高级计量经济分析及Stata应用 课件 第2章-面板数据分析

高级计量经济分析及stata应用上海师范大学商学院第2章面板数据分析主要内容2.1面板数据模型设定的stata基本实用工具2.2 线性面板回归2.3 随机效应的拉格朗日乘子检验2.4 带AR（1）干扰项的线性回归2.5 随机系数广义最小二乘回归2.6动态面板数据2.7面板数据的删失结果2.8

面板数据的同期相关2.9面板随机前沿模型2025/4/143面板数据分析面板数据是同一组样本在一段时间内收集的数据。此类数据既有横截面维度（n位个体），也有时间序列维度（T个时期）。数据截面维度n较大，时间维度T较小，为短面板数据；反之，则为长面板数据。如果每个时期样本的个体数一样，则为平衡面板数据；反之，则为非平衡面板数据。面板数据分析的优点在于：可以解决遗漏变量问题；提供更多个体动态行为信息；样本容量较大，可以提高估计准确性。2025/4/1442.1面板数据模型设定的stata基本实用工具声明数据集为面板数据的stata命令为：

xtsetpanelvarxtsetpanelvartimevar[,tsoptions]显示当前如何设置数据的stata命令为：

xtset清除xt设置的stata命令为：

xtset,clear在declare语法中，panelvar标识面板，可选的timevar标识面板中的时间。tsoptions与timevar有关。xtset管理数据集的面板设置。必须先设置数据，然后才能使用其他xt命令。不带参数的xtset命令，显示数据当前是如何被设置的。2.1面板数据模型设定的stata基本实用工具描述面板数据集的stata命令为：xtdescribe[if][in][,options]例2.1描述面板数据集下面以stata自带数据说明实现。*下载数据集

.webusenlswork(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968)*描述数据的参与模式

.xtdescribe2025/4/1462.1面板数据模型设定的stata基本实用工具面板数据描述统计的stata命令为：xtsum[varlist][if]必须使用xtset指定面板变量；varlist可以包含时间序列操作符；见tsvarlist。允许by和collect；参见prefix。例2.2面板数据描述统计接着例2.1，说明stata实现：*描述统计xt数据

xtsumhoursxtsumbirth_yr2025/4/1472.1面板数据模型设定的stata基本实用工具面板数据制表的stata命令为：xttabvarname[if]xttransvarname[if][,freq]必须使用xtset指定面板变量；xttab和xttrans允许使用by和collect；参见prefix。例2.3面板数据制表xttab与报告转移概率接着例2.2，说明stata实现：*声明为面板数据.xtsetidyear*面板数据制表

.xttabmsp2025/4/1482.1面板数据模型设定的stata基本实用工具*面板数据制表，报告转移比率矩阵.xttransmsp.xttransmsp,freq2025/4/1492.2线性面板回归

2025/4/14102.2线性面板回归

2025/4/14112.2线性面板回归

2025/4/14122.2线性面板回归3.随机效应估计法【xtreg，re】提供了随机效应估计法，它是由参数的组间估计值和组内估计值的加权平均。特别是，随机效应估计结果等价于模型(2.6)的估计值：2025/4/14132.2线性面板回归4.对数似然估计法Stata的【xtreg,mle】命令提供了面板数据的对数似然估计法。第i个样本的对数似然值为：mle和re选项产生的结果基本相同，但总N较小（200或更少）且数据不平衡时二者的结果不相同。5.广义估计方程法使用广义估计方程方法（xtreg,pa）计算总体平均值模型的方法和公式，与[XT]xtgee的原理相同。xtgee适用于广义线性模型，并允许您为面板指定组内相关性结构。2025/4/1414面板广义线性模型2025/4/14152.2线性面板回归6.模型估计的Stata实现（1）GLS随机效应（RE）模型：xtregdepvar[indepvars][if][in][,reRE_options]（2）组间效应（BE）模型：

xtregdepvar[indepvars][if][in],be[BE_options]（3）固定效应（FE）模型：

xtregdepvar[indepvars][if][in][weight],fe[FE_options]（4）最大似然随机效应（MLE）模型：

xtregdepvar[indepvars][if][in][weight],mle[MLE_options]（5）总体平均（PA）模型

xtregdepvar[indepvars][if][in][weight],pa[PA_options]2025/4/14162.2线性面板回归6.模型估计的Stata实现

