chap13 stata面板數(shù)據(jù)分析

第十三章

面板數(shù)據(jù)分析

主要內(nèi)容面板數(shù)據(jù)的基本操作固定效應(yīng)與隨機效應(yīng)模型長面板模型面板工具變量法動態(tài)面板模型面板數(shù)據(jù)的離散選擇模型面板數(shù)據(jù)的計數(shù)模型隨機效應(yīng)tobit模型實驗13-1：面板數(shù)據(jù)的基本操作實驗基本原理在利用stata對面板數(shù)據(jù)進行分析之前，我們通常需要對截面變量和時間變量進行定義。只有定義之后，我們才可以使用相關(guān)的面板數(shù)據(jù)分析命令以及各種時間序列算子。另外，在對面板數(shù)據(jù)進行建模之前，我們有時會希望對數(shù)據(jù)有一個直觀的了解，像觀察面板數(shù)據(jù)各截面的最大值、最小值等描述統(tǒng)計量，或者是了解數(shù)據(jù)的結(jié)構(gòu)和分布等。對于這些，我們都可以通過stata的命令來實現(xiàn)。實驗內(nèi)容及數(shù)據(jù)來源本書附帶光盤data文件夾下的“wage.dta”工作文件給出了對4711名婦女的調(diào)查數(shù)據(jù)，調(diào)查的時間跨度為1968年到1988年。該文件的主要變量包括：idcode=編號，year=調(diào)查時間，hours=平均每周的工作時間，msp=是否已婚（1代表已婚且隨配偶居住，0代表其他情況），ln_wage=小時工資的自然對數(shù)，grade=受教育年數(shù)，age=年齡，ttl_exp=總工作年數(shù)，tenure=現(xiàn)有崗位的任職時間，race=種族（1表示白人，2表示黑人，3表示其他人種），not_smsa=是否居住在SMSA區(qū)（1表示不住在SMSA區(qū)-StandardMetropolitanStatisticalArea），south=是否生活在南方（1表示住在南方），union=是否為工會成員（1表示是工會成員）。利用這些數(shù)據(jù)，我們來講解面板數(shù)據(jù)的定義、描述統(tǒng)計量的獲得、數(shù)據(jù)結(jié)構(gòu)的描述、分布頻率和轉(zhuǎn)移概率的獲得以及各個截面時間趨勢圖的繪制等操作。實驗操作指導(dǎo)1面板數(shù)據(jù)的設(shè)定與時間序列分析類似，在對面板數(shù)據(jù)進行分析之前，我們要先對面板數(shù)據(jù)進行設(shè)定。只有定義過面板數(shù)據(jù)之后，才能使用相關(guān)的面板數(shù)據(jù)命令。設(shè)定面板數(shù)據(jù)的命令有三種：①

xtsetpanelvar②xtsetpanelvartimevar[,tsoptions]③tssetpanelvartimevar[,tsoptions]其中，xtset是“定義面板數(shù)據(jù)”的基本命令，panelvar代表截面變量的名稱，timevar代表時間變量的名稱，tsoptions代表其他選項。tsset作為定義時間序列的基本命令，也可以用來定義面板數(shù)據(jù)，如③所示。此外，可用的tsoptions選項與十二章中時間序列變量的設(shè)定相同，詳見表12.2和表12.3。在第一種格式當中，我們只設(shè)定了截面變量，這樣，每一截面中，各個觀測值的順序是無關(guān)緊要的。例如，我們有對多個家庭的調(diào)查數(shù)據(jù)，每個家庭是一個截面，而家庭的各個成員是截面內(nèi)的觀測值，這種情況下，我們就不必設(shè)定時間變量。第二種和第三種定義面板數(shù)據(jù)的格式是等價的。這兩種情況下，每一截面中的觀測值會被按照時間變量進行排序。這時，我們還可以使用stata的各種時間序列算子，像滯后算子“L.”、領(lǐng)先算子“F.”等。需要注意的是，截面變量和時間變量都必須為數(shù)值型，還要是整數(shù)。如果某個變量是字符串型，我們可以通過如下命令將其轉(zhuǎn)換為數(shù)值型：encodevarname,gen(newvar)其中，命令encode表示生成帶標簽的數(shù)值變量，varname是原字符串變量的名稱，生成的新變量命名為newvar，其類型為數(shù)值型，且每個數(shù)值以原變量varname的值為標簽。對于數(shù)據(jù)文件“wage.dta”，我們定義idcode為截面變量，year為時間變量。