Stata学习笔记和国贸理论总结

Stata 学习笔记学习笔记 一 认识数据一 认识数据 一 向 一 向 stata 中导入中导入 txt csv 格式的数据格式的数据 1 这两种数据可以用文本文档打开 新建记事本 然后将相应文档拖入 记事本即可打开数据 复制 2 按下 stata 中的 edit 按钮 右键选择 paste special 3 xls xlsx 数据仅能用 Excel 打开 不可用记事本打开 打开后会出 现乱码 也不要保存 否则就恢复不了 逗号分隔的数据常为 csv 数据 二 网页数据 二 网页数据 网页上的表格只要能选中的 都能复制到 excel 中 网页数据的下载可以 通过百度 国家数据 进行搜索 下载 二 二 Do file 和和 log 文件文件 打开 stata 后 第一步就要 do file 记录步骤和历史记录 方便日后查看 Stata 处理中保留的三种文件 原始数据 dta 记录处理步骤 do 以及 处理的历史记录 smcl 三 导入三 导入 Stata Stata 不识别带有中文的变量 如果导入的数据第一行有中文就没法导入 但是对于列来说不会出现这个问题 不分析即可 Stata 不分析字符串 红色文 本显示 被分析的数据 黑色显示 第一行是英文变量名 选择 Treat first row as variable names 在导入新数据的时候 需要清空原有数据 clear 命令 导入空格分隔数据 复制 Stata 中选择 edit 按钮或输入相应命令 右键选择 paste special 并选择 确定 导入 Excel 中数据 复制粘贴即可 逗号分隔数据 选择 paste special 后点击 comma 然后确定 Stata 数据格式为 dta 导入后统一使用此格式 四 基本操作 几个命令 四 基本操作 几个命令 一 use auto clear 在清空原有数据的同时 导入新的 auto 数据 二 browse 浏览数据 三 describe 和 list 查看数据 describe 和 list 使用 list 命令能使我 们根据自己的需要选择数据 例如其与 in if 语句的结合使用 四 Scatter 作图命令 scatter 散点图 scatter price mpg 五 Summarize 描述统计 常写作 sum su 求变量的个数 平均值 标准差 最小值和最大值 六 generate 生成数据 简写为 gen 七 replace 修改数据 命令 replace 该命令不推荐使用 一般不会改 变原始数据的 剔除缺失值 异常值 或者批量修改数据均可以通过 replace 命令加上条件语句实现 八 Tabstat 描述性统计 tabstat 变量列表 statistics 统计量列表 九 Rename 对变量更名 rename 旧变量名 新变量名 一次只能 对一个变量名重命名 十 Order 对变量排序 order 变量列表 选项 十一 Sort gsort 对观测值排序 sort 变量列表 gsort 变量 注 意 方括号可有可无 Sort 是升序排序 当第一个变量出现相同时 才会对第 二个变量排序 否则是不会管后面的变量的排序的 gsort general sort 即可 升也可降 视 和 而定 为了保证数据的原始性 为了最后恢复数据排序 一 般在排序前 生成新的变量 num 最后对 num 排序就可以恢复 十二 Keep drop 保留 删除变量或数据 keep drop 变量列表 keep drop 条件 注意 请不要随意删除变量或数据 因为可以使用 if 条件句 对行改变 每一次只能使用 keep 和 drop 中的一个命令 十三 Count 按条件对观测值计数 count 条件 方括号可有可无 直接输入条件 十四 Recode 批量修改观测值 recode 变量列表 规则 括号必 须有 规则如下 比如 3 1 值为 3 的全改为 1 比如 min 3000 0 3000 以下全为 0 如果加 generate 则会生成新的变量 规则 为 recode 变量列表 规则 规则 gen 新变量 十五 Encode decode 字符串与数值转换 encode 变量 generate 新变量 将 stata 不能识别的红色字符串改为数值 