菜单操作：Statistics>Longitudinal/paneldata>Linearmodels>Linearregression(FE,RE,PA,BE)xtreg将回归模型与面板数据相匹配。特别是，带有be选项的xtreg通过使用回归间估计来拟合随机效应模型；对于fe选项，它适用于固定效应模型（通过使用内部回归估计）；re选项中，它使用GLS估计法拟合随机效应模型（产生结果之间和结果内部的矩阵加权平均值）。2025/4/14172.2线性面板回归例2.4线性面板模型估计下面使用[XT]XT中描述的nlswork.dta，对ln_wage进行建模，解释变量为受教育程度（年级）的完成年份、当前年龄和年龄平方、当前工作年限（经验）和经验平方、当前工作的当前任期和任期平方、是否黑人（种族=2）、是否居住在未指定为标准都市统计区（SMSA）的地区，以及是否住在南方。固定效应、中间效应、随机效应和总体平均线性面板模型估计的程序命令如下：（1）*清理内存，下载数据集

.clear.use/data/r17/nlswork2025/4/14182.2线性面板回归（2）*组间效应模型估计.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,be2025/4/14192.2线性面板回归（3）*固定效应模型估计.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,fe2025/4/14202.2线性面板回归（4）*具有稳健标准误差的固定效应模型估计.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,fevce(robust)2025/4/14212.2线性面板回归（5）*随机效应模型估计.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,retheta2025/4/14222.2线性面板回归（6）*ML法拟合的随机效应模型.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,mle2025/4/14232.2线性面板回归（7）*总体平均模型估计.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,pa2025/4/14242.2线性面板回归2.2.2Hausman检验在构建面板数据模型，究竟应该选用固定效应模型还是随机效应模型？就需要进行Hausman检验。Hausman检验的原假设为：与不相关，即随机效应（RE）模型为正确模型。Hausman检验的检验统计量为：实现hausman检验的命令为：

hausmanname-consistent[name-efficient][,options]其中，nameconsistent和nameeffective是通过estimatesstore存储估计结果的名称。句号可用于参考上一次估算结果，即使这些结果尚未存储。不指定nameeffective相当于将最后的估计结果指定为“.”。2025/4/14252.2线性面板回归例2.5hausman检验接着用2.2的数据nlswork说明实现hausman检验。.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,re结果略.estimatesstorerandom_effects结果略.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,fe结果略.2025/4/14262.2线性面板回归.hausman.random_effects2025/4/14272.3随机效应的拉格朗日乘子检验对于面板数据模型：经过OLS拟合估计后，可计算得到随机效应的拉格朗日乘子检验统计量：随机效应的拉格朗日乘子检验的Stata命令为xttest0。2025/4/14282.3随机效应的拉格朗日乘子检验例2.6拉格朗日乘数随机效应检验接着用例2.2的数据nlswork说明实现。（1）*清理内存，下载数据集

.clear.use/data/r17/nlswork(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968)（2）**随机效应的拉格朗日乘子检验.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,retheta结果略2025/4/14292.3随机效应的拉格朗日乘子检验.xttest02025/4/14302.4带AR（1）干扰项的线性回归带AR（1）干扰项的面板线性回归（FE、RE）模型为：带AR（1）干扰项的面板线性回归（FE、RE）模型的Stata命令为：（1）GLS随机效应(RE)模型：

xtregardepvar[indepvars][if][in][,reoptions]2025/4/14312.4带AR（1）干扰项的线性回归（2）固定效应(FE)模型

xtregardepvar[indepvars][if][in][weight],fe[options]模型设定选项（options）有：re：重复使用随机效应估计法（默认值）；fe：使用固定效应估计法；rhotype（rhomethod）：指定计算自相关的方法；很少使用；rhof（#）：用#表示p，不要估计p；twostep：执行两步相关性估计。菜单操作为：

