stata上机实验第二讲.ppt

Stata上机实验,大样本OLS,大样本OLS经常采用稳健标准差估计(robust)稳健标准差是指其标准差对于模型中可能存在的异方差或自相关问题不敏感，基于稳健标准差计算的稳健t统计量仍然渐进分布t分布。因此，在Stata中利用robust选项可以得到异方差稳健估计量。,约束回归,定义约束条件constraintdefinen条件约束回归语句Cnsreg被解释变量解释变量,constraints(条件编号),约束回归,例一：打开productionconsdef1lnl+lnk=1cnsreglnylnllnk,c(1)例二：sysuseauto,clearconsdef1price=weightconsdef2displacement=weightconsdef3gear_ratio=-foreigncnsregmpgpriceweightdisplacementgear_ratioforeignlength,c(1-3)(本题没有什么经济意义，只是让大家熟悉这种方法),矩阵运算,1、手动建立矩阵命令：matrixMatrixinput矩阵变量名=（矩阵）同一行元素用，分隔不同行元素用分割建立矩阵：368511721816,显示矩阵变量matdir显示矩阵内容Matlist矩阵变量,常用矩阵运算：C=A+BA-BA*BKronecker乘积：C=A#B常用矩阵函数：trace(m1)m1的迹Diag(v1)向量的对角矩阵inv(m1)m1的逆矩阵,2、还可以将变量转换为矩阵mkmat变量名表，mat(矩阵名)练习：sysuseautoregpricempgweightforeign要求：利用矩阵运算手动计算出参数,gencons=1mkmatprice,mat(y)mkmatmpgweightforeigncons,mat(X)matb=inv(X*X)*X*ymatlistbmatlistymatlistX,我们可以利用矩阵运算的方法将回归结果展现的所有统计量都手动计算出来。大家有兴趣回去做一遍，可以加深你对这些知识的理解。,逐步回归法,逐步回归法分为逐步剔除和逐步加入。逐步剔除又分为逐步剔除(Backwardselection)和逐步分层剔除(Backwardhierarchicalselection)1、逐步剔除stepwise,pr(显著性水平):回归方程例如：对auto数据Stepwise,pr(0.05):regpricempgrep78headroomtrunkweightlengthturndisplacementgear_ratioforeign2、逐个分层剔除Stepwise,pr(0.05)hier:regpricempgrep78headroomtrunkweightlengthturndisplacementgear_ratioforeign去掉foreign重新做一遍,逐步加入又分为逐步加入(Forwardselection)和逐步分层加入(Forwardhierarchicalselection)1、逐步加入stepwise,pe(显著性水平):回归方程例如：对auto数据Stepwise,pe(0.05):regpricempgrep78headroomtrunkweightlengthturndisplacementgear_ratioforeign2、逐个分层加入Stepwise,pe(0.05)hier:regpricempgrep78headroomtrunkweightlengthturndisplacementgear_ratioforeign,残差点的图形表示,rvfplot：残差拟合值图可以加参数yline(0)将e与y画在一起rvpplotx1:残差预测值图将e与x1画在一起avplotavplotslvr2plot,离群样本点与杠杆样本点,离群样本点：残差值较大的样本点杠杆样本点：与样本整体(XX)很不相同的少数样本点离群样本点：regpricempgweightforeignpredicte,reslistmakepricee,杠杆样本点：regpricempgweightforeignpredictlev,leveragelvr2plotlvr2plot,mlabel(make),作业1,考察工资方程（数据文件：cps78-85.dta）Log(wage)=Xb+uX中包括educ=教育、exper=工龄、exper2=工龄平方、tenure=现有岗位的任期、female=性别（女=1）、y85=85年、y85educ=交叉积、y85fem=交叉积。1、建立回归模型2、给出各参数的99%置信区间3、检验H1：educ、tenure对工资影响相同、H2：教育对收入没有影响4、预测拟合值和残差5、观测离群值和杠杆值,作业2,关于美国电力的生产函数,极大似然估计,优点：1。在所有一致的、渐近正态的估计量中，MLE是渐进最优的。2。大样本数据，特别是非线性回归的估计具有优势。缺点：1。需要假设特定的概率密度形式。2。小样本性质一般。,极大似然估计MLE,MLE的基本步骤1.推导最大似然函数2.编写似然函数的stata程序(可选：似然函数的一阶和二阶导数d1,d2)3.设定解释变量和被解释变量：mlmodel命令4.估计最大似然函数：mlmaximize命令,我们举一个最简单的多元线形回归的例子，更复杂的例子我们将在“stata编程”部分介绍。假设x_i服从均值为mu,标准差为sigma2的正态分布。