S 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y=a+xp+8固定效应模型itiitity=xb+卩ititit=a+8随机效应模型ititit（一）数据处理输入数据tssetcodeyear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.xtdescode:1!2,20n=20year;2004,2DQ5,12014T=11Delta(year)=1unitspan(year)=11periods(code*yearuniquelyidenfifieseachobserwfion)DisrrlbutionofT_i:min5%25%50%75%9

2、5%max11111111111111zreq.Percentcum.卩attern2010&.00100.001111111111120100.00 xxxxxxxxxxxsummarizesqcpiunemgse5ln各变量的描述性统计（统计分析）genlag_y=L.y/genF_y=F.y/genD_y=D.y/genD2_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.summaizEsireQres-=-4o-nGro-iipva.riBtlbl:codeNumbero-iFNumbero-iFO-I&353ronps-

3、22020wT-thTnbelEweer-Fo-vcral1Ok?s-per-gr-o-np:mHrb&ViQ!max11kzo-rinCilj-I.jetsJFCS：LDSOpro-lh”ifXI-O.OOOOuoamUDmutzgIT.STj.c.r*r.HIPAIX|匸OOX-Q3.SSO.OOO-maoa一。卫-3676-6.B.GGG43_a_X_6.2O.:LOE一：L-4.X-MdO-4NdLi5B3G-fcAoooo4总.ii545iOS2唱#九O2B5C7-1.2ES0290T-C51O1354斗.芳49口335ZS512555521100-0ammm-IO5-&BZ2113

4、132*tQimaL4s-1oma一er卜id2BBBT9C3OOlOHLOJ3j?CZ71_CiFractTo-ro-iFvarT-ancc曰u*eico-uT丄F-tes-t-t,H-B.XalIu!口匚_:za_mPrO-taAF一oQ-OQ-O-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）quixtregsqcpiunemgse5ln,re（加上“qui”之

5、后第一幅图将不会呈现）xttest0NitiimbiG-ro1Fob=d4Funem0se51nco-rs-4th峠se&70BL3S731-2295.B-O52B4rl吕1?ilezs一ao.7HZ022.10506九鼻133S9IO.5993ZB00733J-62.2.5,66o.so.o.do.3e837.iazsGltS-4flB597C-d7-却兰4QZ-1312B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）

6、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FEorRE的优劣，这需要进行接下来的检验，如下：Stepl: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quixtregsqcpiunemgse5ln,feeststorefequixtregsqcpiunemgse5ln,reeststorerehausmanfe(或者更优的是hausmanfe,sigmamore/sigmaless)hausmanifeCoeTficients1CbCECb-BsTereiTTe

7、ren匚eS.Ecpi乏.9216564a4Q744B-2L4iE575aLinem-18762S-114a2304-733SBG3H5吕幻石卫了g-6.3666B-6a036792L7371S6a46T9B27seS76a2397S77a5970a642755S206747251MS285675a625365J.4d6O3i5.626595bcons11sxenxHinderhoa.indHa:obxmHiriedfroinxxiregB二1meDins1stemi:underhm.eiFfHdeni:Linderho：dbxained1Framxtregiresi:iho:differen

8、ceincoelFfidenxsihidtsysiceonax1cch1=8v_b-v_”W_L|(HEd27.3$pitobchill2二o.oooositivedefiniej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xtregsqcpiunemgse5ln,fe（如下图所示）x*tregsqcpiunemgse51nB1FeFixede4FFec3(wtHiinisroupwar1able:codeNLimlherodFolhs-nLimb

9、erofgrDLips22020Rsq:withiinbetweenovera!1O2307OOZOZO.OOt4Obspergroup:minavg11110corrCtii,xbXX.696OOOOsqcoeT-st:d-bitr.PA|H|55tconT-ini:erval*=piunemcons2a92J.698-167&Z9一召.3666847fl.2372Oa2E567.357E5X24aS7S557甜IS.3021M3778dL5274aG：L302965a555241o5石686X6063.5-n6Oa550OOOO01.08O.OOOoaOiS949-6.7O1B63-ZGZ

10、B9OS-1.4.132743.l.i5a5-3a97S285-XOa596Z212a5452C-923&7Z&13421LIOS.36-41.44a54363：Li3J.392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

11、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a与解释变量均i不相关，则我们可以将a视为随机干扰项的一部分。此时，设定随机效应模型i更为合适。（如下图所示）xtregsqcpiunemgse5ln,rexXregsqcpiRanciofflieffecTsoilsregresslon匚ir口upviabla:codeNumberofobsNLimlbc-raHFgraiups22020Rsq:wlrhinisetweenqveit1D=D.0376=O0276Obspergroup:minavgina.x11dLl