Statistics>Longitudinal/paneldata>Linearmodels>LinearregressionwithAR(1)disturbance(FE,RE)当干扰项为一阶自回归时，xtregar拟合横截面时间序列回归模型。xtregar为固定效应模型提供了内部估计，为随机效应模型提供了GLS估计。xtregar可以适用于不平衡面板，其观察值随时间间隔不均匀。2025/4/14322.4带AR（1）干扰项的线性回归例2.7带AR（1）干扰项的面板线性回归（FE、RE）模型下面用Stata自带数据说明实现。（1）*清理内存，下载数据集.clear.use/data/r17/grunfeld.xtset2025/4/14332.4带AR（1）干扰项的线性回归（2）*固定效应模型估计.xtregarinvestmvaluekstock,fe2025/4/14342.4带AR（1）干扰项的线性回归（3）*估计扰动项的一阶相关系数.xtregarinvestmvaluekstock,ferhotype(tscorr)2025/4/14352.4带AR（1）干扰项的线性回归（4）*季度数据转换为年度数据.generatet=year-1934.generatet2=tq(1934q4)+t.formatt2%tq.listyeart2in1/5.xtsetcompanyt22025/4/14362.4带AR（1）干扰项的线性回归（5）*固定效应模型估计.xtregarinvestmvaluekstock,fe2025/4/14372.4带AR（1）干扰项的线性回归（6）*检验自相关.xtregarinvestmvaluekstockifyear!=1934&year!=1944,felbi2025/4/14382.4带AR（1）干扰项的线性回归（7）*随机效应模型估计.xtregarinvestmvaluekstockifyear!=1934&year!=1944,relbi2025/4/14392.5随机系数广义最小二乘回归在随机系数模型中，参数的不均匀性（heterogeneity）被视为随机变量。假设我们写：2025/4/14402.5随机系数广义最小二乘回归2025/4/14412.5随机系数广义最小二乘回归随机系数回归（Random-coefficientsregression）的Stata命令为：

xtrcdepvarindepvars[if][in][,options]例2.8随机系数线性回归模型.clear.webuseinvest2*拟合随机系数线性回归模型

.xtrcinvestmarketstock2025/4/14422.5随机系数广义最小二乘回归*重现结果并显示特定于组的最佳线性预测值

.xtrc,beta2025/4/14432.5随机系数广义最小二乘回归*重现结果，显示小数点后4位的系数、标准误差和CI.xtrc,cformat(%8.4f)2025/4/14442.6动态面板数据线性动态面板数据模型包括因变量的p滞后作为协变量，并包含未观察到的面板水平效应，固定效应或随机效应。通过构造，未观察到的面板水平效应与滞后因变量相关，使得标准估计法不一致。一般使用差分GMM估计法、水平GMM估计法和系统GMM估计法，估计动态面板模型的参数估计值。动态面板数据模型的估计方法：差分GMM、水平GMM和系统GMM。2025/4/14452.6动态面板数据线性动态面板数据估计的Stata命令为：

xtdpddepvar[indepvars][if][in],dgmmiv(varlist[...])[options]模型设定选项（options）有：dgmmiv(varlist[...])：用于差分方程的GMM类估计法；可以多次指定；lgmmiv(varlist[...])：用于液位方程的GMM类估计法；可以多次指定；iv(varlist[...])：差分方程和水平方程的标准工具法；可以多次指定；div(varlist[...])：仅用于差分方程的标准工具法；可以多次指定；liv（varlist）：标准工具仅适用于水平方程；可以多次指定；noconstant：无常数项；twostep：两步计算两步估计量，而不是一步估计量；2025/4/14462.6动态面板数据hascons：只检查自变量水平之间的共线性；默认情况下，会在级别和差异之间进行检查；fodevision：使用正向正交偏差，而不是一阶差。菜单操作：