輸入命令：xtsetidcodeyear2獲得面板數(shù)據(jù)的描述統(tǒng)計量獲得面板數(shù)據(jù)描述統(tǒng)計量的基本命令為：xtsum[varlist][if]其中，xtsum是“計算面板數(shù)據(jù)描述統(tǒng)計量”的基本命令，varlist代表變量的名稱，if代表條件語句。xtsum命令實際是summarize命令的擴展，該命令還會給出組內(nèi)和組間的描述統(tǒng)計量。我們要獲得“wage.dta”中變量hours的描述統(tǒng)計量，可輸入命令：xtsumhours3顯示面板數(shù)據(jù)的結(jié)構(gòu)為了直觀地了解面板數(shù)據(jù)的分布，我們可以對其結(jié)構(gòu)進行描述。命令為：xtdescribe[if][in][,options]其中，xtdescribe是“顯示面板數(shù)據(jù)結(jié)構(gòu)”的基本命令，if代表條件語句，in代表范圍語句，options為其他選項?？捎玫倪x項包括patterns(#)和width(#)。patterns(#)用于指定顯示結(jié)構(gòu)的種數(shù)，默認為patterns(9)；而width(#)用于指定每一行的顯示寬度，默認為width(100)。對于“wage.dta”的數(shù)據(jù)，我們要知道其數(shù)據(jù)分布情況，可輸入命令：xtdescribe4顯示面板數(shù)據(jù)的分布頻率獲得面板數(shù)據(jù)分布頻率的基本命令為：xttabvarname[if]其中，xttab是“計算面板數(shù)據(jù)分布頻率”的基本命令，varname代表變量的名稱，if代表條件語句。xttab命令實際是tabulate命令的擴展，該命令還會給出組內(nèi)和組間的分布頻率。我們要獲得“wage.dta”中變量msp的分布頻率，可輸入命令：xttabmsp5顯示面板數(shù)據(jù)的轉(zhuǎn)移概率獲得面板數(shù)據(jù)轉(zhuǎn)移概率的基本命令為：xttransvarname[if][,freq]其中，xttrans是“計算面板數(shù)據(jù)轉(zhuǎn)移概率”的基本命令，varname代表變量的名稱，if代表條件語句，選項freq表示同時顯示頻數(shù)。我們要獲得“wage.dta”中變量msp的轉(zhuǎn)移概率，可輸入命令：xttransmsp6面板數(shù)據(jù)繪圖對面板數(shù)據(jù)的各個截面分別繪制時間序列圖的基本命令為：xtlinevarlist[if][in][,panel_options]其中，xtline是“面板數(shù)據(jù)繪圖”的基本命令，varlist代表變量的名稱，if代表條件語句，in代表范圍語句，panel_options代表其他選項。選項主要包括i(varname_i)、t(varname_t)和overlay。默認情況下，xtline會對各個截面分別作圖，y軸變量為varlist，x軸變量為時間變量。選項i()和t()可以指定新的截面變量和時間變量來作圖，且varname_i可以為字符串型，varname_t的值也可以不是整數(shù)。但要求選項i()和t()同時設(shè)定。此外，如果設(shè)定選項overlay，各個截面會被繪制到一幅圖中。對于截面數(shù)比較少的面板數(shù)據(jù)，進行作圖觀察比較會很直觀。但當截面數(shù)非常多時，作圖觀察的意義就不大了?？紤]到工作文件“wage.dta”有4711個截面，我們這里用變量hours的前4個截面作圖進行說明。輸入命令：xtlinehoursin1/50因為前50個觀測值構(gòu)成了前4個截面，這樣，通過范圍語句“in1/50”我們可以得到前4個截面中變量hours的時間趨勢圖。7長寬面板數(shù)據(jù)的轉(zhuǎn)換實驗13-2：固定效應(yīng)與隨機效應(yīng)模型實驗基本原理實驗內(nèi)容及數(shù)據(jù)來源本實驗中，我們繼續(xù)使用實驗13-1所用的數(shù)據(jù)文件，即本書附帶光盤data文件夾下的“wage.dta”工作文件。利用該面板數(shù)據(jù)，我們要分析受教育年數(shù)、年齡、工作年數(shù)、現(xiàn)有崗位的任職時間、是否是黑人、是否居住在SMSA區(qū)、是否生活在南方等因素對工資收入的影響。這樣，利用“wage.dta”的數(shù)據(jù)，我們會講解組間效應(yīng)模型的回歸、固定效應(yīng)和隨機效應(yīng)模型的擬合、Hausman檢驗以及模型預(yù)測等內(nèi)容。