STATA面板数据模型操作命令讲解资料

精品文档精品文档精品文档精品文档STATA面板数据模型估计命令一览表一、静态面板数据的STATA#理命令VLi+*P+8让 固定效应模型y*\t=口it+8it 随机效应模型（一）数据处理输入数据•tssetcodeyear 该命令是将数据定义为“面板”形式•xtdes 该命令是了解面板数据结构xtdescode:2,,,,p20n=20year:2004,2005,…，2014T=11Deltafyear)=1unitspan(year)=11periods(code*yearuniquelyidentifieseachobservation)Disrriburionof:min 5%25%50用75%95席max11111111111111Freq.Percentcum..Pattern20 100.00100.001111111111120 100.00XXXXXXXXXXX.summarizescIcpiunemgse5InvariableObsMeanStd.Dev.MinMaxsq220.Q1427982.9303464.75e-0626.22301cpi2201.1065540324961.045L25unem22Q,0349455.0071558.012,046g220,10907,04275230246.2357220.0268541,,0116715.0053.0693In220,1219364・0240077.074,203各变量的描述性统计（统计分析）•summarizesqcpiunemgse5In・genIag_y=L.y///////产生一个滞后一期的新变量

genF_y=F.y〃〃〃/genD_y=D.y///////genD2_y=D2.y///////产生一个超刖项的新变量产生一个一阶差分的新变量产生一个二阶差分的新变量（二）模型的筛选和检验•1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型）•xtregsqcpiunemgse5ln,fesetr-e：<3s■口c.pmfeUQCllQNu«mlt>a±!F'genF_y=F.y〃〃〃/genD_y=D.y///////genD2_y=D2.y///////产生一个超刖项的新变量产生一个一阶差分的新变量产生一个二阶差分的新变量（二）模型的筛选和检验•1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型）•xtregsqcpiunemgse5ln,fesetr-e：<3s■口c.pmfeUQCllQNu«mlt>a±!F'-「zuEbuir q干 q「QLip二20wiithiintiar*w*pn<J-V*SF"-ctlTO-23OZO.076方O-CM>b-?orrCui"ITf毋aO-OOOOProlbsqgagMkkb工。<£电』、3XO-MX日Ny421士z守Am--5lsQar二0了上■3-「。8€中工£3，149a5？产4士20C3172IXHSm:GRnxb。--4-■-口；srlo--三今予NGcz4KNB0-2S^BX扁BX呼今01XZSf74y.--S4S-0(>>二：工一一一GftlxJ2=>->-抽£■<74W46小3&13三今・03二M8二wpoaJL1QXX;V-dIF'1^LFR«_«±O-cm，对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000,检验结果表明固定效应模型优于混合OLS真型。•2、检验时间效应合效应还是随机效应） （检验方法：LM•2、检验时间效应（原假设：使用OLS昆合模型）•quixtregsqcpiunemgse5ln,re （加上“qui”之后第一幅图将不会呈现）xttest0xizretg:s。cpifRo.ndcHLii-c-tFHFc匚七sc^foupv*%r-irhle£LL与irc-gressHionCQCl^NLiinhicrofot>sNumhierrjr-Qiups22OzowitIhin0-22CJbcrorr-overaO.CUOBZGOZ76Ro.ndcHLii-c-tFHFc匚七sc^foupv*%r-irhle£LL与irc-gressHionCQCl^NLiinhicrofot>sNumhierrjr-Qiups22OzowitIhin0-22CJbcrorr-overaO.CUOBZGOZ76mnnmaxWd."ld匚HRj£53Prota邛F-1OO-OOD-OgqT-IVsa7-clirl工Rd3iQ5BdozmGx「2mQ580小之匕Q28

96呼R976n，三9309口『mgOZWNOQ二-00z334

中国UT5,300^00005

NO30■94Z5Z5L工4"<rlBLgs匕；5ZQ66759GS657/N67口N9:JZ・后d4A07*133工QN3

73>-a20可以看出，LM检验得到的P值为0.0000,表明随机效应非常显著。可见,随机效应模型也优于混合OLS真型•3、检验固定效应模型or随机效应模型（检验方法：Hausman检验）原假设：使用随机效应模型（个体效应与解释变量无关）通过上面分析，可以发现当模型加入了个体效应的时候，将显著优于截距项为常数假设条件下的混合OLS真型。但是无法明确区分FEorRE的优劣，这需要进行接下来的检验，如下：Stepl:估计固定效应模型，存储估计结果Step2：估计随机效应模型，存储估计结果Step3:进行Hausmar#验•quixtregsqcpiunemgse5ln,feeststorefequixtregsqcpiunemgse5ln,reeststorerehausmanfe（ 或者更优的是hausmanfe,sigmamore/sigmaless）可以看出，hausman检验的P值为0.0000,拒绝了原假设，认为随机效应模型的基本假设得不到满足。此时，需要采用工具变量法和是使用固定效应模型。

