stata总结.docx

1.一般检验假设系数为0， t比较大则拒绝假设，认为系数不为0.假设系数为0，P比较小则拒绝假设，认为系数不为0.假设方程不显著，F比较大则拒绝假设，认为方程显著。2.小样本运用OLS进行估计的前提条件为：（1）线性假定。即解释变量与被解释变量之间为线性关系。这一前提可以通过将非线性转换为线性方程来解决。（2）严格外生性。即随机扰动项独立于所有解释变量：与解释变量之间所有时候都是正交关系，随机扰动项期望为0。(工具变量法解决)（3）不存在严格的多重共线性。一般在现实数据中不会出现，但是设置过多的虚拟变量时，可能会出现这种现象。Stata可以自动剔除。（4）扰动项为球型扰动项，即随即扰动项同方差，无自相关性。3.大样本估计时，一般要求数据在30个以上就可以称为大样本了。大样本的前提是（1）线性假定（2）渐进独立的平稳过程（3）前定解释变量，即解释变量与同期的扰动项正交。（4）E（XiXit）为非退化矩阵。（5）gt为鞅差分序列，且其协方差矩阵为非退化矩阵。与小样本相比，其不需要严格的外生性和正太随机扰动项的要求。4.命令稳健标准差回归：reg y x1 x2 x3, robust回归系数与OLS一样，但标准差存在差异。如果认为存在异方差，则使用稳健标准差。使用稳健标准差可以对大样本进行检验。对单个系数进行检验： test lnq=1线性检验：testnl _blnpl=_blnq25.如果回归模型为非线性，不方便使用OLS,则可以采取最大似然估计法（MLE）,或者非线性最小二乘法（NLS）6.违背经典假设，即存在异方差的情况。截面数据通常会出现异方差。因此检验异方差可以：（1） 看残差图，但只是直观，可能并不准确。rvfplot(residual-versus-fitted plot) 与拟合值的散点图rvpplot varname(residual-versus-predictor plot) 与解释变量的散点图扰动项的方差随观测值而变动，表示可能存在异方差。（2） 怀特检验：estat imtest, white (post-estimation information matrix test)P比较小，则拒绝同方差假设，表示存在异方差,不能用OLS。反之则证明为同方差。（3）BP检验 estat hettest，iid (默认设置为使用拟合值y) estat hettest, rhs iid (使用方程右边的解释变量，而不是y) estat hettest varlist，iid (使用某个指定的解释变量) P小，则拒绝原假设。如果存在异方差，则可以：（1）使用OLS+稳健标准差robust（2）广义最小二乘法（GLS）（3）加权最小二乘法（WLS）predict el, res （预测残差）g e2=el2辅助回归：g lne2=log(e2)reg lne2 lnq, nocpredict lne2f 计算辅助回归的拟合值g e2f=exp(lne2f)去掉对数即权重之倒数reg lntc lnq lnpl lnpk lnpf aw=1/e2freg y x1 x2 x3 aw=1/var (aw表示analytical weight, var表示随即扰动项的方差。)（4）可行广义最小二乘法（FGLS）6.自相关时间序列中容易出现自相关，而截面数据也可能存在空间自相关。人为处理数据如移动平均等做法也可能导致自相关。检验自相关可以：（1）作图，但并不严格。 定义滞后算子L.(只有时间序列数据和面板数据才能定义时间变量。) tsset yaear 一阶差分：D.x=xt-xt-1D2. X=xt-xt-2 LD. 表示一阶差分的滞后值 画图：scatter el L.el ac el(看自相关图) pac el (看偏相关图)（2）BG检验 estat bgodfrey(默认p=1)estat bgodfrey，lags（p）estat bgodfrey， nomiss0(使用不添加0的BG检验) 使用命令ac 查看自相关图，或者设置较大的p值进行显著性检验，t期不显著了，则选择P=T-1 统计检验P值小，则拒绝假设。（3）box-pierce Q检验/ Ljung-Box Q reg y x1 x2 x3 predict el, resid wntestq el (使用stata提供的默认滞后期) wntestq el, lags(p) (使用自己设定的滞后期)（4）DW检验：现在已经不常用，因为其只能检验一阶自相关。 estat dwatson自相关的处理方法：（1）使用OLS+异方差自相关稳健的标准差（Heteroskedasticity and Autocorrelation Consistent Standard Error, HAC） newey y x1 x2 x3, lag(p) (HAC标准差，必须制定滞后阶数p) 滞后期数选择n1/4(2)使用OLS+聚类稳健的标准差（cluster robust standard error）面板数据中经常使用聚类稳健的标准差。reg y x1 x2 x3, cluster(state) (聚类稳健标准差，假设“state”为聚类变量)（3）使用可行广义最小二乘法（FGLS）prais y x1 x2 x3 (使用默认的PW估计法)praise y x1 x2 x3, corc (使用CO估计法)（4）修改模型设定，可能自相关是由于遗漏了自相关的解释变量。7多重共线性在回归后，使用命令VIFestat vif经验表示， vif =1978)如希望将每个省设置为虚拟变量，则需要 ： tabulate province, generate（pr）回归简化为： reg y x1 x2 x3 pr2-pr3111.工具变量法这可以解决扰动项与自变量的相关问题，设置的工具变量需要与扰动项无关而与内生解释变量相关。传统的工具变量法一般通过两阶段最小二乘法TSLS、2SLS（two stage least square）。第一阶段，工具变量对内生解释变量回归；第二阶段，被解释变量对工具变量的拟合值进行回归。多个工具变量的线性组合仍然可以作为工具变量。命令：ivregress 2sls depvar varlist1 (varlist2=inslist) Depvar为被解释变量， varlist1为外生解释变量，varlist2为内生解释变量，instlist为工具变量。 如： ivregress 2sls y x1 (x2 = z1 z2) ivregress 2sls y x1 (x2 x3 = z1 z2 z3 z4), r first(r表示用异方差的标准差，first表示在结果中显示第一阶段的回归。)检验工具变量与解释变量的相关性：即检验工具变量是否为弱工具变量，命令：estat firststage, all forcenonrobust (all表示显示每个内生变量的统计量，而非仅仅所有内生变量综合的统计量，forcenonrobust表示及时在进行工具变量法时用了稳健标准差，也仍然允许计算estat firststage)解决弱工具变量的方法包括A 寻找更强的工具变量B 弱工具变量较多，则舍弃弱工具变量，C 用有限信息最大似然估计法（Limited information maximum likelihood estimation, LIML）LIML与2SLS渐进等价，但在弱工具变量的情况下，LIML的小样本性质可能优于2SLS.命令为：ivregress liml depvar varlist 1 (varlist2 = instlist) 过度识别（即多余的工具变量的个数）命令为：estat overid 但并不能告诉哪些工具变量无效。 使用工具变量的前提是存在内生解释变量（即解释变量与扰动项相关），这也需要检验。如果所有解释变量都是外生变量则用OLS比用工具变量法更有效，反之应该用工具变量法。豪斯曼检验就是假设所有解释变量都为外生变量。 豪斯曼检验的stata命令：reg y x1 x2estimates store ols (存储OLS的结果)ivregress 2sls y x1 (x2= z1 z2) （假设怀疑x2为内生变量）estimates store iv （存储2SLS的结果）hausman iv ols, constant sigmamore（根据存储的结果进行豪斯曼检验）但uguo存在异方差，则OLS并不是最有效的，传统额豪斯曼检验不