtgls FGLS估計，異方差和截面相關(guān) xtpcseinvestmarketstock, eststorepcsear1 PraisWinsten估計，共同的自相關(guān)系數(shù) xtpcseinvestmarketstockcorrelation(ar1rhotype(tscorr) eststorepcsetscorr xtpcseinvestmarketstockcorrelation(ar1hetonly eststorepcsear1 //不考慮截面相關(guān) *-結(jié)果對比 xtreginvestmarketstock, eststore1123localmodels"fepcsefullmxtglspcsear1pcsetscorrpcsear1"1124esttab`models'b(%6.3fse(%6.3fmtitle(`models'r2sca(r2w)1125*xtpcse的結(jié)果與xtgls非常相似，但前者可以匯報R2 *-說明 *當(dāng)N較大時，采用該方非常費時 *因為方差協(xié)方差矩陣是采用OLS usextcs.dta, xtpcsetlsizendtstangtobinnpr//大約5-8 eststore xtregtlsizendtstangtobinnpr, eststorefe *結(jié)果對 localmodels"fe esttab`models'b(%6.3fse(%6.3fmtitle(`models'r2sca(r2w) *********計量分析與STATA應(yīng)用 單 電郵 主頁: ::高級部分 計量分析與Stata應(yīng) 第七講 7.5內(nèi)生性問題與IV-GMM**-內(nèi)生性問題與IV**-內(nèi)生性問題與IV**==本錄*7.5.1一般意義的內(nèi)生性問****7.5.2面板特有的內(nèi)生性問*Hausman-Taylor(1981)*AmemiyaMaCurdy(1990)*-簡*y_it=a_i+z_it*b1+x_it*b2+ z_it x *-7.5.1 *==情況：Corr(x_it,e_it)!= *此時，F(xiàn)e和Re * (1) (3 *例1 *-估 usextcs.dta, tlsizendtstangtobinnpr,fe eststorefe xtivregtlsizendtstang(npr=tobinL1.npr),fe eststorefe_iv * localmodels"fefe esttab`models',b(%6.3f)se(%6.3f)mtitle(`models')sca(r2r2w) *- *Davidson-MacKinnon(1993 *H0：OLS和xtivreg都是一致的，即內(nèi)生性問題對OLS的估計結(jié)果影響不 xtivregtlsizendtstang(npr=tobinL1.npr),fe *Hausman-Wu檢 hausmanfefe hausmanfefe_iv, hausmanfefeiv, *說明：相對于D-M Hausman檢驗的主要局限就在于可能產(chǎn)生小于零的統(tǒng)計 *-過度識別檢 * xtivregtlsizendtstang(npr=tobinL1.npr),fe *-過度識別、識別不足與工具變量弱相關(guān) xtivreg2tlsizendtstang(npr=tobinL1.npr),fe *-- *(underidentificationtestAndersoncanoncorrLRstatistic: *-- *(weakidentificationtestCragg-DonaldFstatistic： xtivreg2tlsizendtstang(npr=L(1/2).tobinL(1/2).npr),fe *-- *(overidentificationtestofallinstrumentsSarganstatistic: *基本思想：類似于Sargan-Hansenstatistic 參考文獻(xiàn)：連玉君,, 現(xiàn)金-現(xiàn)金流敏感性能檢驗融資約束假說 *==例2：婦女工資的決定因*-估usenlswork.dta,tssetidcodegenage2=xtreglnwage*tenuresmsaunionsouth,eststorextivreglnwage*not(tenure=unionsouth),eststorextivreglnwage*not(tenure=unionsouth),eststorere*-結(jié)果對 localmodels"fefeivre esttab`models',b(%6.3f)se(%6.3f)mtitle(`models')sca(r2r2w) *-評論 *1雖然tenure是顯著的，但age 而age是理論上認(rèn)為對工資產(chǎn)生重要影響 *(2)由于研究的是的工資決定因素 * genblack= xtivreglnwage*notsmsablack(tenure=unionsouthbirth),re *- * *(1 *(2 *(3) *-關(guān)于t值和z值；Wald統(tǒng)計量與F usextcs.dta, *z xtivregtlsizendtstang(npr=L(1/2).tobinL(1/2).npr)fe *t值：小樣本 xtivregtlsizendtstang(npr=L(1/2).tobinL(1/2).npr),fesmall *Bootstrap xtivregtlsizendtstang(npr=L(1/2).tobinL(1/2).npr),/// fevce(bootstrap,rep(50)) *-異方差穩(wěn)健型IV估計(僅適用于xtivreg2命令 xtivreg2tlsizendtstang(npr=L(1/2).tobinL(1/2).npr),ferobust useinvest2.dta, quitssetid genLag1invest= genLag2_invest= newey2market(invest=Lag1investLag2invest)stock,lag(2) *-7.5.2 *-模型：yit=ai+zit*b1+xit*b2+vit *-情況：Corr(x_it,a_i)!=0 *此時，F(xiàn)e是一致的，而Re * *例如，通過Hausman檢驗，我們發(fā)現(xiàn)RE模型的原假設(shè) *-Hausman-Taylor(1981)*-模型*yit=it*b1+X2it*b2+Z1i*b3+Z2i*b4+ui+v* Z1_i均為嚴(yán)格外生變量, X2it,Z2i*-優(yōu)點：可以估計出c1和c2，這是Fixedeffects模型無法做到的*-*1whithinestimationb1b2*2regeitonZ1iZ2i(X1itZ1it做工具變量 b3b4*(3利用上述b1-b4 進而計算出方差-協(xié)方差矩陣，進行統(tǒng)計推斷*例3婦女工資的影響因素（重新審視**參見BaltagiandKhanti_Akom(1990,JAE,TabII,column**-問題的描述usepsidextract.dta,*-下述變量可能和不可觀測的隨機效應(yīng)相xtsumexpexp2wksms *-femblkoccsouthsmsaind可以作為不隨時間改變的變量edcorrelatefemblkoccsouthsmsaind*-估xthtaylorlwageoccsouthsmsaindexpexp2wksmsunionfemblkendog(expexp2wksmsunioneststorere*--*1rho0.97表明ui*2xtreglwageoccsouthsmsaindexpexp2wksmsunionfemblkeststore*-結(jié)果對localmodels"rereesttab`models',b(%6.3f)se(%6.3f)*-檢xthtaylorlwageoccsouthsmsaindexpexp2wksmsunionfemblkendog(expexp2wksmsunionxtoverid*檢驗工具變量的合理性xtoverid,xtoverid,*例2* 如果選擇的工具變量過弱,則會導(dǎo)致嚴(yán)重的 *-模型*y=3+3x1_a+3x1_b+3x2+3z_1+3z_2+u_i+*內(nèi)生變量：z2usexthtaylor1.dta,corruiz1z2x1ax1bx2*-弱工具變量問xthtayloryitx1ax1bx2z1z2,endog(x2z2)*x1ax1bz1作為x2和z2*z2的系數(shù)是真實值的3*-結(jié)論：corr*-AmemiyaMaCurdy(1990)usepsidextract.dta,B7_PanelB7_Panel-Printedon2011-3-5 xthtaylorlwageoccsouthsmsaindexpexp2wksmsunionfemblked,/// endog(expexp2wksmsunioned)amacurdyt(t) eststore xthtaylorlwageoccsouthsmsaindexpexp2wksmsunionfemblked,/// endog(expexp2wksmsunioned) eststorerehtaylor *-結(jié)果對 localmodels"rehtaylorre esttab`models',b(%6.4f)se(%6.4f)mtitle(`models') *-結(jié)論：并無大異 *********計量分析與STATA應(yīng)用 主講人：連玉君 單 電郵 主頁: ::高級部分 計量分析與Stata應(yīng) 第七 面板數(shù)據(jù)模 7.6 7.7 cdD:\stata10\ado\ al\Netcourse\B7Panel ==本錄 7.6.1 7.6.2 *-7.6.1模 *-Swamy(1970)random-coefficientslinearregressionmodel. *(1)y_i=X_i*b_i+ =X_i*(b+v_i)+ =Xi*b+ =X_i*(b+v_i)+ =Xi*b+(Xi*vi+u =Xi*b+w 其中，E(wi)= E(wi*wi')=Pi(矩陣**-7.6.2* y=Xb+*bhat=\sum{Wi*b*其中，Wi b_i是對單個截面執(zhí)行OLS 因此，隨機系數(shù)模型的估計值事實上是單個截面OLS估計*估計SUR模型，事實上是單個截面的OLSuseinvest2.dta,renameinvestrenamemarketrenamestockreshapewideimvk,i(t)sureg(i1mv1k1)(i2mv2k2)(i3mv3k3)(i4mv4k4)(i5mv5*useinvest2.dta,xtrcinvestmarketstock,eststorext * investmarketstock,robustcluster(id)/*robusteststorextreginvestmarketstock,feeststorextxtreginvestmarketstock,reeststorextlocalmodels"xtrcOLSxtFextesttab`models',b(%6.3f)se(%6.3f)mtitle(`models')star(*0.1**0.05*** * xtrcinvestmarketstock,i(id)betas 面板隨機邊界分 ==本錄 7.7.1 7.7.2 7.7.3 7.7.4 *-7.7.1簡 doB7xtSFA.do *-7.7.2 *y_i=b_0+x_i*b1+v_i- 一般意義上的隨 uiN+(Eusigmau^2 * setobs genu= histogramu,normal histogramuifu>0 sumu sumuifu>0 *-7.7.3 *-面板模型1：無效率成分不隨時間改 *yit=b0+xit*b1+vit-uit v_it--N(0,sigma_v^2) u_it=1555*ui--N+(mu,sigmau^2)mu=E[uit]1557usextfrontier1.dta,clear1558xtfrontierlnYlnKlnL,ti1559eststorextsfati *-結(jié)果分 *sigmau2=sigma *sigmav2=sigma * =sigmau^2+sigma *gamma */ilgtgamma1/logit(gammaandlogit(gammagamma/(1-gamma) */lnsigma2,/ilgtgamma之所以做轉(zhuǎn)換，都是為了方便求解 *-面板模型2：無效率成分隨時間改 *BatteseandCoelli(1992,JPA,3:153- *yit=b0+xit*b1+vit-uit vit--N(0,sigmav^2) uit=exp{-eta(t-Ti)}*ui(t表示觀察年份，Ti表示每家公司的觀察期數(shù)) u_i--N+(mu,sigma_u^2) mu=E[u_it] xtfrontierlnYlnKlnL,tvd eststorextsfatvd *-結(jié)果分 *由于eta的估計值非常接近于0 constraintdefine1[eta]_cons= xtfrontierlnYlnKlnL,tvdconstraints(1) eststorextsfatvdeta0 *-對比分 localmodels"xtsfatixtsfatvdxtsfatvd esttab`models',b(%6.3f)se(%6.3f)mtitle(`models')/// scalar(llN)sfmt(%16.4f) *-7.7.4 *-predict y -ln{E(uit|v -ln{M(uit|vit)}M(uit|vit)=-uiifui>=0,0otherwise E{exp(-uit)|vit} 1605usextfrontier1.dta,clear1606xtfrontierlnYlnKlnL,ti1607predictyhat predicteff_tete一般應(yīng)用此項，因為eff_te介于0和1 predicteffu, predicteffm, sum geneff=1-eff histogrameff histogram *-說明 *似然函數(shù)：參見BatteseandCoelli1992,JPA,3153- * *********計量分析與STATA應(yīng)用 主講人：連玉君 單 電郵 主頁: ::高級部分 計量分析與Stata應(yīng) 第七 面板數(shù)據(jù)模 7.8動態(tài)面板模型Part cdD:\stata10\ado\ al\Netcourse\B7Panel *-7.8動態(tài)面板模型Part ==本錄 7.8.1 7.8.2一階差分IV 7.8.3一階差分GMM*******結(jié)果輸出到**-7.8.1簡*-模型：y[ita0*y[it-1a1*x[it+ui+ *-特征：解釋變量中包含了被解釋變量的一階滯************x[it]E[xit,eis]=0foralltand即，所有干擾項與x都不w[it]——E[wit,eis]!