實驗操作指導(dǎo)1組間效應(yīng)模型對于“wage.dta”的數(shù)據(jù)，我們要分析受教育年數(shù)、年齡、工作年數(shù)、現(xiàn)有崗位的任職時間、是否是黑人、是否居住在SMSA區(qū)、是否生活在南方等因素對工資收入的影響?？紤]到年齡、工作年數(shù)、現(xiàn)有崗位任職時間等因素對工資收入的影響可能不是線性的，我們先生成這三個變量的平方項，并在模型中包括這三個變量的水平項和平方項。輸入命令：genage2=age*agegenexp2=ttl_exp*ttl_expgentenure2=tenure*tenure我們生成變量age、ttl_exp和tenure的平方項，并分別將其命名為age2、exp2和tenure2。此外，我們需要由變量race生成一個虛擬變量，來表示是否是黑人。輸入命令：genbyteblack=race==2這里，我們生成新變量black，并令其類型為type。注意，race后為兩個等號。該命令的含義為，對race是2的（黑人）觀測值，我們令black的值為1；對race取其他值的觀測值，我們令black的值為0。也就是說新生成的變量black為虛擬變量，1表示黑人，0表示其他人種。進行完這些變換之后，下面，我們進行組間回歸。輸入命令：xtregln_wagegradeageage2ttl_expexp2tenuretenure2blacknot_smsasouth,be這里，被解釋變量為ln_w，解釋變量包括grade、age、age2、ttl_exp、exp2、tenure、tenure2、black、not_smsa和south，選項be表示進行組間估計。2固定效應(yīng)模型獲取固定效應(yīng)估計量的命令與組間效應(yīng)模型類似，為：xtregdepvar[indepvars][if][in][weight],fe[FE_options]其中，xtreg代表“擬合面板數(shù)據(jù)模型”的基本命令語句，選項fe表明要獲取固定效應(yīng)估計量。FE_options代表獲取固定效應(yīng)估計量的其他選項，主要有l(wèi)evel(#)和vce(type)，標準差的類型可以是conventional、robust、clusterclustvar、bootstrap和

jackknife。這里，設(shè)定穩(wěn)健標準差vce(robust)與聚類穩(wěn)健的標準差vce(clusterpanelvar)效果是一樣的。其中，panelvar代表截面變量。對于“wage.dta”的數(shù)據(jù)，我們下面進行固定效應(yīng)回歸。輸入命令：xtregln_wagegradeageage2ttl_expexp2tenuretenure2blacknot_smsasouth,fe這里，選項fe表明是進行固定效應(yīng)回歸分析。3隨機效應(yīng)模型利用“wage.dta”的數(shù)據(jù)，我們進行隨機效應(yīng)的回歸分析。輸入命令：xtregln_wagegradeageage2ttl_expexp2tenuretenure2blacknot_smsasouth,re其中，選項re表明進行隨機效應(yīng)回歸分析。因為這是默認選項，所以可以省略。對于隨機效應(yīng)模型，我們通常使用可行的廣義最小二乘（FGLS）來進行回歸。但如果假定隨機擾動項服從正態(tài)分布，我們還可以用極大似然估計法（MLE）進行估計。用MLE擬合隨機效應(yīng)模型的命令為：xtregdepvar[indepvars][if][in][weight],mle[MLE_options]其中，xtreg代表“擬合面板數(shù)據(jù)模型”的基本命令語句，選項mle表明用極大似然估計法來估計隨機效應(yīng)模型。MLE_options代表其他選項，主要有noconstant（設(shè)定沒有常數(shù)項）、level(#)和vce(type)。其中，標準差的類型包括oim、bootstrap和jackknife。對于前面的隨機效應(yīng)模型，我們使用MLE重新進行回歸。輸入命令：xtregln_wagegradeageage2ttl_expexp2tenuretenure2blacknot_smsasouth,mle其中，選項mle表明用極大似然估計法進行隨機效應(yīng)回歸分析。