,打开程序：doeditmyprog.ado执行MLE:例一：sysuseauto,clearmlmodellfmyprog(price=weightlengthforeign)(sigma:)mlmax和OLS比较：regpriceweightlengthforeign回归系数完全相同,例二：useproduction,clearmlmodellfmyprog(lny=lnklnl)(sigma:)mlmax例三：附加约束的MLEconsdef1lnk+lnl=1mlmodellfmyprog(lny=lnklnl)(sigma:),constraint(1)mlmax,参数约束检验的三大方法：Wald检验似然比检验（LR）拉格朗日乘数检验（LM）注意：1。参数约束检验不仅用于MLE中，同时可以用在其他计量方法中。2。由于LM检验在后面的计量模型中广泛使用，检验过程与模型设定密切相关，因此stata没有提供单纯使用LM进行检验的命令，只能通过手动计算的方法，因此，在此我们重点关注前两种检验。,例题：利用MLE方法估计下列两个方程：1.price=b0+b1*weight+b2*length+2.price=b0+b1*weight+b2*length+b3*mpg+利用wald检验和LR检验验证：b3=0,sysuseauto,clearmlmodellfmyprog(price=weightlength)(sigma:)mlmaxeststorer0mlmodellfmyprog(price=weightlengthmpg)(sigma:)mlmaxeststorer1,wald检验：testmpg(Probchi2=0.2878)LR检验：lrtestr0r1(Probchi2=0.2896)均接受原假设所以b3=0成立自己联系：将方程2改为：price=b0+b1*weight+b2*length+b3*mpg+b4*foreign+检验：b3=b4=0,异方差的检验与FGLS,异方差是违背了球型扰动项假设的一种情形。在存在异方差的情况下：（1）OLS估计量依然是无偏、一致且渐近正态的。（2）估计量方差Var(b|X)的表达式不再是2(XX)1，因为Var(|X)2I。（3）Gauss-Markov定理不再成立，即OLS不再是最佳线性无偏估计（BLUE）。,异方差的检验,1。残差图2。怀特检验3。Breusch-Pagan（BP）检验4。G-Q检验(Goldfeld-Quandt,1965)5。Szroeters秩检验(Szreter,1978)后两种现在已经基本不用。,一般截面数据容易产生异方差而时间序列数据容易产生自相关,1。残差图：rvfplot（residual-versus-fittedplot）rvpplotvarname（residual-versus-predictorplot）作图命令一定要在回归完成之后进行2。怀特检验：做完回归后，使用命令：estatimtest,white,3。BP检验：做完回归后，使用命令：estathettest,normal（使用拟合值y）estathettest,rhs（使用方程右边的解释变量，而不是y）estathettestvarlist（指定使用某些解释变量）最初的BP检验假设扰动项服从正态分布，有一定局限性。Koenker（1981）将此假定放松为iid，在实际中较多采用，其命令为：estathettest,iidestathettest,rhsiidestathettestvarlist,iid,1.sysuseauto,clearregpriceweightlengthmpg检查是否具有异方差。2。regweightlengthmpg检查是否具有异方差。3。useproduction,clearreglnylnklnl检查是否具有异方差,4。usenerlove,clearreglntclnqlnpllnpflnpk检验是否具有异方差,FGLS估计predicte,residgene2=e2genlne2=log(e2)reglne2weight,nocpredictlne2fgene2f=exp(lne2f)regpricempgweightforeignaw=1/e2f,异方差的处理,1。使用“异方差稳健标准差”（robuststandarderror）：这是最简单，也是目前比较流行的方法。只要样本容量较大，即使在异方差的情况下，只要使用稳健标准差，则所有参数估计、假设检验均可照常进行。2。FGLS。由于广义最小二乘法与加权最小二乘法的一个缺点是假设扰动项的协方差矩阵为已知。这常常是一个不现实的假定。因此，现代计量经济学多使用“可行广义最小二乘法”（FGLS）。,FGLS的步骤,(1)对原方程用OLS进行估计，得到残差项的估计i，(2)计算ln(i2)(3)用ln(2)对所有独立的解释变量进行回归，然后得到拟合值i(4)计算i=exp(i)(5)用1/i作为权重,做WLS回归。,FGLS的步骤,predictu,resgenlnu2=ln(u2)quietlyreglnu2x1x2predictg,xbgenh=exp(g)geninvvar=1/hregyx1x2aweight=invvar,例一,使用WLS对nerlove.dta的无约束回归方程重新进行估计。假设（无截距项）。检验是否存在异方差，如果存在则使用FGLS方法进行回归。检验结果存在异方差，需要利用FGLS加以消除。,reglntclnqlnpllnpklnpfpredicte,residgene2=e2genlne2=log(e2)reglne2lnq,nocpred