=0fors<t,butE[xit,vis]=0forall即，前期干擾項與當(dāng)期x相關(guān)，但當(dāng)期和未來期干擾項與x不相關(guān)y[it-1E[xit,eis]!=0for即，前期和當(dāng)期，尤其是當(dāng)期干擾項與x相u_i隨機效應(yīng)，在截面間是iid的。u_i與e[it *-內(nèi)生性問題 *(1uiCorr(y[i,t-1ui*******(2)若假設(shè)u_i為效應(yīng)，需要想辦法去除之，因為數(shù)據(jù)為"大*******D.e[i,t]=e[i,t]-e[i,t-顯然：Corr(D.y[i,t-1],D.e[i,t])!=0,差分方程存在內(nèi)生問題；組內(nèi)去心：ym[i,t-1y[i,t-11/(T-1)*(y[i,t-1]+...+y[i,T])em[i,t]=e[i,t]-1/T*(e[i,t]+e[i,t-顯然：Corr(ym[i,t-1],em[i,t])!=0, *-處理辦法：IV估計或GMM估計，選擇合適的工具變 矩條件：E[eit,zit *-7.8.2一階差分IV *-AndersonandHisao(1982) *-基本思想：采用一階差分去 效應(yīng)u yD.y[it-1 同時，D.y[it-2D.y[it-1 useabdata.dta, // tssetidyear *-模型nit=b1*nit-1+b2*nit- +b3*w +b4*wit- + +b6*k_it-1+b7*k_it- +b8*ysit+b9*ysit-1+b10*ysit-2 xtivregnL2.nwL1.wkL1.kL2.kysL1.ysL2.ys/// (L.n=L3.n)yr1981-yr1984,fd *-等價 xtivregnL2.nL(0/1).wL(0/2).(kys) (L.n=L3.n)yr1981-yr1984,fd *-7.8.3一階差分GMM估計 *-背景*L.Hansen1982提出**ArellanoandBond*-模型* y[it]=a0*y[it-1]+a1*x[it]+a2*w[it]+u_i*-假設(shè)條件 v[it*-適用范圍 大N，小 隨后，我們會介紹“小N大T”型動態(tài)面板的估計方*-基本思想**在AndersonandHisao(1982)基礎(chǔ)上增加了可用的工具變**在t=3處，yi1*在t=4處,yi1,yi2**D.y[it]=a1*D.y[it-1]+a2*D.X[it]+ X_it=*** |y_i1000 |y_i1000 ...D.x_i3 | yi100 ...D.xi4 | 0yyyi3 ...D.xi5 Z_i=| . | . | 0 ...yi1...yiT-2D.xiT* *Zi的列數(shù)為sum(m=1)^(T-2){mKK為X *T7，K=3Zi(1+2+3+4+5+6+7)+3 *-設(shè)定工具變量的基本原則 對-內(nèi)生-變量的處理：與上述方法類似 即滯后兩階以上的水平變量均可作為差分方程的工具變量(GMM 對-先決-變量的處理：滯后一階以上的水平變量均可作為工具變量(GMM *對-外生-(Standard *- *- 解釋變量僅包含y_it 干擾方差，一階段估 useabdata.dta, xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984 eststoreab0 *- *-1-工具變量的個數(shù)是如何確定的？(xtdpd, * L(0/1).wL(0/2).(kys)yr1980- 共13 *內(nèi)生變量的工具變量：共27 listidyearnL2.nDL2.nifid==140 *17971798*yearofYearsofNumberof1799*differenceequationinstrumentsinstruments1800* 1976-1977 *練習(xí)：如果進一步設(shè)定y[i,t-2和y[i,t-3 xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lag(3) GMM-type Standard *-過度識別檢驗（工具變量的使用是否合理 estat *-說明 *H0:overidentifyingrestrictionsare 這里，我 了原假設(shè)，但 Sargan檢驗傾向于過度原假設(shè)，因此此處得到的結(jié)論并不可信 *采用兩階段估計，然后再執(zhí)行Sargan xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,twostep estatsargan *說明：AB91 若存在異方差，在兩階段估計后執(zhí)行Sargan檢驗往往傾向1836*Underreject *隨后，我們會采用-xtdpd-命令，將干擾項設(shè)定為MA(1)過程 *此時，執(zhí)行Sargan檢驗不再原假設(shè) *-*-*-簡*AB91* 因此，我們需要檢驗差分方程的殘差是否存在二階(或更高階)序列相關(guān)即*-二階序列相關(guān)檢驗(默認(rèn)xtabondnL(0/1).wL(0/2).