而且必须生 成新变量 即 generate 新变量 不能省 Decode 是将 label 的数值转换为 字符串变量 也必须生成新变量 即 generate 新变量 不能省 十六 Display 显示字符串 变量值 display 字符串或变量或表达式 By bysort 分组地重复执行某一命令 by 变量列表 bysort 变量列表 By 后 面一般是一个类别的变量 一般在命令前加 by 变量列表 就可以 冒号后的 命令碧血是完整的 此命令实际是先按变量列表分组 然后再执行后面的命令 Egen 生成新变量 egen 新变量 函数表达式 Generate 新变量 sum 变 量 是逐个加总 egen 新变量 sum 变量 是求和 十七 Forvalues Forrach 循环命令 Forvalues 有规律的循环 Forrach 任意循环 十八 Reshape 面板数据的变换 reshape long 变量列表 i 样本变 量名 j 时间变量名 reshape wide 变量列表 i 样本变量名 j 时间变量名 十九 merge 横向拼接 merge 拼接形式 变量列表 using 被拼接数 据集 merge 命令是用于横向拼接 即为了增加变量 拼接形式有 1 1 1 m m 1 和 m m 四种 1 方是需要复制多份 并与 m 方拼接的 而 m 方的记录数是不会增加的 变量列表是在拼接时 用于识别拼接记录 的 一般是两数据集的共同变量 可以是一个 也可以是多个 比如要把学生的 考试成绩 变量为姓名 考试科目 成绩 和学生学号 变量为姓名 学号 那 么姓名就是这里用于识别的变量 被拼接数据集只支持 dta 格式数据 若被拼 接数据集的名称中包含空格 请将其置于英文状态下的引号内 若被拼接数据 集不在 Stata 当前路径下 请在数据集名称前加上路径 支持放在英文状态下 的引号内 二十 append 纵向拼接 append using 一个或多个数据集 append 命令是用于纵向拼接 即为了增加样本或观测值 此命令支持多个 dta 文件拼接 多个数据集需用空格隔开 二十一 Duplicates 删除重复数据 duplicates report 变量列表 报告 是否有重复 duplicates list 变量列表 列出重复的 duplicates tag 变量列表 generate 新变量 报告重复的 并生成新变量 duplicates drop 变量列表 删除重复的 duplicates drop 变量列表 force 强制删除重复的 五 模型选择五 模型选择 建模应首先考虑数据类型 截面数据 时间序列数据和面板数据以及各种 数据类型的特点 在 Stata 中 时间序列数据必须含有一个时间指标用于刻 画有序的时期 用到的命令有 date 日期转换函数 将日期字符串 红色 转换成数值 黑色 命令中的日期字符串和格式字符串默认是要放在英文状态下的引号中 但 若日期字符串是一个变量 而且他本身就是字符串格式的变量 那么在写命令 时直接用变量名替代日期字符串即可 反向提取 如要从数值型的日期中提取年 月 日 使用 year month day 函数 format 数据显示格式命令 1 若是时间数据 黑色的数值 则会以时间格式 fmt 的具体形式来显 示 若是数值数据 可以用 fmt 来设置其显示格式 3 若是字符串数据 可以用 fmt 来限定其长度 tsset 通过指定时间指标 在 Stata 中 必须先指定时间指标 才能进行接下来一系列的时间序列分 析 面板数据也是同样道理 否则 Stata 会将其当做截面数据 在 Stata 中 用距离 1960 年 1 月 1 日有多少天 即一个整数 来表示 日期 故其实是数值 一 定义时间序列定义时间序列 命令格式 gen 新时间变量 date 日期字符串 格式字符串 format 变量列表 fmt tsset 时间指标 前两个命令是将字符串的时间格式改成 Stata 能识别的时间格式 第三个 命令是去识别这个时间序列 二 定义面板数据定义面板数据 命令格式 xtset 个体指标时间指标 需要两个指标 需要注意顺序 如 果被解释变量 y 取离散值 那么就不能使用普通的线性模型进行建模 根据模型的特性和缺陷 可以建立如下模型 1 稳健性回归模型 rreg 2 工具变量模型 