stata命令大全全要点

1、*面板数据计量分析与软件实现*STAT续程，感谢他的贡献。本人做了一定说明：以下do文件相当一部分内容来自于中山大学连玉君的修改与筛选。* 面板数据模型* 1,静态面板模型：FE和RE* 2,模型选择：FEvsPOLS,REvsPOLS,FEvsRE（pols混合最小二乘估计）* 3.异方差、序列相关和截面相关检验* 4.动态面板模型（DID-GMM,SYS-GMM* 5.面板随机前沿模型* 6.面板协整分析（FMOLS,DOLS*说明：1-5均用STATAM牛实现，6用GAUS献件实现。*生产效率分析（尤其指TFP）:数据包络分析（DEA）与随机前7&分析（SFA）*说明：DE袖DE

2、AP2.1软件实现，SF岫Frontier4.1实现，尤其后者，侧重于比较C-D与Translog生产函数，一步法与两步法的区别。常应用于地区经济差异、FDI溢出效应（SpilloversEffect）、工业行业效率状况等。*空间计量分析：SLM莫型与SEMI型*说明：STATAMatlab结合使用。常应用于空间溢出效应（R&D、财政分权、地方政府公共行为等。*一、常用的数据处理与作图* 指定面板格式xtsetidyear（id为截面名称，year为时间名称）xtdes/*数据特征*/xtsumlogyh/*数据统计特征*/sumlogyh/*数据统计特征*/* 添加标签或更改变量名l

3、abelvarh"人力资本"renamehhum* 排序sortidyear/*是以STATAU板数据格式出现*/sortyearid/*是以DE醺式出现*/* 删除个别年份或省份dropifyear<1992dropifid=2/*注意用=*/year或id就不连续，为形成panel格式，需要用* 如何得到连续year或id编号(当完成上述操作时，egen命令)egenyear_new=group(year)xtsetidyear_new* *保留变量或保留观测值keepinv/*删除变量*/* *或keepifyear=2000* *排序sortidyear/*是

4、以STATAU板数据格式出现sortyearid/*是以DE醺式出现* *长数据和宽数据的转换* 长>>>宽数据reshapewidelogy,i(id)j(year)* 宽>>>长数据reshapelogy,i(id)j(year)* *追加数据(用于面板数据和时间序列)xtsetidyear* 或者xtdestsappend,add(5)/表示在每个省份再追加5年，用于面板数据/tsset* 或者tsdes.tsappend,add(8)/表示追加8年，用于时间序列/协方差Cov(X,Y)* 方差分解，比如三个变量Y,X,Z都是面板格式的数据，且满足Y=

5、X+Z,求方差var(Y),和Cov(Z,Y)bysortyear:corrYXZ,cov* *生产虚拟变量* 生成年份虚拟变量tabyear,gen(yr)* 生成省份虚拟变量tabid,gen(dum)* *生成滞后项和差分项xtsetidyeargenylag=l.y/*genylag2=L2.ygendy=D.y/*产生一阶滞后项)，同样可产生二阶滞后项*/产生差分项*/*求出各省2000年以前的openinv的平均增长率collapse(mean)openinvifyear<2000,by(id)变量排序，当变量太多，按规律排列。可用命令aorder或者orderfdiopen

6、insti* 二、静态面板模型* 简介* 面板数据的结构(兼具截面资料和时间序列资料的特征)useproduct.dta,clearbrowsextsetidyearxtdes* 固定效应模型* 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29个省份的C-D生产函数*画图*散点图+线性拟合直线twoway(scatterlogyh)(Ifitlogyh)* 散点图+二次拟合曲线twoway(scatterlogyh)(qfitl

7、ogyh)* 散点图+线性拟合直线+置信区间twoway(scatterlogyh)(lfitlogyh)(lfitcilogyh)* 按不同个体画出散点图和拟合线，可以以做出fevsre的初判断*twoway(scatterlogyhifid<4)(lfitlogyhifid<4)(lfitlogyhifid=1)(lfitlogyhifid=2)(lfitlogyhifid=3)* 按不同个体画散点图,sobeautiful!*graphtwowayscatterlogyhifid=1|scatterlogyhifid=2,msymbol(Sh)|scatterlogyhifi

