STATA面板数据模型操作命令

1、STATA 面板数据模型估计命令一览表一、静态面板数据的 STATA处理命令固定效应模型随机效应模型yiti xitityit xitititit it一）数据处理输入数据 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 sq cpi unem g se5 ln各变量的描述性统计（统计分析） gen lag_y=L.y /gen F_y=F.y /gen D_y=D.y /gen D2_y=D2.y /产生一个滞后一期的新变量 产生一个超前项的新变量 产生一个一阶差分的新变量产生一个二阶差分的新变量1、检验个体效应二）模型

2、的筛选和检验混合效应还是固定效应） （原假设：使用 OLS混合模型） xtreg sq cpi unem g se5 ln,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 sq cpi unem g se5 ln,rexttest0（ 加上“ qui ”之后第一幅图将不会呈现 ）可以看出， LM检验得到的 P 值为 0.00

3、00 ，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 qui xtreg sq cpi unem g se5 ln,feest store fequ

4、i xtreg sq cpi unem g se5 ln,reest store rehausman fe (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和是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 xtreg sq cpi unem g se5 ln,fe(如下图所示 )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

5、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、随机效应模型估计若假设本例的样本是从一个很大的母体中随机抽取的，且 i 与解释变量均 不相关，则我们可以将 i 视为随机干扰项的一部分。此时，设定随机效应模型 更为合适。 xtreg sq cpi

6、unem g se5 ln,re（ 如下图所示 ）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 sq cpi unem g se5 ln dumt*,fe四）异方差和自相关检验 1

7、、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 sq cpi unem g se5 ln,fexttest3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 sq cpi unem g se5 ln,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。

8、2、序列相关检验对于 T较大的面板而言， i往往无法完全反映时序相关性， 此时 it 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 sq cpi unem g se5 ln可以发现，这里的 P=0.0000，我们可以在 1%的显著性水平下爱拒绝不存在序列相关的原假设。考虑到样本，该检验的最后一步是用 对 进行 OLS回归， eit ei ，t-1 因此，输入以下命令得到 。检验该值是否显著异于 -0.5 ，因为在原假 0

9、.8858设下（不相关） ，可见本例中不相等， 拒绝原假设， 说明存在序列相关-0.5 mat list e(b)（ 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 sq cpi unem g se5 ln dumt*,rexttest1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 xt

10、regar 命令来估计模型，首先考虑固定效应模型： xtregar sq cpi unem g se5 ln dumt*,fe lbi3、“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 sq cpi unem g se5 ln,fe vce(robust)与之前未经处理的估计结果相比，附加命令 vce（rob

11、ust） 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 sq cpi unem g se5 ln,fexttest2 （

12、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 sq cpi unem g se5 ln,rextcsd,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)

13、提出的“异方差序列相关 截面相关”稳健型标准误： xtscc sq cpi unem g se5 ln,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 sq cpi unem g se5 ln,fe lag(0)2）RE模型估计（略，待

14、补充 ）二、动态面板数据的 STATA处理命令一）差分 GMMxtabond lnwi cd lngdp land doc fir lnroad lnpop finaxtabond lnwi cd lngdp land doc fir lnroad lnpop fina,lag(2) twostep二）系统 GMMxtdpdsys lnwi cd lngdp land doc fir lnroad lnpop fina xtdpdsys lnwi cd lngdp land doc fir lnroad lnpop fina, twostep(三)内生性检验 estat sargan（四）序列

15、相关检验 estat abond三、门槛（门限回归）面板模型的 STATA处理命令xtthres y, thres(q) dthres(x) bs1(30) bs2(30) bs3(20)各个门槛的置信区间图：xttr_graphxttr_graph,m(22)xttr_graph,m(21) xttr_graph,m(3) 呈现估计结果：local q1=e(rhat21)local q2=e(rhat22)gen d1=(q <='q1' )gen d2=(q >'q2')gen xd1=x*d1gen xd2=x*d2 xtreg y x xd

16、1 xd2,fe est store fe第一轮搜索第一个门槛第二轮搜索第二个门槛第二轮搜索第一个门槛取出门槛值生成虚拟变量常规标准误xtreg y x xd1 xd2,fe robust 稳健型估计est store fe_ robustlocal m ” fe fe_ robust ”esttab m' ,mtitle( m') nogap s(r2 r2_w N F)/star(*0.1 *0.05*0.01)1. 检验：是否存在门槛效应混合面板：reg is lfr lfr2 hc open psra tp gr,vce(cluster sf)固定效应、随机效应模型xt

17、reg is lfr lfr2 hc open psra tp gr,fe est store fextreg is lfr lfr2 hc open psra tp gr,reest store re hausman fe 两步系统 GMM模型xtdpdsys rlt plf1 nai efd op ew ig ,lags(1) maxldep(2) twostep artests(2)注：rlt 为被解释变量，“plf1 nai efd op ew ig”为解释变量和控制变量；maxldep(2) 表示使用被解释变量的两个滞后值为工具变量； pre ()表示以某一 个变量为前定解释变量； endogenous()表示以某一个变量为内生解释变量。自相关检验： estat ab