（三）静态面板数据模型估计•1、固定效应模型估计•xtregsqcpiunemgse5ln,fe(如下图所示）xxxregwqepiunemgse51nafeFtxed-efTectsCwnthin>regressiongroupvari（三）静态面板数据模型估计•1、固定效应模型估计•xtregsqcpiunemgse5ln,fe(如下图所示）xxxregwqepiunemgse51nafeFtxed-efTectsCwnthin>regressiongroupvariable:codeR-sqzwithln=O.23；O7beximeen_0.0767ioveral1-0.OO&4corrCu—~ifXbJ ——0・52916sq[ CoefB5td■Err.Number oF obs - 220Number oF groups — 20Obspergroup; mi n = ZLXa.vg— AJL.Omax - HF(5,195> 0 li.69Proba「 ―O.O<K>Ot: PaItI [95孤Conf.Tnterva.1]unemgseS1n_cons89q97N9N包7616660-55Jz6227今8.3--5,工-8034.,招;795”48.3O2ZL!93,9-377S±5-2744612*3O29G5.55524100aoX50000^.5010>^F*-!■!-060000一行.7018^?-232.3*JOS-±j4.1327948.11545-3*97B2S5-IO-5qB2212,0928-92.367ZG±_SQ'Q-iai108.mg244.54^63IX-3139^2sigma_Li■।i<)m.i_*'rho2-68B79632,CC17DB1.C-1340/71Cfractionofvarianceduexoui>FtesTttiatal1u_i-O; FCL9.19^5>- 12,19 ProbF-O.OOOO其中选项fe表明我们采用的是固定效应模型，表头部分的前两行呈现了模型的估计方法、界面变量的名称（id）、以及估计中使用的样本数目和个体的数目。第3行到第5行列示了模型的拟合优度、分为组内、组间和样本总体三个层面，通常情况下，关注的是组内（within）,第6行和第7行分别列示了针对模型中所有非常数变量执行联合检验得到的 F统计量和相应的P值，可以看出，参数整体上相当显著。需要注意的是，表中最后一行列示了检验固定效应是否显著的F统计量和相应的P值。显然，本例中固定效应非常显著。•2、随机效应模型估计若假设本例的样本是从一个很大的母体中随机抽取的，且 ai与解释变量均不相关，则我们可以将支i视为随机干扰项的一部分。此时，设定随机效应模型更为合适。•xtregsqcpiunemgse5ln,re（ 如下图所示）xTregsqcpiuneimgse51n,reRamdlom-ef'fecrscllsrepress1oincciric'Numberoifolt>sMumli'f'roftjr"口up，；22020R.-jsq：wiXhin=O-between—O.uvtfr_*1II—■O.2ZO&0376OZ76ObspergroupiRamdlom-ef'fecrscllsrepress1oincciric'Numberoifolt>sMumli'f'roftjr"口up，；22020R.-jsq：wiXhin=O-between—O.uvtfr_*1II—■O.2ZO&0376OZ76Obspergroupimina.vgmaxIXIX.o11C^ssumed)waldchi2(5-5Probachi24Z.xooaooooCoe-F.Std.Err[95*ConT.Tn-terv-al]epiLirlej-mgse^1ncons-sigma-u1S寸gma_erho且一40了44B-114.2三04103879^77.537CM5=625365-1.SB11S1,上2.OO17O6JL.^9096525•3、时间固定效应4.石4440.79Z623^10586-二口4d3^925.4^937B703093300057-PM-I-000000007334980153022500-5.23€8-1白4.1B25-15-7<68^^47r.9351<?-15a6JLE4B-±2-65576_L4.O5JL73-34-27S33--43^721107.=5吕927B26722B-S9-7-4103Cfractionnfvarianceduetou_1>(以上分析主要针对的是个体效应)如果希望进一步在上述模型中加入时间效应， 可以采用时间虚拟变量来实现。首先，我们需要定义一下T-1个时间虚拟变量。•tabyear,gen(dumt)『S7esqzcrji00FINB4弓C.F0C9。•tabyear,gen(dumt)『S7esqzcrji00FINB4弓C.F0C9。。今。》今n990-今。00000000000mqqnqlj00000000000N£NNMyaNPJMNa5石?丹。0二之三口oooQncrH;工00000000000尸士工之三不上Nw±2(tab命令用于列示变量year的组类别，选项 gen(dumt)用于生产一个以 dumt开头的年度虚拟变量)dropdumtl (作用在于去掉第一个虚拟变量以避免完全共线性)若在固定效应模型中加入时间虚拟变量，则估计模型的命令为:•xtregsqcpiunemgse5Indumt*,fe