8、d=3,msymbol(T)|scatterlogyhifid=4,msymbol(d)|,legend(position(11)ring(0)label(1"北京")label(2"天津")label(3"河北")label(4"山西")* *每个省份logy与h的散点图，并将各个图形合并twowayscatterlogyh,by(id)ylabel(,format(%3.0f)xlabel(,format(%3.0f)* 每个个体的时间趋势图*xtlinehifid<11,overlaylegend(on

9、)*一个例子：中国29个省份的C-D生产函数的估计tabid,gen(dum)list* 回归分析reglogylogklogldum*,eststorem_olsxtreglogylogklogl,feeststorem_feesttablem_olsm_fe,b(%6.3f)star(0.10.050.01)* Wald检验testlogk=logl=0testlogk=logl* stata的估计方法解析* 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：*组内平均样本平均

10、*y_it=u_i+x_it*b+e_it(1)*ym_i=u_i+xm_i*b+em_i(2)*ym=um+xm*b+em(3)/*withinestimator*/R2* (1)-(2),可得：* (y_it-ym_i)=(x_it-xm_i)解读xtreg,fe的估计结果xtreglogyhinvgovopen,fe*-RA2*y_it=a_0+x_it*b_o+e_it(1)pooledOLS*y_it=u_i+x_it*b_w+e_it(2)withinestimator*ym_i=a_0+xm_i*b_b+em_i(3)betweenestimator*->R-sq:with

11、in模型(2)对应的R2,是一个真正意义上的*->R-sq:betweencorrxm_i*b_w,ym_iA2*->R-sq:overallcorrx_it*b_w,y_itA2*-F(4,373)=855.93检验除常数项外其他解释变量的联合显著性*b+(e_it-em_i)* (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* 对该标型执行OLS估计，即可得到b的无偏估计量*stata后台操作，揭开fe估计的神秘面纱！egeny_meanw

12、=mean(logy),by(id)/*个体内部平均*/egeny_mean=mean(logy)/*样本平均*/egenk_meanw=mean(logk),by(id)egenk_mean=mean(logk)egenl_meanw=mean(logl),by(id)egenl_mean=mean(logl)gendyw=logy-y_meanwgendkw=logk-k_meanwgendlw=logl-l_meanwregdywdkwdlw,noconseststorem_statagendy=logy-y_meanw+y_meangendk=logk-k_meanw+k_meange

13、ndl=logl-l_meanw+l_meanregdydkdleststorem_stataesttablem_*,b(%6.3f)star(0.10.050.01)* -corr(u_i,Xb)=-0.2347* -sigma_u,sigma_e,rho* rho=sigma_uA2/(sigma_uA2+sigma_eA2)dise(sigma_u)A2/(e(sigma_u2+e(sigma_e2)* 个体效应是否显著？* F(28,373)=338.86H0:al=a2=a3=a4=a29* Prob>F=0.0000表明，固定效应高度显著* -如何得到调整后的R2,即adj-

14、R2?ereturnlistreglogyhinvgovopendum*,-拟合值和残差* y_it=u_i+x_it*b+e_it* predictnewvar,option/*xbxb,fittedvalues;thedefaultstdpcalculatestandarderrorofthefittedvaluesueu_i+e_it,thecombinedresidualxbuxb+u_i,predictionincludingeffectuu_i,thefixed-orrandom-errorcomponentee_it,theoverallerrorcomponent*/xtreg

15、logylogklogl,fepredicty_hatpredicta,upredictres,epredictcres,uegenares=a+reslistarescresin1/10随机效应模型* y_it=x_it*b+(a_i+u_it)* =x_it*b+v_it* 基本思想：将血机干扰项分成两种* 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，即通常意义上的干注项u_it*估计方法：FGLS* Var(v_it)=sigma_aA2+sigma_uA2* Cov(v_it,v_is)=sigma_aA2* Cov(v_it,v_js)=0* 利用PooledOL

16、S,WithinEstimator,BetweenEstimator* 可以估计出sigma_aA2和sigma_uA2,进而采用GLJSFGLS* Re估计量是Fe估计量和Be估计量的加权平均* yr_it=y_it-thetaym_i* xr_it=x_it-theta*xm_i* theta=1-sigma_u/sqrt(T*sigma_aA2+sigma_uA2)*解读xtreg,re的估计结果useproduct.dta,clearxtreglogylogklogl,re* -R2* ->R-sq:withincorr(x_it-xm_i)*b_r,y_it-ym_iA2* -