ivregress 3 选择模型 logit probit 4 分位数回归模型 qreg 5 时间序列模型 arch arima var 6 面板数据模型 xtreg xtivreg xtlogit xtprobit 上述模型可以综合使用 比如面板 logit 模型 面板 2SLS 模型等 六 操作及导出输出结果六 操作及导出输出结果 一 求变量间协方差 相关矩阵 correlate 变量列表 选项 若要求协方差矩阵 则选项中需要加 covariance 选项 协方差 相关矩阵是对称矩阵 所以为了简化此命令生成的 矩阵下三角部分 此命令计算的是 Pearson 相关系数 协方差矩阵 二 求变量间的相关矩阵 pwcorr 变量列表 选项 与 correlate 命令类似 即求多个变量之间的 相关矩阵 这里具体指的是成对相关系数 Pairwise Correlation 与 correlate 不同的是 它能尽可能使用两两变量中所有没有缺失的数据 此命令计算的是 Pearson 相关系数矩阵 三 绘制矩阵散点图 graph matrix 变量列表 四 绘制直方图 histogram 变量 选项 直方图不连续 若想连续请参看核密度图 常用选项 bin 以组数 来绘制直方图 width 以组距 来绘制直方图 frequency 纵坐标显示频数 默认情况下显示频率 五 绘制核密度图 kdensity 变量 选项 六 绘制散点图 scatter 两变量 twoway scatter 两变量 lfit 两变量 scatter 命令用 于绘制两变量的散点图 用于观察变量间的相关关系 lfit 命令可以大致绘制拟 合散点的直线 通过 scatter 和 lfit 两个绘图命令 可在一幅图中实现这两个功 能 只能绘制二维散点图 且只能知道两变量的大致相关关系 正 负相关 不 能知道拟合直线的具体数值 七 回归及结果导出七 回归及结果导出 一 命令汇总 1 普通线性模型 regress 2 稳健性回归 rreg 3 工具变量模型 ivregress 4 离散选择模型 logit probit 5 分位数回归模型 qreg 6 时间序列模型 arch arima var 7 面板数据模型 xtreg xtivreg xtlogit xtprobit 8 结果导出 esttab outreg2 二 regress 回归分析 regress 被解释变量解释变量列表 条件 权重 选项 regress 是最小 线性二乘回归 OLS Ordinary Least Squares 的命令 可简写为 reg regress 命令后直接跟变量 其中解释变量若有多个则用空格分隔开 变量允许使用交 叉项 命令 c x1 c x2 表示将 x1 x2 作为解释变量加入到模型中 条件是筛 选用于回归的样本 权重这个选项是用于建立加权回归模型 WLS 选项是很 强大的 如 1 vce 类别 在回归使用稳健的方差 常用于避免异方差的出现 如 robust cluster level 用于指定置信度 如 level 99 beta 针对数据变化大 需要将变量先标 准化后再回归 3 noconstant 用于建立无常数项的回归方程 回归后得到的估计值 统计值被 保留在 e 内 供用户提取 若要计算模型拟合值和残差 运行 regress 命令后使用 predict 命令进行 5 回归结果输出 esttab 回归名列表 using 文件名 扩展名 选项 回归名列表指的是将 多个回归结果一同导出 如果不指定 则默认将最近的一次回归结果导出 可 以每做完一次回归将结果用下列命令保存下来 est store 回归名 导出到 Word 文件中 扩展名 rtf 常用选项 r2 ar2 分别输出 和的值 用 se 表明括号中的值为标 R 2 R 2 准误 否则会默认输出 t 检验值 replace 覆盖同名文件 nogap 忽略表格中 的空行 outreg2 命令的使用方法类似 在使用之前 需要从网上下载此命令 步 骤如下 确保电脑已经联网 打开 Stata 在命令窗口按照如下格式输入命令 ssc install 命令名 或者命令组 当输入完毕敲击回车后 一般等待半分钟即可下载并安装完毕 在 Stata 结果 显示窗口会显示 installation