stata上机实验PPT课件

1 Stata上机实验 2 误差项存在异方差 Var u 主对角线上的元素不相等 3 自相关 我们知道 在随机误差项u满足同方差和没有序列自相关的假定下 u的方差协方差矩阵Var u 是一个对角矩阵 即Var u 主对角线上的元素都是相同的常数 非主对角线上的元素为零 当这两个假定不成立时 Var u 不再是一个纯量对角矩阵 4 误差项存在自相关 非主对角线上的元素不为0 5 考察英国政府如何根据长期利率 r20 的变化来调整短期利率 rs 数据集为ukrates dta 1 做如下回归 其中 回归方程为 useukrates cleartssetmonth 表示时间 regD rsLD r20 结果不能作为判断的依据 6 自相关的检验 1 图形法 自相关系数和偏自相关系数predicte1 res 生成残差 ace1 自相关系数 如果大部分的数据在阴影部分 95 的可能性 说明自相关是比较严重的了pace1 偏相关系数 corrgrame1 lag 10 也是判断是否有自相关的问题 7 2 t检验和F检验 wooldridge 思想 t检验 如果存在一阶自相关 残差项与其一阶滞后项回归后系数显著 如果解释变量非严格外生 回归时可加入解释变量 rege1L e1rege1L e1LD r20 同时差分和滞后 判断T值是否是显著的 若是显著的 则说明是自相关 同理 可以用F检验检验是否存在高阶自相关rege1L 1 2 e1 检查F值 在这个结果中P值越小说明其越是显著的 直接看P值就可以了 8 3 DW检验 只能检验AR 1 形式的序列相关 并且要求解释变量严格外生 regD rsLD r20 接近于0或接近于4都是自相关的dwstat 先运行这个 9 经验上DW值1 8 2 2之间接受原假设 不存在一阶自相关 一般是用前2个方法才好 DW值接近于0或者接近于4 拒绝原假设 存在一阶自相关 10 4 Q检验和Bartlett检验regD rsLD r20predicte2 reswntestqe2wntestqe2 lag 2 wntestbe2 11 如果不能保证解释变量严格外生 例如解释变量中包含被解释变量的滞后项 可以用以下方法 5 D W sh检验 精确度不高 estatdurbinaltestatdurbinalt lag 2 6 B G检验bgodfreybgodfrey lag 2 原假设为HO 不存在自相关问题 P值较小说明拒绝原假设 12 自相关的处理 1 Newey稳健性估计或者聚类稳健性估计 regD rsLD r20 必须先运行这一步 neweyD rsLD r20 lag 1 neweyD rsLD r20 lag 2 系数完全相同 但标准差和t值不同 2 某些模型中可以通过取对数或者取差分消除自相关 对于消除异方差是很有效果的 13 3 FGLS估计 估计的广义最小二减法 用来对付自相关的问题 如果以后出现自相关问题 先取对数或者差分 然后用这个估计就可以了 假设干扰项服从AR 1 过程 一阶准差分 Cochrane Orcutt 1949 估计 舍弃第一期观察值 praisD rsLD r20 corcpraisD rsLD r20 rho dw corcPrais Winsten 1954 估计 对第一期观察值进行处理sqrt 1 rho 2 y1 对小样本数据处理是很方便的 praisD rsLD r20praisD rsLD r20 rho dw 时间序列一般样本不会太大 因此不要轻易舍弃 14 模型的设定和筛选问题 一 关于变量的选择 是否遗漏了重要变量1 Link检验 基本思想 如果模型的设定是正确的 那么y的拟合值的平方项将不应具有解释能力 判断自相关问题 从残差项入手 如果遗漏了重要项 则其放到了残差中了 usewage1 clearreglnwageeducexpertenure 这个变量 linktest 或许是遗漏了重要的解释变量 geneduc2 educ 2genexper2 exper 2reglnwageeducexpertenureeduc2exper2linktest 有没有解释力 应该看其t值 15 2 Ramsey检验 基本思想 如果模型设定无误 那么拟合值和解释变量的高阶项都不应再有解释能力 usewage1 clearreglnwageeducexpertenureestatovtest 原假设是模型没有遗漏解释变量 但P值很小 说明接受原假设 estatovtest rhs表示迭代 结果可以更加精确 或许是遗漏了重要的解释变量 geneduc2 educ 2genexper2 exper 2reglnwageeducexpertenureeduc2exper2estatovtest 16 二 嵌套模型和非嵌套模型1 嵌套模型 大模型好还是小模型好 方法1 reglnwageeducexpertenurereglnwageeducexpertenureeduc2exper2testeduc2exper2 这样子检验 说明其为零 不具有解释力了 17 方法2 利用赤池信息准则和贝叶斯信息准则选择最小的AIC和BICreglnwageeducexpertenureestaticreglnwageeducexpertenureeduc2exper2estatic 18 2 非嵌套的J检验和Cox检验 两个方程包含的解释变量不相同或不完全相同 有些版本的stata没有nnest命令 需要下载安装 finditnnestreglnwageeducexpertenurereglnwageeducexperexper2nnestlnwageeducexpertenure educexperexper2 19 可能出现的问题 相互拒绝 此时无法判断哪一个模型更优 