17、>R-sq:betweencorrxm_i*b_r,ym_iA2* ->R-sq:overallcorrx_it*b_r,y_itA2* 上述R潴B不是真正吉"日勺一R2,因为Re模型采用的是GLS古计* rho=sigma_uA2/(sigma_uA2+sigma_eA2)dise(sigma_u)A2/(e(sigma_u)A2+e(sigma_e)A2)* corr(u_i,X)=0(assumed)* 这些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)xtregmarketinvests

18、tock,fe* Waldchi2(2)=10962.50Prob>chi2=0.0000时间效应、模型的筛选和常见问题* 目录* 7.2.1时间效应（双向固定（随机）效应模型）* 7.2.2模型的筛选* 7.2.3面板数据常见问题* 7.2.4面板数据的转换* 时间效应* 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_itquitabyear,gen(yr)dropyr1xtreglogylogkloglyr*,fe* 随机效应模型中的时间效应xtreglogylogkloglyr*,fe*模型的筛选*

19、固定效应模型还是PooledOLS?xtreglogylogkloglyr*,fe/*Wald检验*/quitabid,gen(dum)/*LR检验*/reglogylogklogl/*POLS*/eststorem_olsreglogylogklogldum*,noconseststorem_felrtestm_olsm_feesttablem_*,b(%6.3f)star(0.10.050.01)* REvsPooledOLS?* H0:Var(u)=0* 方法一：B-P检验xtreglogylogklogl,rexttest0* FEvsRE?* y_it=u_i+x_it*b+e_it

20、致的，但Re更有效Re有偏的* -Hausman检验-* 基本思想：如果Corr(u_i,x_it)=0,Fe和Re者B是一* 如果Corr(u_i,x_it)!=0,Fe仍然有效，但* 基本步骤*情形1:huasman为正数xtreglogylogklogl,feeststorem_fextreglogylogklogl,reeststorem_rehausmanm_fem_re*情形2:quixtreglogyhinvgovopen,feeststorefequixtreglogyhinvgovopen,reeststorerehausmanfere* Hausman检验值为负怎么办？*

21、通常是因为RE莫型的基本假设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hausmanfere,sigmaless*两个模型的方差-协方差矩阵都采用Re模型的hausmanfere,sigmamore* =为何有些变量会被drop掉？usenlswork.dta,cleartssetidcodeyearxtregln_wagehourstenurettl_exp,fe/*正常执行*/* 产生种族虚拟变量tabrace,gen(dum_race)xtregln_wagehourstenurettl_expdum_race2dum_race3,fe*

22、 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，* 都会与u_i构成多重共线性，Stata会自动删除之。* *异方差、序列相关和截面相关问题* 简介* y_it=x_it*b+u_i+e_it* 由于面板数据同时兼顾了截面数据和时间序列的特征，* 所以异方差和序列相关必然会存在于面板数据中；* 同时，由于面板数据中每个截面(公司、个人、国家、地区)之间还可能存在内在的联系,* 所以，截面相关性也是一个需要考虑的问题。同方差假设

23、序列无关假设截面不相关假设* 此前的分析依赖三个假设条件:* (1)Vare_it=sigmaA2* (2)Corre_it,e_it-s=0* (3)Corre_it,e_jt=0* 当这三个假设无法得到满足时，便分别出现异方差、序列相关和截面相关问题;* 我们一方面要采用各种方法来检验这些假设是否得到了满足；* 另一方面，也要在这些假设无法满足时寻求合理的估计方法。假设检验*=组间异方差检验(截面数据的特征)*Var(e_i)=sigma_iA2* Fe模型xtreglogylogklogl,fexttest3* Re模型* Re本身已经较大程度的考虑了异方差问题，主要体现在sigma_u

24、A2上=序列相关检验* Fe模型-0.5* xtserialWooldridge(2002),若无序列相关，则一阶差分后残差相关系数应为xtseriallogylogkloglxtseriallogylogklogl,output* Re模型xtreglogylogklogl,rexttestl/*提供多个统计检验量*/=截面相关检验* xttest2命令H0:所有截面残差的相关系数都相等xtreglogylogklogl,fexttest2*由于检验过程中执行了SUE古计，所以要求T>Nxtreglogylogkloglifid<6,fexttest2*xtcsd命令(提供了三种