complete 一般地 我们会用到 estout outreg2 logout 这几个用于输出结果的扩展 包 estout 是命令组的名称 而 esttab 只是这个命令组中用于输出结果的命令 即下载时应输入 ssc install estout 八八 常用概率分布函数 常用概率分布函数 命令格式及含义说明 normal x 输入 x 值返回对应值的标准正态 CDF 值 normalden x 输入 x 值返回对应值的标准正态 PDF 值 3 invnormal p 已知概率 p 即 PDF 曲线下面积 反推 x 值 对于 CDF 若从 1 向 1 反向进行累计 则称为 tail 函数名为 ttail Ftail chi2tail 对应的 inv 函数为 invttail invFtail invchi2tail 二 使用方法 1 和 generate 命令合用 生成服从这样分布的新变量 若在做 Monte Carlo 模拟时需要生成服从某一分布的随机数 请使用 runiform rbeta a b rchi2 df rnormal rt df 等命令 详细请 help random number functions 和 display 命令合用 直接算出值 也叫做查表 统计表 3 和 twoway function 命令合用 画出函数图 三 函数图 twoway function 1 命令格式 twoway function y f x if in 可选参数 2 含义说明 用于绘制函数图 y 是一个标注符号 即绘制图线后用 y 这个记号来标注 如有多条直线可 以标注成 y1 y2 f x 是这个命令的主体 可以是一般数学函数式 也可以是 Stata 内已有 的函数 1 可选参数中一般会用到 range 即坐标横轴的取值范围 如 range 5 5 表示 x 5 5 如果要绘制多个函数图 可在语句后继续写 function 后面的部分 并用 符号连接 3 注意事项 自变量必须是 x 方括号内的部分均可省略 即可省略 y 这个部分 这里的 y 和 x 都仅针对这个命令的 故不会影响 Stata 内存中已存在的数据 4 三 原则 在正态分布中 代表标准差 代表均值 x 即为图像的对称轴 有 数值分布在 中的概率为 0 6827 数值分布在 2 2 中的概率为 0 9544 数值分布在 3 3 中的概率为 0 9974 四 假设检验 根据一定假设条件由样本推断总体的一种方法 步骤 1 根据问题的需要对所研究的总体作某种假设 记作 0 2 选取合适的统计量 这个统计量的选取要使得在假设成立时 其分布为已 0 知 3 由实测的样本 计算出统计量的值 f 并根据预先给定的显著性水平 进行检 验 查对应统计分布表的临界值 4 比较 f 与 的大小 最终作出拒绝或接受假设的判断 0 5 注意事项 一般为了方便 为等式 此时的可以作为已知条件代入第 3 步的计 0 0 算中 在众多假设检验中 万变不离其宗看 如果拒绝 说明其对立面在 0 0 给定的显著性水 下是在成立的 由于查统计表时 临界值的选取还与显著性 水平 有关 所以在计量经济学中经常用反查表的方法 即不找 而是找 f 值 所对应显著性水平 记为 p 值 并作出判断 p 值越小 即接近于 0 说明在 1 p 的置信度水平上拒绝都是可信的 0 p 值越大 说明在置信度水平 1 p 越小 拒绝越没有把握 0 p 值的大小判断是比较主观的 一般来说 p 0 1 算大 p 10 2 平均的 VIF 1 则说明存在多重共线 性的问题 此命令会输出每个变量的 VIF 1 VIF 及平均 VIF 注意 此命令为 reg 的后续命令 即需要先运行一个回归 然后才能使用此命 令 4 内生性问题 内生性问题是指误差项与解释变量相关 即模型中的解释变量与无法观 测到的因素有相关 内生性问题是最重要的问题 因为它会导致估计量是有偏的 不一致的 导致内生性的原因 遗漏变量 如果遗漏的变量与其他解释变量不相关 一般不会造成 问题 否则 就会造成解释变量与残差项相关 从而引起内生性问题 解释变量与被解释变量相互影响 度量误差 Measurement Error 由于关键变量的度量上存在误 差 使其与真实值之间存在偏差 这种偏差可能会成为回归误差 Regression Error 的一部分 