(kys)yr1980- estat *-高階序列相關(guān)檢 xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,vce(robust)artest(3) estatabond *- *-穩(wěn)健型估 xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)robust eststoreab4onerb *-說明：此時，無法Sargan統(tǒng)計 estat *-聯(lián)合檢 *-檢驗除常數(shù)項和時間虛擬變量外，其它變量整體上是否 xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)robust testL.nL2.nwL.wkL.kL2.kysL.ysL2.ys *-兩階段估 *-AB91(Tab4(a2)) *-思路1875*利用第一階段估計得到的殘差構(gòu)造方差-協(xié)方差矩陣，進而重新估計模型 xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)twostep eststoreab4_twostep *-說明：此時，Sargan檢驗無法原假 estat *-AB91重要建議 (1) (2Sargan *-進一步的討論 雖然AB91建議不要采用兩階段(非穩(wěn)健)估計進行統(tǒng)計推斷 但Windmeijer(2005,JournalofEconometrics)通過模擬分析表明， xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,/// lags(2)twostepvce(robust) eststoreabwcrb *-結(jié)果對 localmm"ab4onerbab4twostepabwcrb" esttab`mm',mtitle(`mm') *-結(jié)論 *AB91onesteprb的結(jié)果與AB91WCrb *建議采用Windmeijer(2005兩階段-糾偏- *- *-【先決變量】的設(shè) *由于當(dāng)期干擾項顯然會影響后續(xù)w和 * *-基本設(shè)定 xtabondnL(0/1).ysyr1980-yr1984,/// lags(2)twosteppre(wk) eststore estat *注意: *從Sarganp值來看，將w和k *-pre() xtabondnL(0/1).ysyr1980-yr1984,lags(2)twostep/// pre(w,lag(1,3))pre(k,lag(2,.)) *-解釋 * lag(1,3中的1表示L.w lag(1,3中的3表示L2.w和L3.w可以作為L.w 但L4.w * lag(2中的2表示L1.kL2.k lag(2L3.kL4.kL2.k *-【內(nèi)生變量】的設(shè) *假設(shè)w和k都與當(dāng)期干擾項相關(guān)，即二者均為內(nèi)生變量，則： xtabondnL(0/1).ysyr1980-yr1984,lags(2)twostep/// endog(w,lag(1,.))endog(k,lag(2,.)) eststoreab4endog *-部分先決，部分內(nèi) xtabondnL(0/1).ysyr1980-yr1984,lags(2)twostep/// pre(w,lag(1,.))endog(k,lag(2,.)) eststoreab4predog *說明：上述設(shè)定都可附加-vce(robust)-選項以便獲得穩(wěn)健型標(biāo)準(zhǔn) *-工具變量過多導(dǎo)致的問 * * * xtabondnL(0/1).ysyr1980-yr1984,lags(2)twostep/// pre(w,lag(1,3))pre(k,lag(2,3)) *-**PooledOLSFixedEffects*但是二者卻決定了yit-1*換言之，PooledOLS估計高估了真實 而Fixedeffectsuseabdata.dta,regnL.nL(0/1).wL(0/2).(kys)yr1980-yr1984,eststorextregnL.nL(0/1).wL(0/2).(kys)yr1980-yr1984,eststorextabondnL(0/1).wL(0/2).(kys)yr1980-eststore*-結(jié)果對esttabOLSDAbondFE,b(%6.3f)t(%6.2f)mtitle(OLS*-localmodel"OLSDAbondFEab4preab4esttab`model',b(%6.3f)t(%6.2f)mtitle(`model')star(*0.1**0.05*** scalar(arm2sargansar_dfN *-使用xtabond4命令可進一步輸出自相關(guān)和Sargan檢驗的Pusextabond4nL(0/1).wL(0/2).