4Hausman檢驗對于前面擬合的模型，我們要判斷究竟應(yīng)選擇固定效應(yīng)模型還是隨機效應(yīng)模型，可以輸入命令：quietlyxtregln_wagegradeageage2ttl_expexp2tenuretenure2blacknot_smsasouth,reestimatesstorerequietlyxtregln_wagegradeageage2ttl_expexp2tenuretenure2blacknot_smsasouth,feestimatesstorefehausmanfere其中，第一步是進行隨機效應(yīng)模型的擬合，quietly表明不顯示回歸結(jié)果。第二步中，“estimatesstore”表明保存回歸結(jié)果，這里，我們將結(jié)果命名為re。第三步是擬合固定效應(yīng)模型，第四步將固定效應(yīng)結(jié)果保存為fe，最后一步是進行Hausman檢驗。需要注意的是，Hausman檢驗要把固定效應(yīng)的結(jié)果放在前面。5面板模型的預(yù)測實驗13-3：長面板模型實驗基本原理實驗內(nèi)容及數(shù)據(jù)來源本書附帶光盤data文件夾下的“grunfeld.dta”工作文件給出了某10家公司1935到1954年這20年間的投資數(shù)據(jù)。變量主要包括：company=公司，year=年，invest=投資額，mvalue=上一年的公司市值，kstock=上一年的公司資本存量。利用這些數(shù)據(jù)，我們分析公司上一年的市值和資本存量對其投資額的影響。因為數(shù)據(jù)為長面板，我們要考慮可能存在的組間和組內(nèi)異方差以及自相關(guān)等情況。這樣，利用“grunfeld.dta”的數(shù)據(jù)，我們來講解面板修正的標準差估計、可行的廣義最小二乘估計以及隨機系數(shù)模型的操作以及相關(guān)預(yù)測。實驗操作指導(dǎo)1面板修正的標準差估計面板修正的標準差估計（PCSE）的基本命令為：xtpcsedepvar[indepvars][if][in][weight][,options]其中，xtpcse代表“面板修正的標準差估計”的基本命令語句，depvar代表被解釋變量的名稱，indepvar代表解釋變量的名稱，if代表條件語句，in代表范圍語句，weight代表權(quán)重語句，options代表其他選項。表13.9顯示了主要的options選項。對于“grunfeld.dta”的數(shù)據(jù)，我們來分析前一年的公司市值和資本存量對其投資的影響。輸入命令：xtpcseinvestmvaluekstock,correlation(ar1)這里，被解釋變量為invest，解釋變量為mvalue和kstock。選項correlation(ar1)意味著，我們設(shè)定每個截面內(nèi)的擾動項服從相同的一階自回歸過程。此外，因為我們沒有設(shè)定選項hetonly和independent，就意味著我們假定模型存在組間異方差，且不同個體的擾動項相關(guān)。與命令

xtpcse類似，對于命令xtgls，如果模型中沒有個體虛擬變量，則為隨機效應(yīng)模型；如果加上個體虛擬變量，則為固定效應(yīng)模型。對于“grunfeld.dta”的數(shù)據(jù)，我們用可行的廣義最小二乘法來重新進行回歸。輸入命令：xtglsinvestmvaluekstock,panels(correlated)corr(ar1)這里，選項panels(correlated)意味著，我們假定模型存在組間異方差，且不同個體的擾動項相關(guān)。選項correlation(ar1)則表明，我們設(shè)定每個截面內(nèi)的擾動項服從相同的一階自回歸過程。3組間異方差和組內(nèi)自相關(guān)的檢驗我們前面在進行xtpcse和xtgls的回歸時，對隨機擾動項的組間異方差和組內(nèi)自相關(guān)情況做了隨意的假定。事實上，我們有必要在回歸之前進行檢驗，看究竟是否存在異方差和自相關(guān)。要判斷不同個體的擾動項方差是否相等，我們可以使用似然比檢驗。其基本原理為，如果“同方差”的約束使似然函數(shù)值降低很多，則傾向于拒絕“同方差”的原假設(shè)。對于前面的回歸，我們可以通過如下操作實現(xiàn)：xtglsinvestmvaluekstock,iglspanel(het)estimatesstoreheteroxtglsinvestmvaluekstock,iglsestimatesstorehomolocaldf=e(N_g)-1lrtestheterohomo,df(`df')其中，第一步進行迭代的GLS回歸，并允許擾動項存在異方差。