12、-oXX-47.O6OOOOsqCoe1FsrdBErrLO535con.FbintervalH1mgs0speel叭cns04a407446-1112304-S.1O3B79-77s.5?b7O3、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tabyear,gen(dumt)先，我们需要定义一下T-1个时间虚拟变量。（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）dropdumt1作用在于去掉第一个虚拟变量以避免完全共线性）45C/H1-L丿rl-lCQCJJrLL

13、丄丄MpmHnJ00000000009Eb,IDsiqYN丄O-O-1M31J-”疗fx&GIo丄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：xtregsqcpiunemgse5lndumt*,feaxtregsqcpiFiixedeffectsGroupvariabler占q:wixhlnbeTweenoverall匸or(u_iBxbjunemgse51ndumt*3fe220201111.0JLJL4.89OODOQ(within)regressiion:code-O2836=O.026-L-O0935-一O1752Nunnberofobs=Numberofgroupsobs

14、pairgroup:ininF(15?185)PobFavg=maxsq匚oef.std.Err.tp1r125岛conf.Intervalcpi3.7748344.961B72a.760.448-6.01429313.56396uneui-37BOOM7石Q58528一057CL567-164屈Ml事0ll&66g孑1110525OB8950&10542一&92S676l.m15D7Sse577a3662G丄5700284&34OOO4石.39164iOS.mdog1nH.S03112丄耳3238509931735dumt2B01057S.63163:55-0.4

15、0.634-1.54713.Ci45O76gdufwr3-33765526317213一0530595一158967Ba9丄斗5575dumT-t.162&合71.64502750.25CL801-1.1114371.436S31dufn.s5598&556473164003B8一7171745丄636!66dunrt6.431614.67335010.640.522-.89674061.760124dumit74232826448527CL660512-84894741.65513dumts：LOS31076S46403HL.5SCL114一.Z&Z59972.43S013dumt9la60

16、575177246662D8CKOB9OB177453a12&727duurtio：L906054795&772400O1B33271375022diLimtll2.22063.90306372.460.015.43900254.O02Z57_cons-石.81046予.922799一卫丄30261-1636596毎.O03S65s1gina_u2505sigma_e182827rhro5508173(fr耳匚fionofvarian匚定duetou_iJFestthata.-!11u_i=:p(ig.les)=10a75ProbF=OaO&OO（四）异方差和自相关检验1、异方差检验（组间异方

17、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quixtregsqcpiunemgse5ln,fexttest3.quixtregsqcpiunemgse5ln,fe.xttest3ModicdWaldtestforgroupw-scheteroskedasticitvinfixedeffectrgressionmodelHO:sigma(i)2-sigma2forallichi2(20)=11561.6GProbAtzhrm二0.0000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:

18、xtglssqcpiunemgse5ln,panels(heteroskedastic)O.君目一042一忑372L79-3.31O.O15.O352OL：LM20264一.653562622a4OS3-3.5455-63.-1.SO7617-2049-OB2-6.90902-JLa035025-313.79961-3.64S2C21.77116遇.553：L595BO95a9E9B7T2-6H61231-fi7175九.56372一264384一！37B129LLQ7009-S.J6721O3.020212epiunenigse5.COIHiSdgGr.do.o.其中，组间异方差通过pane

19、ls()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iit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:xtserialsqcpiunemgse5ln.xtserialsqcpiunemgseSInwooldridgetestforautocorrelationinpaneldataHO:nofirstor

20、derautocorrelafionF(1,19)=1246.120ProbaF=0.0000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，eeiti，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q=0.8858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。q=-0.5matliste(b).matlistc(b)symmetrice(b)1,1L.000006yl.S05824992）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

21、验:quixtregsqcpiunemgse5lndumt*,re6xttest1-quixtreg=qupHunurng=e51ndumt*pre-XTTGST1Tgetsfortheerrorcomponionim口匚1口1:w口匚codePtKb+uCcodeH+vCcode7匸code1t1amt?idav匸uotd匸Clt工丁1十匸匸匸ode七21匚st1maiccdrosLi1s:vairsdsqrxCva.r=q8.536&252.3026e3a931603la9628Z7u弓BZIIIZ_9075979Tes-ts:RairiiidainE-F-Fac1tsrTw口5iidad

22、:almCva.rOi0459pr匚IhllNtJL)oaooooRairiidainEffects.OneSideed:ALMCvarCn=O:LO23Fr-M(OB1=Oooooser113l1corirelmhFon:ALM(1arnbdaOJ却岂mPrchiZC1Oooooo1nxTes-x:LMevaro-p1ambdaQZ32OJ.PrchiZCZoa-a-a-o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R

23、E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：xtregarsqcpiunemgse5lndumt*,felbigja.rsqcpliu飞石【mgs51oEdtimit-*-,Te1tsiPOO20IFE.tWiHlrllrOrumo-upva.rHIiMLunibaro-TolbsNLunibaro-Tgjro-upsio工6OIOOk?s-pergroup;mdmBlV53max口：1BSC口.O-QFO口.Q5F2iflH*nse-twrenovereil1IFzoLLS&39115L90-ilT-T-!九2154-王鼻437