(kys)yr1980-eststoremxtabond4nL(0/1).ysyr1980-yr1984,lags(2)twosteppre(w,lag(1,.))eststorelocalmodel"m1mesttab`model',b(%6.3f)t(%6.2f)mtitle(`model')star(*0.1**0.05*** scalar(arm1parm1arm2parm2sargansarpsardfN*localmodel"m1mesttab`model',b(%6.3f)t(%6.2f)mtitle(`model')star(*0.1**0.05*** scalar(parm2sargansardfsarpN*********計量分析與STATA應(yīng)用 主講人：連玉君 單 電郵*主頁 ::高級部分 計量分析與Stata應(yīng) 第七 面板數(shù)據(jù)模 7.8動態(tài)面板模型Part cdD:\stata10\ado\ al\Netcourse\B7Panel *-7.8.4系統(tǒng)GMM估計 ==本錄 簡 xtabond2 -A使用xtabond2命令得到- -B系統(tǒng)GMM -C- -D-xtabond2命令的其他 xtdpdsys xtdpd命 xtlsdvc *- *-重點參考文獻(xiàn) *ArellanoandBover(1995), *BlundellandBond(1998) *Haha(1999),JudsonandOwen(1999) *-適用范圍：大N，小 *-AB91 *(1)當(dāng)y[i,t-1]的系數(shù)較大，即y[i,t]表現(xiàn)出序列相關(guān)時 *(2當(dāng)Var[ui]/Var[eit *-AB91 原因在于，水平滯后項是差分方程中內(nèi)生變量的-弱工具變量-系統(tǒng)GMM系統(tǒng)GMM的基本思***水平值—— *差分值D.y =b1*y_it-++u_i+ 可用工具變量：D.y[i,t-2可以作為y[i,t-1 *差分方程：D.yit=b1*D.yit-1+b2*D.x +D.v 可用工具變量：y[i,t-3],y[i,t-4]...都可以作 D.y[i,t-1]的工具變 *-一階差分GMM估計量與系統(tǒng)GMM估計量的區(qū) *(1)差分GMM yit-3是D.yit-1 *(2)系統(tǒng)GMM *(3)主要原因在于差分GMM的工具變量往往是弱工具變量，即corr(X,Z)過 既可以估計差分GMM估計量，也可以估計系統(tǒng)GMM 提供兩階自相關(guān)檢驗，Sargan檢驗，Hansen檢驗，以及工具變量外生性 *-xtdpdsys命令---Stata命令，以xtabond2命令為基 *-xtabond2 *Stata8-10 *既可以完成-一階差分GMM估計 *也可以完成-系統(tǒng)GMM估計 * Roodman,D.2006.HowtoDo AnIntroductionto"Difference"and"System"GMMinStata. WorkingPaper103CenterforGlobalDevelopmentWashington. *[版] Roodman,D.,2009,Howtodo AnIntroductiontoDifferenceandSystemGMMinStata, StataJournal,9(1):86-136. *-A使用xtabond2命令得到-一階差分估計量 *-附加-noleveleq- *-egxtabond2AB91文中表4 *ArellanoandBond(1991),Table *-【Column(a1) useabdata, xtabond2nL(1/2).nL(0/1).wL(0/2).(kys)yr1980-yr1984, gmm(L.n)iv(L(0/1).wl(0/2).(kys)yr1980-yr1984) nomatanoleveleqsmall *gmm(*) *iv(*) eststoreaba1 xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2) eststoreaba1_ab esttababa1ab2aba1ab,mtitle(aba1ab2aba1ab) *-【Column(a2) * xtabond2nL(0/1).wL(0/2).(kys)L(1/2).nyr1980-yr1984, gmm(L.n)iv(L(0/1).wl(0/2).(kys)yr1980- noleveleqsmalltwostep eststoreaba2_ab2 xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)twostep eststoreaba2ab esttababa2ab2aba2ab,mtitle(aba2ab2aba2ab) *- *- xtabond2nL.nL(0/1).