25、检验方法)xtreglogylogklogl,fextcsd,pesaran/*Pesaran(2004)*/xtcsd,friedman/*Friedman(1937)*/xtreglogylogklogl,rextcsd,pesaran*估计方法*=异方差稳健型估计xtreglogyhinvgovopen,ferobusteststorefe_rbxtreglogyhinvgovopen,ferobusteststorefe*结果对比*=*esttabfe_rbfe,b(%6.3f)se(%6.3f)mtitle(fe_rbfe)序列相关估计一阶自相关xtregar,fe/re(1)模型：

26、y_it=u_i+x_it*b+v_itv_it=rho*v_it-1+z_it(2)xtregarlogyhinvgovopen,feeststorefear1xtregarlogyhinvgovopen,felbi/*Baltagi-WuLBItest*/* 说明：* (1)这里的Durbin-Watson=1.280677具有较为复杂的分布，* 不同于时间序列中的D-W充计量。* (2)其临界值见Bhargavaetal.(1982,TheReviewofEconomicStudies49:553-549)* Baltagi-WuLBI=1.4739834基本上没有太大的参考价值，* 因

27、为他们并未提供临界值表，而该统计量的分布又相当复杂xtregarlogyhinvgovopen,reeststorere_ar1* 两阶段估计xtregarlogyhinvgovopen,fetwostepeststorefear1two* 结果对比xtreglogyhinvgovopen,feeststorefelocalmodels"fefear1rear1fear1two"esttab'models',b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_wcorr)* 高阶自相关* newey2命令new

28、ey2logyhinvgovopen,lag(2)*=组间相关(截面相关)* cluster选项usextcs.dta,clearxtreglogyhinvgovopen,fecluster(id)eststorefe_clusterxtreglogyhinvgovopen,recluster(id)eststorere_cluster*看过去很晕，采用一种综合处理:* xtgls命令* xtpcse命令*-简介(Greene,2000,chp15)*模型* y=X*b+U* 重点在于考虑干扰项U的结构，包括* （1）异方差（2）序列相关（3）截面相关性* 应用范围：多用于大T,小N'

29、型面板数据，因为，此时截面的异质性并不是重点关注的，而时序特征则较为明显因此，模型设定中未考虑个体效果* Iy_1IIX_1|e_1|* Iy_2IIX_2IIe_2I* |.|.|.|* I.I=I.I*b+I.I* I.II.II.I* Iy_nIIX_nIIe_nI截面异方差* Ee_i*e_i'=s_iA2*Is1A20.0I0s2A2.0V=|.|.|00.snA2|截面相关|s_11s_12.s_1n|*=xtgls命令useinvest2.dta,clearxtglsmarketinveststock,panels(iid)/*iid,eststoreg_0regmark

30、etinveststockeststoreg_olsxtglsmarketinveststock,panel(het)/*eststoreg_phetxtglsmarketinveststock,corr(ar1)/*eststoreg_par1xtglsmarketinveststock,corr(psar1)/*eststoreg_psar1等同于PooledOLS*/截面异方差*/所有截面具有相同的自相关系数*/每个截面有自己的自相关系数*/|s_21s_22.s_2n|.|V=|.|*sigmaA2|.|s_n1s_n2.s_nn|序列相关* Ee_i*e_i'=s_iA2*M

31、_i* |s1A2*M_10.0|* |0s2A2*M_2.0|* |.|* V=|.|* |.|* |00.snA2*M_n|* GLS估计*b=X'VA-1*XA-1X'VA-1y* Varb=X'VA-1*XA-1估计和检验截面间相关且异方差*/截面异方差*/xtglsmarketinveststock,panel(corr)/*eststoreg_pcorrxtglsmarketinveststock,p(c)corr(ar1)eststoreg_all* 检验异方差xtglsmarketinveststock,panel(het)/*xttest3* 检验序列

32、相关xtserialmarketinveststock* 检验截面相关xtglsmarketinveststock,panel(het)xttest2* 结果对比xtregmarketinveststock,feeststorefelocalmodels"feg_0g_ols"esttab'models',b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_w)localmodels"feg_phetg_par1g_psar1g_pcorrg_all"esttab'models