从而导致内生性问题 解决内生性问题的方法主要有 工具变量法 IV 即找到一个变量和内生化变量相关 但是和残 差项不相关 在 OLS 的框架下同时有多个 IV 这些工具变量被称为 Two Stage Least Squares 2SLS Estimator 具体的说 这种方法是 找到影响内生变量的外生变量 连同其他已有的外生变量一起回归 得 到内生变量的估计值 以此作为 IV 放到原来的回归方程中进行回归 自然实验法 即找到一个事件 该事件只影响一部分样本 或者只 影响解释变量而不影响被解释变量 Difference in Difference DID 法 思想是按照一定的标准 找 到与样本 match 的控制组 在假设外在冲击同时影响两个组别的情况 下 做差来剔除掉外界冲击的影响 动态 Panel 思想是将解释变量和被解释变量的滞后项作为 IV 常用命令 estat ovtest 说明 遗漏高次项检测 Omitted Variable Test 此命令只能检测是否遗漏 了模型中解释变量的二次 三次 四次项 此命令检测的原假设为 模型没有遗漏高次项 若 p 值小于某一特 0 定值 比如 0 05 则说明存在内生性问题 需要考虑加入高次项再次回归 反之则不存在 此命令为 reg 的后续命令 即需要先运行一个回归 然后才能使用此命令 常用命令 ivregress 估计方法 被解释变量 外生解释变量列表 内生解释变量列表 工具变量列表 说明 此命令用于进行工具变量回归 估计方法一般有 2sls 两阶段最小二乘法 和 gmm 广义矩估计 方法 寻找工具变量更多是创造性的工作 而非 Stata 可以帮解决 此命令的具 体使用方法及案例请参考 高级计量经济学及 Stata 应用 陈强 第 10 章 5 异方差问题 异方差是违反了同方差的假设 存在异方差会使标准误的估计受影响 继而会影响所有涉及到标准误的 检验 如 t 检验 F 检验 异方差只影响参数的标准误 并不会影响其估计 即满足前 4 个条件的 OLS 估计值依旧是无偏的 只是不能保证是否显著异于零 常用命令 reg robust 说明 这个命令是以选项的形式加在 reg 命令之后 使得回归的标准误是 稳健的 即使存在异方差的问题 这样估计出的结果也是可以正常进行各类 检验的 与同方差情况一样 此命令无法检测出异方差 不过一般而言已经足够了 常用命令 estat hettest 说明 异方差检测 Heteroskedasticity Test 此命令检测的原假设 为 模型误差项是同方差的 若 P 值小于 0 某一特定值 比如 0 05 则说明存在异方差问题 反之则不存在 注意 此命令为 reg 的后续命令 即需要先运行一个回归 然后才能使用此命 令 十 几个重要模型十 几个重要模型 面板数据 面板数据的优势在于既有界面维度的信息 也有时间维度的 信息 可以帮助解决内生性的问题 面板数据固定效应 其利用在时间维度上对异质性进行相减来消除内生 性的问题 面板数据随机效应 其认为异质性是与其他解释变量不相关的 即异质 性情况不严重 然后按照传统方法进行处理 命令格式 xtset 截面维度变量 时间维度变量 回归前设置 xtreg 被解释变量 解释变量 fe 选项 固定效应面板回归 xtreg 被解释变量 解释变量 re 选项 随机效应面板回归 说明 在进行面板数据处理时 必须要先进行第一步 即声明面板数据 声明 的方法与时间序列的 tsset 命令类似 xtreg 命令与截面情况下的 reg 命令类似 若在逗号后加上 fe 即指定 进行固定效应 Fix Effect 面板数据回归 若加上 re 则进行随机效应 Random Effect 面板数据回归 在不知道使用固定效应还是随机效应时 可以进行 Hausman 检验 在 Stata 中需要先分别进行两个效应的回归 再进行 Hausman 检验 若 p 值较小 比如小于 0 05 应该使用固定效应 反之 则应该使用随机效应 但是推荐使用 FE 非线性模型 nl 单变量非线性回归 命令格式 nl 非线性形式 被解释变量 解释变量 说明 此命令实现的是非线性回归 Non linear Regress 第二个字母是 l 不是 1 非线性形式请参考 help nl 中的例子 此命令只能对单变量进行处理 由于诸多限制 以