之所以使用迭代的GLS回歸（選項igls），是因為在“面板異方差”的情況下，迭代GLS估計法等價于最大似然估計法。第二步將異方差條件下的估計結(jié)果儲存為hetero。第三步在同方差條件下進行FGLS的估計，第四步則將同方差條件下的估計結(jié)果儲存為homo。第五步計算自由度，即約束條件個數(shù)，其中e(N_g)為個體個數(shù)。最后一步進行似然比檢驗，注意選項中引號的寫法。此外，我們也可以從網(wǎng)上下載一個命令來檢驗面板異方差。在可以上網(wǎng)的情況下，輸入命令：sscinstallxttest3我們就可以安裝命令“xttest3”。該命令可在命令xtreg,fe或xtgls之后使用。這樣，如果我們要對前面的模型進行面板異方差檢驗，可以輸入命令：quietlyxtglsinvestmvaluekstockxttest3其中，第一步為進行FGLS回歸，且quietly命令要求不顯示該回歸的結(jié)果。第二步則是進行面板異方差的檢驗。要檢驗面板模型是否存在組內(nèi)自相關(guān)，我們也可以下載一個命令。輸入命令：netinstallst0039我們就可以下載并安裝“xtserial”命令。之后，輸入以下命令來進行組內(nèi)自相關(guān)的檢驗：xtserialinvestmvaluekstock要檢驗面板模型的各個截面是否存在自相關(guān)，我們可以下載并安裝“xttest2”命令來實現(xiàn)。輸入命令：finditxttest2會出現(xiàn)該命令的資源，我們就可以下載安裝。該命令是在命令xtreg,fe或xtgls之后使用。這樣，如果我們要對前面的模型進行面板間相關(guān)性檢驗，可以輸入命令：quietlyxtglsinvestmvaluekstockxttest2其中，第一步為進行FGLS回歸，且不顯示該回歸的結(jié)果。第二步則是進行面板間相關(guān)性的檢驗。4模型的預(yù)測在進行xtpcse或xtgls的回歸之后，對模型進行預(yù)測的命令為：predict[type]newvar[if][in][,xbstdp]其中，predict代表“預(yù)測”的基本命令，type代表新變量的類型，newvar代表生成的新變量的名稱，if代表條件語句，in代表范圍語句。選項xb為默認選項，計算的是線性預(yù)測，選項stdp計算的是線性預(yù)測的標準差。例如，我們要對被解釋變量進行線性預(yù)測，可輸入命令：predictpv,xb這里，我們將預(yù)測的新變量命名為pv。5隨機系數(shù)模型對于“grunfeld.dta”的數(shù)據(jù)，我們懷疑系數(shù)可能會隨時間而變。這樣，我們考慮用隨機系數(shù)模型重新進行擬合。輸入命令：xtrcinvestmvaluekstock在進行隨機系數(shù)模型的回歸之后，進行預(yù)測的基本命令為：predict[type]newvar[if][in][,statisticnooffset]其中，predict代表“預(yù)測”的基本命令，type代表新變量的類型，newvar代表生成的新變量的名稱，if代表條件語句，in代表范圍語句。statistic代表預(yù)測的統(tǒng)計量，選項nooffset只有在擬合方程式設(shè)定了offset(varname)時才相關(guān)，它使得預(yù)測時計算的是而非。此外，統(tǒng)計量statistic包括默認的xb，用于計算線性預(yù)測值；stdp，用于計算線性預(yù)測的標準差；group(#)，基于第#組的擬合方程進行線性預(yù)測。實驗13-4：面板工具變量法實驗基本原理實驗內(nèi)容及數(shù)據(jù)來源本書附帶光盤data文件夾下的“l(fā)abordemand.dta”工作文件包括了對英國140家公司1976年到1984年的調(diào)查數(shù)據(jù)。主要變量包括：id=公司編號，year=年，n=公司雇傭勞動數(shù)量的自然對數(shù)，w=實際工資的自然對數(shù)，k=資本存量的自然對數(shù)，ys=行業(yè)產(chǎn)出的自然對數(shù)。利用這些數(shù)據(jù)，我們建立一個勞動需求模型，分析以前年度的勞動需求、實際工資、資本存量、行業(yè)產(chǎn)出等因素對當年勞動需求的影響?？紤]到存在內(nèi)生變量問題，我們要使用工具變量法。這樣，利用“l(fā)abordemand.dta”的數(shù)據(jù)，我們來講解面板工具變量法的估計以及相關(guān)的預(yù)測。實驗操作指導(dǎo)1面板工具變量法的估計這樣，我們可以輸入以下命令來進行這個回歸：xtivregnL2.nL(0/1).