说明两个模型都有可取的变量 最好考虑将两个模型合并 20 三 残差分析和异常样本点的处理1 残差序列是否服从正态分布sysuseauto clearregpriceweightmpgturnforeignpredicte reskdensitye normalpnorme 对中间部位敏感 qnorme 对尾部敏感 sktesteswilke 如果不符合正态分布 就需要取对数了 在实际中 在关键变量按序排列之后 将两头两尾去掉 留其中间部分 21 2 对特殊样本点的检验和处理 离群样本点 杠杆样本点和关键样本点 离群样本点 残差值较大的样本点杠杆样本点 与样本整体 X X 很不相同的少数样本点关键样本点 对回归结果有重要影响的少数样本点 22 图形分析sysuseauto clearregpriceweightmpgturnforeignlvr2plot 注意两条红线的含义 lvr2plot mlabel make 离群值的获得predicte1 reslistmakee1杠杆值的获得predictlev1 leveragelistmakelev1 如果其绝对值比较大 则说明其是异常值 23 通过排序方式找到离群样本点和杠杆值样本predictlev2 leveragepredicte resgene2 e 2gsort lev2sort表示排序listmakepricelev2e2in1 10gsort e2listmakepricelev2e2in1 10 24 关键样本点通常既是离群样本点又是杠杆样本点 用DFITS统计量和DFBETA统计量加以观察 小样本时 该工作显得是很重要的 DFITS统计量 经验临界值2 sqrt k N regpriceweightmpgturnforeignpredictd1 dfitsdis2 sqrt 5 74 listmakepriceweightd1ifabs d1 0 51987524sumpriceweight 25 DEBETA统计量 经验临界值2 sqrt N regpriceweightmpgturnforeigndfbetaweightlistmakepriceDFweightifabs DFweight 2 sqrt e N 对异常样本点的处理原则 1 删除 前 后的10 均删除 2 特别处理 如Tobit模型 对于特别高或特别低的值 假定设其为最高值和最低值 26 多重共线性 直观上说 当模型的R2非常高 但多数解释变量都不显著 甚至系数符号相反 可能存在多重共线性完全的多重共线性stata会自动drop掉 例如gendom 1 foreignregpriceweightlengthforeigndom多重共线性的检验 膨胀因子estatvif 多元线性回归时应该考虑的 直接输入这个值就可以了 经验上当 1 VIF的均值 2 2 VIF的最大值接近或者超过10认为有较为严重的多重共线性 或是看其相关系数 如0 5以上 则说明其是多重共线性 27 regpricempgweightlengthforeignestatvif还可以利用解释变量的相关系数pwcorrmpgweightlengthforeign 其相关系数很多是大于0 5的 说明其是有很严重的自相关性 结论 weight和length具有严重的多重共线性可以考虑去掉weight regpricempglengthforeignestatvifpwcorrmpglengthforeign多重共线性基本消除 将其中的变量去掉一个或者两个 28 虚拟变量 对于m个类别的分类变量 可以按照两种方法加以设定 保留模型中的常数变量 仅加入 m 1 个虚拟变量 或者m个虚拟变量全部作为解释变量 将常数项删掉 引入虚拟变量会产生两种情况 1 引入虚拟变量后仅截距项发生变化 2 引入虚拟变量后截距项和斜率同时发生变化 例如我们做以下回归 regpriceweight 重量和价格的关系 regpriceweightifforeign 0 只考虑进口车 regpriceweightifforeign 1 29 30 31 1 仅截距发生变化 我们以国产还是进口作为虚拟变量 为了熟悉虚拟变量的产生过程 这里不用foreign 而是产生一个新的虚拟变量dummy 虚拟变量的生成要灵活运用gen语句和replace语句 gendummy 0replacedummy 1ifforeign 1regpricedummyweight和前面做的回归比较 dummy反映了进口车和国产车常数项即截距的差异 斜率基本没有变化 32 理论分析 加入虚拟变量后 方程变为price b0 b1 dummy b2 weight u国产车 即dummy 0时 方程变为 price b0 b2 weight u进口车 即dummy 1时 方程变为 price b0 b1 b2 weight u结论 截距变化但斜率未变 33 2 截距斜率同时变化 产生一个新的虚拟变量dummy1 为了使斜率同时变化 产生一个交乘项dummy weight gendummy1 0replacedummy1 1ifforeign 1gendummy weight dummy1 weightregpricedummy1weightdummy weight和前面做的回归比较 截距 斜率均有变化 但截距的变化不显著 34 理论分析 加入虚拟变量和交乘项后 方程变为price b0 b1 dummy1 b2 weight b3 dummy weight u国产车 即dummy1 0时 方程变为 price b0 b2 weight u进口车 即dummy 1时 方程变为 price b0 b1 b2 b3 weight u结论 截距斜率同时变化 35 Chow检验 考察1978 2006年中国居民人均