33、9;,b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_w)compress* 说明：* 为何xtgls不汇报R2?* 因为此时的R以必介于0和1之间，不具有传统线性回归模型中R2的含义*=xtpcse命令* 默认假设：存在截面异方差和截面相关* 估计方法：OLS或Prais-Winsten回归* 有别于xtgls(采用FGLS古计)* 更适于方块面板N不大(10-20),T不大(10-40)* 与xtgls的区别：估计方法不同* xtgls采用GLS®行估计，而xtpsce采用OLSuseinvest2.dta,clearxtpcs

34、einvestmarketstockeststorepcse_full/*OLS估计，调整异方差和截面相关后的标准误*/xtglsinvestmarketstock,panels(correlated)eststorem_xtgls/*FGLS估计，异方差和截面相关*/xtpcseinvestmarketstock,correlation(ar1)eststorepcse_ar1/*Prais_Winsten估计，共同的自相关系数*/xtpcseinvestmarketstock,correlation(arl)hetonlyeststorepcse_ar1/*不考虑截面相关*/* 结果对比x

35、treginvestmarketstock,feeststorefelocalmodels"fepcse_fullm_xtglspcse_ar1pcse_ar1"esttab'models',b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_w)* xtpcse的结果与xtgls非常相似，但前者可以汇报R2* 当峨大时，采用该方法会非常费时，* 因为方差协方差矩阵是采用OLS古计的残差计算的usextcs.dta,clearxtdesxtpcsetlsizendtstangtobinnpr/*大约5-8分钟*

36、/eststorextpcsextregtlsizendtstangtobinnpr,feeststorefe* 结果对比localmodels"fextpcse"esttab'models',b(%6.3f)se(%6.3f)mtitle('models')r2sca(r2_w)* 系数估计值有较大差别，但符号和显著性是一致的。一*动态面板模型PartI* 动态面板模型* 简介* 一阶差分IV估计量(AndersonandHisao,1982)* 一阶差分GMM计量(ArellanoandBond,1991)* 系统GMM'计量(A

37、B,1995;BB,1998)* =简介=* 模型：yit=a0*yit-1+a1*xit+a2*wit+u_i+eit* 特征：解释变量中包含了被解释变量的一阶滞后项* 可以是非平行面板，但要保证时间连续*xit*wit严格外生变量Ex_it,e_is=0foralltands即，所有干扰项与x都不相关先决变量Ew_it,e_is!=0fors<t,butEx_it,v_is=0foralls>=t* 即，前期干扰项与当期x相关，但当期和未来期干扰项与x不相关。* yit-1内生变量Ex_it,e_is!=0fors<=t* 即，前期和当期，丸其弃当期干扰项与x相关* u_

38、i随机效应，在截面间是iid的。u_i与eit独立。*内生性问题：* (1)若假设u_i为随机效应，则Corr(yi,t-1,u_i)!=0* (2)若假设u_i为个体效应，需要想办法去除之，因为数据为"大NJ、T"* 一阶差分：D.yi,t-1=yi,t-1-yi,t-2D.ei,t=ei,t-ei,t-1差分方程存在内生问题;显然：Corr(D.yi,t-1,D.ei,t)!=0,组内去心：ymi,t-1=yi,t-1-1/(T-1)*(yi,t-1+yi,T)emi,t=ei,t-1/T*(ei,t+ei,t-1+ei,T)显然：Corr(ymi,t-1,emi,t)

39、!=0,仍然存在内生性问题*处理办法：IV估计或GMMr计，选择合适的工具变量*矩条件：Ee_it,z_it=0*=*=一阶差分IV估计量=*=AndersonandHisao(1982)=*=*基本思想：采用一阶差分去除个体效应u_i,y的滞后二阶作为D.yit-1的工具变量同时，D.yit-2也可以作为D.yit-1的工具变量useabdata.dta,cleardes/*变量的定义*/tssetidyear* 模型：n_it=b1*n_it-1+b2*n_it-2* +b3*w_it+b4*w_it-1* +b5*k_it+b6*k_it-1+b7*k_it-2* +b8*ys_it+b