24、4&3515卫卫43T-36O57Z2TT-Szd5930&fi54cmE7GWr丁em4l-5al-05ra1-1-Q3a_y5dea25tz.3n3-sl&3QCBB3&1&FI-z357e953-一弓-一石！：0|弓口2耳斗3B7flQusiIIluuulilllllluIIMlmcddddddddu-口口日Edsi日3首mrlzcezrN3j*lmza-z.-5m4弓ProbF=0.000(-testthatall_!=:F(19,166)=17.43nodifiedBhargavaetal.Durbln-watson=219&34953altagi-wuLBI=6414623、“异方

25、差一序列相关”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：xtregsqcpiunemgse5ln,fevce(robust).xtregsqepiunEmgseSInafe甘匚erDbustJiNumbeofobsNumberofgroups22020Fixed-effects(with!n)regressionGroupva.riable:cedeR-sq:wi

26、thinbetweenoveral1D2307L07670.0064obspergroup:mln-avg=max三1111.0n匸dtit(u_i,xb)-0.5296ProbF2.52CX0656RDbLISt5tdErr.cpiunemg1ncons9216&S-1S7.62-氐366684了吕.23973ZO.2B5673578512弓B3：7S57SS.06419刁970915勺12D7711.42156411775D.-2-11.10.6-0589716370一51110512L05445-371.-3.3DS55C-14.67791.944537-43斗0爲3：了IMB8S-3.

27、6191844.igi2C-8,2606988.976401sigma_iLsigma_erho2.68&79632001708154340771(fracrionofvarianceduetou_1)djListedfor20clustersin匚ode)95KConf.mterval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

28、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：quixtregsqcpiunemgse5ln,fexttest2（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。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：quixtregsqcpiunemgse5ln,rextcsd,pesaran（下面命令是另一个检验指标）xtcsd,frees.qtHxtregsqepiunemgse5In.r

29、extcsd5pesaranPessransrestofcross生电匚tiomialinidepenidenc-oa34b7Pr=：L2725.Mtcsd.freesFreestes-tofcross-sectionalinidepemdence-1255I1crixlc且valuesfirooFrees1qd1sir1bullonalpha=o.io:02S33alpha二CL05:03103alpha=0-01;0.4649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、“异方差一序列相关一截面相关”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

30、下,我们可以采用Hoechle（2007）编写的xtsee命令获取DriscollandKraay(1998)提出的“异方差一序列相关截面相关”稳健型标准误：xtseesqepiunemgse5ln,fextsccsqcp1uneirigse51nsfeRegressionwithDriscoll-KraaystandardorsNuunberMethod:Fixed-effe匚regressionNumbEGroupvariable(i):codeF(59maxiimumlag;2Probw1th1nobsofofgroups15)FR-squared220202&200000002307D

31、iisc/ltraayCoefStdE95%ConfIntervalcp1unemgsgSIn.cons29Z1696-187,629-6.36668478.2397&2028567357S512417376325.9562,23026820a00B55丄23992456327B070-7,23-2,853a7A296008篇10010138400009o.o.oacio.o.-5-614129-241.9556-11.03469込49389561034一号.1932丄丄65753-133.3025-1,69868121a985631.010319908903这里，xtsee命令会自动选择的滞

32、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(O)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：xtseesqepiunemgse5ln,felag(0).xfsccsq亡iunenrigse51in,1Fe1ag(0RearessionwithDriscol1-1KraaystandarderrorsNumberofobs=220MetKod!Fixed

33、-effectsregressionNumbero1Fgroups=20hsroLipvarHabit1Ci5:匚odeFC5-19-J=1：B.36maxinvLim1ag:ProbaF=O.QOQOwiThinRsquared=O.23071Dr1sc/KraayMcoe.Err.rH|T|95Sconf.Intervalcp1N.92169；03.724402O.7BD.442-4.B73565IO.71696Lineni-1B7.62526.72656-7-D2D.OOO-zaa.sem-131.6B97g一石.3G66B42.6932-2.36D.029-12.01643716941

34、9se57B.16.O5E454.B7D.OOO44.62900111.S5O5In20.ZB567G.5574B33.DSD.0066.56070334.D1OE4_coin5.35765124.130379|O.09D.532-B.2E7L329.OD2B35RE模型估计(略，待补充)二、动态面板数据的STATA处理命令（一）差分GMMxtabondlnwicdlngdplanddocfirlnroadlnpopfinaxtabondlnwicdlngdplanddocfirlnroadlnpopfina,lag（2）twostep（二）系统GMMxtdpdsyslnwicdlngdplanddocf