Statistics>Longitudinal/paneldata>Dynamicpaneldata(DPD)>LinearDPDestimationxtdpd拟合线性动态面板数据模型，其中未观察到的面板水平效应与因变量的滞后项相关。该命令可以适用于ArellanoBond和ArellanoBover/BlundellBond模型估计，如xtabond和xtdpdsys。然而，与xtabond或xtdpdsys相比，它也允许特殊误差或预定变量具有更复杂的结构，允许模型具有低阶移动平均相关。2025/4/14472.6动态面板数据例2.10动态面板模型（1）*清理内存，下载数据集.clear.use/data/r17/abdata2025/4/14482.6动态面板数据（2）*差分GMM估计.xtdpdL(0/2).nL(0/1).wL(0/2).(kys)yr1980-yr1984year,noconstantdiv(L(0/1).wL(0/2).(kys)yr1980-yr1984year)dgmmiv(n)2025/4/14492.6动态面板数据（3）列表显示数据.listidyearnL2.ndl2.nifid==1402025/4/14502.6动态面板数据（4）*具有预设变量的差分GMM估计.xtdpdL(0/2).nL(0/1).(wys)L(0/2).kyr1980-yr1984year,div(L(0/1).(ys)yr1980-yr1984year)dgmmiv(n)dgmmiv(L.wL2.k,lag(1.))twostepnoconstantvce(robust)2025/4/14512.6动态面板数据（5）*系统GMM估计.xtdpdL(0/1).nL(0/2).(wk)yr1980-yr1984year,div(yr1980-yr1984year)dgmmiv(n)dgmmiv(L2.(wk),lag(1.))lgmmiv(nL1.(wk))vce(robust)hascons2025/4/14522.6动态面板数据（6）*允许MA(1)随机误差项.xtdpdL(0/1).nL(0/2).(wk)yr1980-yr1984year,div(L(0/1).(wk)yr1980-yr1984year)dgmmiv(n)hascons2025/4/14532.6动态面板数据（7）*萨根检验拒绝了过度识别限制在有i.i.d.误差项的模型中有效的原假设.estatsargan2025/4/14542.6动态面板数据（8）*假设MA(1),estatsargan的研究结果不再否认过度识别的原假设限制是有效的。.xtdpdL(0/1).nL(0/2).(wk)yr1980-yr1984year,div(L(0/1).(wk)yr1980-yr1984year)dgmmiv(n,lag(3.))hascons2025/4/14552.6动态面板数据.estatsargan2025/4/14562.7面板数据的删失结果随机效应区间数据回归模型随机效应区间数据回归模型估计的Stata命令为：

xtintregdepvar_lowerdepvar_upper[indepvars][if][in][weight][,options]depvar_lower和depvar_upper取值格式为：2025/4/14572.7面板数据的删失结果随机效应区间数据回归模型菜单操作为：

Statistics>Longitudinal/paneldata>Censoredoutcomes>Intervalregression(RE)xtintreg拟合随机效应回归模型，其中因变量可以作为点数据、区间数据、左删失数据或右删失数据进行测量。必须使用两个DEPVAR设定因变量，这两个DEPVAR指示如何测量因变量。用户可以要求在估计时进行似然比检验，比较面板区间回归模型和混合模型。2025/4/14582.7面板数据的删失结果例2.11随机效应区间数据回归模型估计*清理内存，下载数据集.clear.use/data/r17/nlswork5*随机效应区间回归估计.xtintregln_wage1ln_wage2i.unionagegradenot_smsasouth##c.year,intreg2025/4/14592.7面板数据的删失结果随机效应面板tobit回归2025/4/14602.7面板数据的删失结果式中，C表示没有审查截断；L表示左截断；R表示右截断；Φ（·）为累积正态分布函数。2025/4/14612.7面板数据的删失结果2025/4/14622.7面板数据的删失结果随机效应面板tobit回归模型估计的Stata命令为：

xttobitdepvar[indepvars][if][in][weight][,options]模型设定选项（options）有：noconstant：无常数项；ll[（varname|#）]：左删失变量或限制；ul[（varname|#）]：右删失变量或限制；offset(varname)：在系数约束为1的模型中包含varname；constraints(constraints)：应用指定的线性约束。2025/4/14632.7面板数据的删失结果随机效应面板tobit回归模型估计的Stata命令为：菜单操作为：

Statistics>Longitudinal/paneldata>Censoredoutcomes>Tobitregression(RE)xttobit适用于结果变量被删失的面板数据的随机效应Tobit模型。所有观测值的审查限制可能是固定的，也可能因观测值而异。用户可以要求对面板进行似然比测试。面板Tobit模型和混合Tobit模型都可以在估算构建。2025/4/14642.7面板数据的删失结果例2.12随机效应Tobit回归*清理内存，下载数据集.clear.use/data/r17/nlswork3(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968)*随机效应面板tobit回归右截断模型估计.xttobitln_wagei.unionagegradenot_smsasouth##c.year,ul(1.9)tobit2025/4/14652.7面板数据的删失结果2025/4/14662.8面板数据的同期相关面板数据广义最小二乘法建立模型的方程式为：模型等价的矩阵表达式为：扰动项的方差矩阵可以写成：2025/4/14672.8面板数据的同期相关