40、9*ys_it-1+b10*ys_it-2*xtivregnL2.nwL1.wkL1.kL2.kysLl.ysL2.ysyr1981-yr1984/(L.n=L3.n),fd* 等价于*xtivregnL2.nL(0/1).wL(0/2).(kys)yr1981-yr1984(L.n=L3.n),fd* =一阶差分GM岫计量=* =AB91=* L.Hansen(1982)提出GMM* ArellanoandBond(1991)* 模型：*yit=aO*yit-1+a1*xit+a2*wit+u_i+vit*假设条件：*干扰项vit不存在序列相关；* 适用范围：* 大N,小T* 随后，我们会介

41、绍小N大T”型动态面板的估计方法* 基本思想：* 在AndersonandHisao。982)基础上增加了更多可用的工具变量* 在t=3处，y_i1可以作为所有滞后项的工具变量* 在t=4处，y1,y_i2可以作为所有滞后项的工具变量*D.yit=a1*D,yit-1+a2*D.Xit+D.vitX_it=x_it,w_it*因此，所有工具变量构成的矩阵如下：* |y_i100000.0.0D.x_i31* I0y_i1y_i2000.0.0D.x_i41* |000y_i1y_i2y_i3.0.0D.x_i51* Z_i=|* I000000.y_i1.yiT-2D.xJT|* Z_i的行数

42、为T-2* Z_i的列数为sum_(m=1)A(T-2)m+K,K为X的列数*以T=7,K=3为例，贝ijZ_i的列数为(1+2+3+4+5)+3=18*设定工具变量的基本原则：*对-内生-变量的处理：与上述方法类似，*又t-外生-变量的处理：自己作为自己的工具变量(StandardIV)*=例1:一阶差分估计量的基本设定解释变量仅包含y_it的一阶滞后项，默认设定干扰项同方差，一壶估计useabdata.dta,clearxtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984eststoreab0结果释疑*-1*工具变量的个数是如何确定的？(xtdpd,p.74)

43、外生变量的工具变量等于外生变量的个数L(0/1).wL(0/2).(kys)yr1980-yr1984内生变量的工具变量：共27个共13个listidyearnL2.nDL2.nifid=140*差分方程的可用工具变量*yearofYearsofNumberof(GMMtype)(GMMtype)*197819761*19791976-19772*19801976-19783*19811976-19794*19821976-19805*19831976-19816*1984*1976-19827*28个-2-GMM-type和Standard两种类型的工具变量有何差异？instruments*

44、differenceequationinstruments(xtabond,p.27)即滞后两阶以上的水平变量均可作为差分方程的工具变量又t-先决-变量的处理：滞后一阶以上的水平变量均可作为工具变量GMM-typeStandard是针对内生变量或先决变量而言的工具变量，有多列是针对外生变量而言的工具变量，只有一列过度识别检验(工具变量的使用是否合理)estatsargan说明:* H0:overidentifyingrestrictionsarevalid* 这里，我们拒绝了原假设，但AB91指出，当干扰项存在异方差时，* Sargan检验倾向于过度拒绝原假设，因此此处得到的结论并不可信。*

45、采用两阶段估计，然后再执行Sargan检验较为稳妥：*xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,twostepestatsargan* 说明：不过，AB91发现，* 若存在异方差，在两阶段估计后执行Sargan检验往往倾向于* Underreject问题，即过度接受原假设。* 通常而言，这很可能是我们的模型设定不当，或是工具变量的选择不合理。* -干扰项序列相关检验* AB91一阶差分估计量要求原始模型的干扰项不存在序列相关，* 显然，差分后的干扰项必然存在一阶序列相关，* 因此，我们需要检验差分方程的残差是否存在二阶(或更高阶)序列相关即可* 默认，

46、二阶序列相关检验xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,vce(robust)estatabond*说明：若存在二阶相关，则意味着选取的工具变量不合理*高阶序列相关检验xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,vce(robust)artest(3)estatabond*=稳健型估计xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)robusteststoreab4_one_rb*此时，无法Sargan统计量estatsargan*=两阶段估计AB91(Tab4

47、(a2)考虑异方差问题*利用第一阶段估计得到的残差构造方差-协方差矩阵，进而重新估计模型*xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)twostepeststoreab4_twostep* 此时，Sargan检验无法拒绝原假设*estatsargan* AB91重要建议：* (1)采用一阶段估计结果进行系数显著性的统计推断；* (2)采用两阶段估计给出的Sargan统计量进行模型筛选* 进一步的讨论：* 虽然AB91建议不要采用两阶段(非稳健)估计进行统计推断，* 彳1Windmeijer(2005,JournalofEconometric