(wk)yr1980-yr1984,gmm(L.(wkn))iv(yr1980-noleveleqnoconstantsmalleststore*- xtabond2nL.nL(0/1).(wk)yr1980-yr1984,gmm(L.(wkn))iv(yr1980-noleveleqrobustsmalleststorefd*-esttabfd1sfd2s,mtitle(fd1sfd*-BGMMxtabond2nL.nL(0/1).(wk)yr1978-yr1984,gmm(L.n)iv(L(0/1).(wk)yr1978-yr1984)robust*-解釋* **iv(* *****1對于一階段估計(不附加twostep選項 采用傳統(tǒng)異方差-序列相關(guān)穩(wěn)健型估計量計算標(biāo)準(zhǔn)誤*(2對于兩階段估計(附加twostep選項 采用Windmeijer(2005)糾偏估計*--Sargan檢*Sargantestofoverid.restrictions: 344713（13是外生變量的個數(shù)，包含常數(shù)項*可見，無論采用Sargan檢驗還是HansenJ*都了工具變量合理的原假*-指定工具變量應(yīng)用于【水平方程】還是【差分方程*例如，假設(shè)wk*當(dāng)然，這一假設(shè)可能并不合理*xtabond2nL.nL(0/1).(wk)yr1978-yr1984,iv(L(0/1).(wk)yr1978-yr1984,robustsmalleststoresys*-將w和k*yrdummiesxtabond2nL.nL(0/1).(wk)yr1978- gmm(L.(wkn))iv(yr1978-yr1984,eq(level))robustsmalleststoresyswkendog*-yrdummiesxtabond2nL.nL(0/1).(wk)yr1978- gmm(L.(wkn))iv(yr1978-yr1984,eq(both))robustsmalleststoresyswkendog*-結(jié)果對localmm"fd1sfd2ssyswkexgsyswkendoglevesttab`mm',mtitle(`mm')*-C-*-模型 y_it-y_it-1=b*(yA_it-y_it- yit=(1-b)*yit-1+b*yAit *-letyA_it=a1*dyr2001+a2*dyr2002+... usextcs.dta,clear *一階差分GMM xi:xtabond2tlL.tli.year,gmm(L.tl)iv(i.year)/// robustnoleveleq disln(2)/(1- eststoredycs01DIFF *系統(tǒng)GMM估計量 xi:xtabond2tlL.tli.year,gmm(L.tl)iv(i.year)robust disln(2)/(1-_b[L1.tl]) eststoredycs01SYS *OLS估計(調(diào)整系數(shù)的上限) xi:regtlL.tli.year, eststoredycs_01OLS *FE估計(調(diào)整系數(shù)的下限) xi:xtregtlL.tli.year,fe eststoredycs01FE *-結(jié)果對 localmm"dycs01DIFFdycs01SYSdycs01OLSdycs01FE" localss"ar2ar2psargansardfsarganp" esttab`mm',mtitle(`mm')scalar(`ss') *-目標(biāo)資本結(jié)構(gòu)的設(shè)定II：采用公司特征變量的線性組合 *lety*it=a1*size+a2*tang+a3*ndts+... *-假設(shè)其它變量都是外生變 usextcs.dta, quitabyear, drop localxx"sizetangndtsL(0/1).tobinL(0/1).npryr*" xtabond2tlL.tl`xx',gmm(L.tl)iv(`xx')robusttwo disln(2)/(1-b[L1.tl])/*調(diào)整半周期*/ *-檢驗?zāi)甓忍摂M變量是否顯 testyr2=yr3=yr4=yr5=yr6= testyr2=yr3=yr4=yr5=yr6 *-tobin和npr localxx"sizetangndtsL(0/1).(tobinnpr)yr*" localgmm" L.tlL(0/1).(tobinnpr) localiv"sizetangndts xtabond2tlL.tl`xx',gmm(`gmm')iv(`iv')robusttwo disln(2)/(1-_b[L1.tl]) *工具變量的選擇并不合理，因為HansenJ *-假設(shè)tobin和npr localxx"sizetangndtsL(0/1).(tobinnpr)yr*" localgmm" L.tlL.tobinL.npr localiv"sizet