2025/4/14682.8面板数据的同期相关使用GLS拟合面板数据模型的Stata命令为：

xtglsdepvar[indepvars][if][in][weight][,options]模型设定选项（options）有：noconstant：无常数项；panels(iid)：使用i.i.d.误差结构；panels（heteroskedastic）：使用heteroskedastic但不相关的错误结构；panels(correlated)：使用异方差和相关误差结构；

corr(independent)：使用独立的自相关结构；2025/4/14692.8面板数据的同期相关corr（ar1）：使用ar1自相关结构；corr（psar1）：使用面板特定的AR1自相关结构；rhotype（calc）：指定计算自相关参数的方法；详见选项；很少使用；igls：使用迭代GLS估计代替两步GLS估计；force：即使观测的时间间隔不相等，也要进行估计。菜单操作为：

Statistics>Longitudinal/paneldata>Contemporaneouscorrelation>GLSregressionwithcorrelateddisturbancesxtgls使用可行的广义最小二乘法拟合面板数据线性模型。该命令可以在面板内存在AR（1）自相关以及面板间的横截面相关性和异方差的情况下进行估计。2025/4/14702.8面板数据的同期相关例2.13面板数据广义最小二乘法（1）*清理内存，下载数据集

.clear.use/data/r17/invest2（2）*跨面板异方差：五家公司的方差有差异.xtglsinvestmarketstock,panels(hetero)2025/4/14712.8面板数据的同期相关（3）*跨面板相关.xtset.xtglsinvestmarketstock,panels(correlated).matrixliste(Sigma)2025/4/14722.8面板数据的同期相关（4）*MLE.xtglsinvestmarketstock,panels(correlated)igls2025/4/14732.8面板数据的同期相关（5）*跨面板自相关.xtglsinvestmarketstock,panels(hetero)corr(ar1)2025/4/14742.8面板数据的同期相关（6）*不同的AR(1).xtglsinvestmarketstock,panels(iid)corr(psar1)2025/4/14752.8面板数据的同期相关

2025/4/14762.8面板数据的同期相关该模型也可以写成矩阵形式：对于一个具有异方差干扰和同时相关但没有自相关的模型，假设扰动协方差矩阵为：2025/4/14772.8面板数据的同期相关

2025/4/14782.8面板数据的同期相关面板数据校正标准误差回归xtpcse计算线性横截面时间序列模型的面板校正标准误差（PCSE）估计，其中参数通过OLS或Prais–Winsten回归进行估计。在计算标准误差和方差-协方差估计时，xtpcse假设扰动项是跨面板异方差的并且在面板之间同时相关。面板数据校正标准误差回归估计的Stata命令为：

xtpcsedepvar[indepvars][if][in][weight][,options]模型设定选项（options）有：noconstant：无常数项；correlation(independent)：使用独立的自相关结构；correlation(ar1)：使用ar1自相关结构；correlation(psar1)：使用面板特定的AR1自相关结构；2025/4/14792.8面板数据的同期相关rhotype（calc）：指定计算自相关参数的方法；很少使用；np1：按面板规模加权指定面板；hetonly：只假设面板级别的异方差误差；independent：假设跨面板的独立误差。菜单操作为：

Statistics>Longitudinal/paneldata>Contemporaneouscorrelation>Regressionwithpanel-correctedstandarderrors(PCSE)2025/4/14802.8面板数据的同期相关例2.14面板数据校正标准误差回归估计（1）*控制异质性和面板间相关性*清理内存，下载数据集.clear.use/data/r17/grunfeld.listin1/5.xtsetcompanyyear,yearly2025/4/14812.8面板数据的同期相关（2）*面板数据校正标准误差回归估计.xtpcseinvestmvaluekstock2025/4/14822.8面板数据的同