48、s)通过模拟分析表明，* 采用纠偏(bias-corrected,WC)后的稳健性VCE,可以更好地进行统计推断xtabondnL(0/1).wL(0/2).(kys)yr1980-yr1984,lags(2)twostepvce(robust)eststoreab_wc_rb* 结果对比localmm"ab4_one_rbab4_twostepab_wc_rb"esttab'mm',mtitle('mm')*AB91_WC_rb的参数估计相同，后者标准误较大两加段-纠偏-稳健型估计量。*结论:* AB91_onestep_rb的结果与* 建

49、议采用Windmeijer(2005)*=先决变量的设定* 由于当期干扰项显然会影响后续w和k,所以把它们设定为先决变量更为合理* 注意：此时逗号前就不能再出现这两个变量了xtabondnL(0/1).ysyr1980-yr1984,lags(2)twostep/pre(wk)eststoreab4_preestatsargan* 从Sarganp值来看，将w和k设为先决变量似乎更为合理* pre()选项的设定xtabondnL(0/1).ysyr1980-yr1984,lags(2)twostep/pre(w,lag(1,3)pre(k,lag(2,.)* 解释：* pre(w,lag(1,

50、3)* lag(1,3)中的1表示L.w也会作为解释变量，* lag(1,3)中的3表示L2.w和L3.w可以作为L.w的工具变量，但L4.w不可以;* pre(k,lag(2,.)* lag(2,.)中的2表示L1.k,L2.k都会作为解释变量；* lag(2,.)中的.表示L3.k,L4.k.都可以作为L2.k的工具变量*说明：上述设定都可附加-vce(robust)-选项以便获得稳健型标准误。*=工具变量过多导致的问题*过多的工具变量往往导致过度约束假设无法满足* 估计结果的有效性降低，因为部分工具变量与内生或先决变量的相关性很弱* 对矩阵尺寸的要求增加* 解决办法：限制最大的滞后阶数x

51、tabondnL(0/1).ysyr1980-yr1984,lags(2)twostepIIIpre(w,lag(1,3)pre(k,lag(2,3)*=系数估计的上下限* 虽然PooledOLS和FixedEffects估计都是有偏的,* 但是二者却决定了y_it-1真是估计值的上界和下界* 换言之，PooledOLS估计高估了真实值* 而Fixedeffects估计则低估了真实值*=* =系统GM岫计量=*=AB95,BB98=*=* ArellanoandBover(1995),* BlundellandBond(1998)* Haha(1999),JudsonandOwen(1999)

52、* 适用范围：* 大N,小T* AB91的局限* (1)当yi,t-1的系数较大，即yi,t表现出强烈的序列相关时；* (2)当Varu_iIVare_it较大时，即个体效应的波动远大于常规干扰项的波动;* AB91的表现欠佳。* 原因在于，水平滞后项是差分方程中内生变量的-弱工具变量-;* 因此，需要寻求更佳的工具变量* =基本思想：* -几个概念-*水平值yx差分值D.yD.x水平方程：y_it=b1*y_it-1+b2*x_it+u_i+v_it可用工具变量：D.yi,t-1可以作为yi,t-1的工具变量差分方程：D.y_it=b1*D.y_it-1+b2*D.x_it+D.v_it可用

53、工具变量：yi,t-2,yi,t-3.都可以作为D.yi,t-1的工具变量差分GMM计量与系统GMM计量的区别* (1)差分GM的计量采用水平值的滞后项作为差分变量的工具变量；* 如y_it-3是D.y_it-1的工具变量* (2)系统GM的计量进一步采用差分变量的滞后项作为水平值的工具变量；* 相当于进一步增加了可用的工具变量，* 且估计过程中同时使用水平方程和差分方程* (3)主要原因在于差分GMM1工具变量往往是弱工具变量，即corr(X,Z)过低* -xtabond2命令-Roodman(2005)* 既可以估计差分GMM估计量，也可以估计系统GMM估计量；* 同时可以估计一般化的回归模型* 提供两阶自相关检验，Sargan检验，Hansen检验，以及工具变量外生性检验*-xtdpdsys命令-Stata官方命令，以xtabond2命令为基础* xtabond2命令* 适用于S