短面板数据分析的基本程序.ppt

短面板数据分析的基本程序,方红生浙江大学经济学院2013年秋,参考书,计量经济学导论第四版（伍德里奇）中文版或英文版用Stata学计量经济学高级计量经济学及stata应用（陈强）,内容安排,第1讲短面板数据分析第2讲长面板数据分析（PPT第3讲内生性与工具变量法第4讲动态面板数据模型第5讲双重差分模型及其应用第6讲基于DID的权威文献做对了吗？（学生报告与讨论）第7讲PSMDID第8讲如何识别核心变量的作用机制？,短面板数据,面板数据（paneldata）是同时在时间和截面上取得的二维数据，也称时间序列与截面混合数据（pooledtimeseriesandcrosssectiondata）。是在一段时间内跟踪同一组个体的数据。既有横截面的维度（n个个体），又有时间维度（T个时期）。,Stata中面板数据结构,短面板：NT;反之为长面板。平衡面板数据（balancedpaneldata）：如果每个个体在相同的时间内都有观测值记录。Foranyi,thereareTobservations.非平衡面板数据（unbalancedpanel）:Tmaydifferentoveri.,Benefitsofpaneldataanalysis,usetraffic.dtades,第一步:构造计量模型,面板数据模型,非观测效应模型（unobservedeffectsmodel）固定效应模型(FixedEffectsModel,FE)随机效应模型(RandomEffectsModel,RE)混合回归模型（PooledRegressionModel）,固定效应模型(FixedEffectsModel,FE),随机效应模型(RandomEffectsModel,RE),混合回归模型（PooledRegressionModel）,模型的估计,固定效应模型固定效应变换（FixedEffectsTransformation）（组内变换）(WithinTransformation)LSDV(LeastSquareDummyVariable,(式1),给定第i个个体，将(式1)两边对时间取平均可得，,(式2),固定效应变换,(式1)(式2)得：,可以用OLS方法估计，称为“固定效应估计量”（FixedEffectsEstimator），记为,由于主要使用了每个个体的组内离差信息，故也称为“组内估计量”（withinestimator）。,令，则,Stata命令,xtreg,fexi:xtregi.year,fe,LSDV(LeastSquareDummyVariable),基本思想：将不可观测的个体效应ai看做待估计的参数，ai就是第i个个体的截距。估计n个截距的方法就是引入n1个虚拟变量（如果省略常数项，则引入n个虚拟变量）。,例如：共有7个州，方程可以写成：,7个州的回归线斜率相同，但截距不同。第1个州的截距是：第2个州的截距是：第3个州的截距是：第4个州的截距是：,Stata命令,xi:regi.codexi:regi.codei.year,随机效应模型估计,GLSTheusualpooledOLScangiveconsistentestimators,butasitsstandarderrorsignorethepositiveserialcorrelationinthecompositeerrorterm,theywillbeincorrect.,Solution:GLStransformationtoeliminatetheserialcorrelation,:,TheseestimatorscanbebasedonthepooledOLSorfixedeffectsresiduals.,RandomEffectsEstimator:ThefeasibleGLSestimatorthatuses,inplaceof,RE,FEandPLS,PooledOLS:FixedEffectsEstimator:,Stata命令,xtreg,rexi:xtregi.year,re,进一步的解释,heteroscedasticityconsistentor“White”standarderrorsareobtainedbychoosingoptionvce(robust)whichisavailableformostestimationcommands.,Statasestimationcommandswithoptionrobustalsocontainacluster()optionanditisthisoptionwhichallowsthecomputationofso-calledRogersorclusteredstandarderrors.,But,Whileallthesetechniquesofestimatingthecovariancematrixarerobusttocertainviolationsoftheregressionmodelassumptions,theydonotconsidercross-sectionalcorrelation.However,duetosocialnormsandpsychologicalbehaviorpatterns,spatialdependencecanbeaproblematicfeatureofanymicroeconometricpaneldatasetevenifthecross-sectionalunits(e.g.individualsorfirms)havebeenrandomlyselected.,*引入了时间虚拟变量导致exper消失,第2步:描述性统计,变量解释与变量的描述性统计usetraffic.dtaxtsetstateyearsumfatalbeertaxspirconsunrateperinck关键变量与被解释变量的散点图并画出回归直线twoway(scatterfatalbeertax)(lfitfatalbeertax),PLSorFEtabyear,gen(year)1.xtregfatalbeertaxspirconsunrateperinckyear2-year7,fe这里误差项可能存在自相关、异方差和截面相关问题，所以F检验显示的结果可能不可靠,所以严格的话，首先要检验是否存在截面相关问题，命令如下：xtcsd,pesxtcsd,frixtcsd,fre,第3步:模型选择,TestingforCross-sectionalDependence,xtcsd短面板xttest2长面板xtcsdisapostestimationcommandvalidforuseafterrunninganFEorREmodel.xtcsdcanalsoperformPesaransCDtestforunbalancedpanels.,PLSorFE,在使用命令“xtreg,fe”时，如果不加选项cluster(state),则输出结果还包含一个F检验，其原假设为“H0:allui=0”,即混合回归是可以接受的。,2.xi:xtsccfatalbeertaxspirconsunrateperinckyear2-year7i.state对州虚拟变量做F检验如果不存在截面相关，则xi:regfatalbeertaxspirconsunrateperinckyear2-year7i.state,cluster(state)对州虚拟变量做F检验,PLSorRExtregfatalbeertaxspirconsunrateperinckyear2-year7,rexttest0/xttest1（AR(1)）,PLSorRE,FEorREHausmantest1xtregfatalbeertaxspirconsunrateperinckyear2-year7,feeststoreFExtregfatalbeertaxspirconsunrateperinckyear2-year7,rehausmanFE,sigmamore,Hausman检验：基本思想：如果,Fe和Re都是一致的，但Re更有效。如果,Fe仍然一致，但Re是有偏的。因此：如果原假设成立，则FE与RE估计量将共同收敛于真实的参数值，反之，两者的差距过大，则倾向于拒绝原假设，选择FE,FEorRE,解决办法：构造一个辅助回归,继续,基于随机效应估计的自相关检验xtserialfatalbeertaxspirconsunrateperinckyear2-year7,Hausmantest2,quietlyxtregfatalbeertaxspirconsunrateperinckyear2year3year4year5year6year7,rescalartheta=e(theta)globalyandxforhausmanfatalbeertaxspirconsunrateperinckyear2year3year4year5year6year7sortstateforeachxofvarlist$yandxforhausmanbystate:egenmeanx=mean(x)genmdx=x-meanxgenredx=x-theta*meanxquietlyregredfatalredbeertaxredspirconsredunrateredperinckredyear2redyear3redyear4redyear5redyear6redyear7mdbeertaxmdspirconsmdunratemdperinckmdyear2mdyear3mdyear4mdyear5mdyear6mdyear7,vce(clusterstate)testmdbeertaxmdspirconsmdunratemdperinckmdyear2mdyear3mdyear4mdyear5mdyear6mdyear7,Hausmantest3,基于随机效应估计的截面相关检验xtregfatalbeertaxspirconsunrateperinckyear2-year7,rextcsd,pesabsxtcsd,friabsxtcsd,freabs,Hausmantest3,quietlyxtsccredfatalredbeertaxredspirconsredunrateredperinckredyear2redyear3redyear4redyear5redyear6redyear7mdbeertaxmdspirconsmdunratemdperinckmdyear2mdyear3mdyear4mdyear5mdyear6mdyear7testmdbeertaxmdspirconsmdunratemdperinckmdyear2mdyear3mdyear4mdyear5mdyear6mdyear7,第4步：报告计量结果,假设Hausmantest选择FE，则xtregfatalbeertaxspirconsunrateperinckyear2-year7,fextcsd,pesabsxtcsd,friabsxtcsd,freabs,如果存在截面相关，则最终报告由如下命令估计的结果：xtsccfatalbeertaxspirconsunrateperinckyear2-year7,fe其中标准误是Driscoll-Kraay,估计量是组内估计量如果不存在截面相关，则检验是否存在异方差xtregfatalbeertaxspirconsunrateperinckyear2-year7,fexttest3*一般都存在异方差,如果存在异方差（且存在自相关，前面已做过自相关的检验），则最终报告由如下命令估计的结果：xtregfatalbeertaxspirconsunrateperinckyear2-year7,fecluster(state)*标准误是Rogersorclusteredstandarderrors.,假设Hausmantest选择RE，则最终报告由如下命令估