(wkys)(L.n=L3.n),fd其中，xtivreg是面板工具變量法的基本命令，被解釋變量為n，解釋變量包括n的2階滯后值（L2.n），以及w、k和ys的當期值和一期滯后值。此外，n的一階滯后值也是解釋變量，因為是內(nèi)生變量，我們用n的三階滯后值（L3.n）作為其工具變量。選項fd表示用一階差分法進行估計。這里，命令“L(0/1)”中，L為滯后算子；所以，“L(0/1)”表示當期值和滯后一期值。2面板工具變量模型的預(yù)測實驗13-5：動態(tài)面板模型實驗基本原理實驗內(nèi)容及數(shù)據(jù)來源仍然使用實驗13-4所用的數(shù)據(jù)，即本書附帶光盤data文件夾下的“l(fā)abordemand.dta”工作文件。該文件包括了對英國140家公司1976年到1984年的調(diào)查數(shù)據(jù)。主要變量包括：id=公司編號，year=年，n=公司雇傭勞動數(shù)量的自然對數(shù)，w=實際工資的自然對數(shù)，k=資本存量的自然對數(shù)，ys=行業(yè)產(chǎn)出的自然對數(shù)。利用這些數(shù)據(jù)，我們建立一個動態(tài)的勞動需求模型，分析以前年度的勞動需求、實際工資、資本存量、行業(yè)產(chǎn)出等因素對當年勞動需求的影響。我們將講解如何用差分GMM和系統(tǒng)GMM擬合動態(tài)面板模型，以及如何對模型的假設(shè)進行檢驗和如何進行預(yù)測等內(nèi)容。實驗操作指導(dǎo)1用差分GMM估計動態(tài)面板用差分GMM估計動態(tài)面板的基本命令為：xtabonddepvar[indepvars][if][in][,options]其中，xtabond代表“用差分GMM估計動態(tài)面板”的基本命令語句，depvar代表被解釋變量的名稱，indepvars代表滿足嚴格外生性的解釋變量的名稱，if代表條件語句，in代表范圍語句，options代表其他選項。表13.15顯示了主要的options選項。對于“l(fā)abordemand.dta”的數(shù)據(jù)，我們考慮在模型的解釋變量中包括勞動需求的兩期滯后值，實際工資、資本存量、行業(yè)產(chǎn)出的當期值和一期滯后值。命令為：xtabondnL(0/1).(wkys),lags(2)vce(robust)其中，xtabond是差分GMM的基本命令，被解釋變量為n，解釋變量包括w、k和ys的當期值和一期滯后值，選項lags(2)表明在模型中包括被解釋變量的兩期滯后期，選項vce(robust)表示使用穩(wěn)健的標準差。此外，需要注意的一點是，如果我們在之前的差分GMM的估計中使用一步系統(tǒng)估計量（默認情況），則必須要設(shè)定選項vce(robust)才可以進行殘差的序列相關(guān)檢驗。對于我們前面回歸的模型，我們猜測實際工資和資本存量可能不是外生變量，而僅僅是前定變量。也就是說，擾動項的波動可能對后面時期的實際工資和資本存量產(chǎn)生影響。對于這種情形，我們可以通過如下命令進行擬合：xtabondnL(0/1).ys,lags(2)pre(w,lag(1,3))pre(k,lag(1,3))vce(robust)其中，n為被解釋變量，ys和其滯后一期值為解釋變量，且假定ys為外生變量。選項pre(w,lag(1,3))表明，設(shè)定變量w為前定變量；且其中的選項lag(1,3)意味著，將w的一期滯后值也包括到解釋變量中去，并設(shè)定用作工具變量的前定變量的最大滯后期為3。對選項pre(k,lag(1,3))的解釋與之類似。此外，選項vce(robust)表明，設(shè)定標準差為異方差穩(wěn)健的標準差。這里需要說明一點，之所以設(shè)定用作工具變量的前定變量的最大滯后期，是因為工具變量過多時（尤其是在樣本較小的情況下），估計會變得很不精確。2用系統(tǒng)GMM估計動態(tài)面板用系統(tǒng)GMM估計動態(tài)面板的基本命令為：xtdpdsysdepvar[indepvars][if][in][,options]其中，xtdpdsys代表“用系統(tǒng)GMM估計動態(tài)面板”的基本命令語句，depvar代表被解釋變量的名稱，indepvars代表解釋變量的名稱，if代表條件語句，in代表范圍語句，options代表其他選項?？捎玫倪x項包括noconstant、lags(#)、maxldep(#)、maxlags(#)、twostep、pre(varlist[…])、en