.xtregsqepiunemgme5Todunrt*BfeFixed-effecXs(withinJregressionGroupvariable:codeNumber"ofobs =Numberofgroups -22020ob&p*^rgroup1min=11avg-11.0max,JL1F《151g5。 4.89Prob>F .0-oooocorrCu_1,Xb)--0.1752COST.std.ErrP>ltI[95%Conf.interval]cpi

unemg5€5Indumrzdumt3dumrt4dunnNumber"ofobs =Numberofgroups -22020ob&p*^rgroup1min=11avg-11.0max,JL1F《151g5。 4.89Prob>F .0-oooocorrCu_1,Xb)--0.1752COST.std.ErrP>ltI[95%Conf.interval]cpi

unemg5€5Indumrzdumt3dumrt4dunn15durnt6dumrt7dumlcSdumt9dunrrtlO

dumt11cons3,774834-37.00067M.11105277,3662613,0311230105783376552-1626971■5598965.4316914.42328291.OSB1O71.6057511,9060542.22063-6.6B10484,961B7264.586285.OBBS9515.7002813.32385B5316355.6347213.6458275.6473164+6733501.6448627・6B464O3■7724666,795677.90306375.922799・•■IEnainmx+EE+illal-l000400000001222167138E356_^69EO6375fi-994528&65o4410.4480.567OB542oBooo0.329□a634Q.5950.801OB3S8Qe5320.5120.114OB039O.018O.01SO.261-6.01429B-164.421-6a92S67S46.39164-13.25511-la547193-I.56987H^1.111437一.717174589E74O8-.8489474〜2625997aOS17745.3362871・4m9gz5-18.B659613.5639690.4196613a15078108.340939.3173Sa9450769,91456751.4368311.836968la7601241.6955132.4388113.1297273.4758224.0022575-003865STgma_u2.1964505sigma_e1*982S27rho,55098173Cfractionofvsiriancedueto)Frestthatallu_1=Oir185>=io.75 Prob>F=O-oooo・1、异方差检验（四）异方差和自相关检验・1、异方差检验（组间异方差）本节主要针对的是固定效应模型进行处理（1）检验原假设：同方差需要检验模型中是否存在组间异方差，需要使用xttest3命令•quixtregsqcpiunemgse5ln,fexttest3.quixtregsqcpiunemgseSlntfe. xttest3ModifiedwaldtestforqroupwiseheteroskedasticityinfixedeffectregressionmodelHO:sigma(i)^2=s1gniaA2foral1ichi2<20)= 11561.€0Prob>chi2- 0.0000显然，原假设被拒绝。此时，需要进一步以获得参数的GLS古计量，命令为xtgls:

xtglssqcpiunemgse5ln,panels(heteroskedastic)Cross-sectioinaltime-seriesFGL与regressioncoeffic1enrs:qeneral"iFed1easrsquaresPanels: IneteroskedasticCoritelation: ooautocorrelationesc1mail：cdcovar1amices -Esr1ma.rpriauxocorrelax-ianis〜Est1matt:edcoefTicierits=20NumberofobsNumberofqroupsTimeperiodsWaldchi2esc1mail：cdcovar1amices -Esr1ma.rpriauxocorrelax-ianis〜Est1matt:edcoefTicierits=20NumberofobsNumberofqroupsTimeperiodsWaldchi2CS^Prob>chi20010-423X71sqCoelr.「953tCon-r.Interval|£口1unetnqseb1m_tons1.5637512-3,641S4-3_78X29115ZOOS-8.672103,02029121.771165953IL-595SO95aysytszi2.616123S1.871745843.O.377口.57PzO.O1BO,074O.OOXO.99T-1.90761720^4^032-6.90902-iaojyo^^i一】工了9g在工-3.648262写.03520113-202^4--6535E26zza4星0tsm一三・5445S63.^88844其中，组间异方差通过panels()选项来设定。上述结果是采用两步获得，即，先采用OLS估计不考虑异方差的模型，进而利用其残差计算。。。，并最终得到FGLSW计量。2、序列相关检验对于T较大的面板而言，«i往往无法完全反映时序相关性，此时名it便可能存在序列相关，在多数情况下被设定为 AR(1)过程。原假设：序列不存在相关性。FE模型的序列相关检验对于固定效应模型，可以采用Wooldridge检验法，命令为xtserial:•xtserialsqcpiunemgse5ln.xtserialsqcpiunemqseSInWooldridgetestforautocorrelationinpaneldataHO:nofirstorderautocorrelationF(1, 19)= 1246.120Prob>F=G.0000可以发现，这里的P=0.0000,我们可以在1%勺显著性水平下爱拒绝不存在序列相关的原假设。考虑到样本，该检验的最后一步是用 ~对~进彳TOLS回归,ae,t-1因此，输入以下命令得到 。检验该值是否显著异于-0.5,因为在原假~=0.88589设下(不相关) ，可见本例中不相等，拒绝原假设，说明存在序列相关。.=-0.50・matliste(b).mat1isre(b)symmetrice(b)[1,1]L.―000006yl.88582499RE模型的序列相关检验对于RE模型，可以采用xttestl命令来执行检验:•quixtregsqcpiunemgse5Indumt*,rexttestl这里汇报了4个统计量，分别用于检验RE模型中随机效应(单尾和双尾)、序列相关以及二者的联合显著性，检验结果表明存在随机效应和序列相关，而且对随机效应和序列相关的联合检验也非常显著。(3)稳健型估计上述结果表明，无论是FE还是RE模型，干扰项中都存在显著的序列相关为此，我们进一步采用xtregar命令来估计模型，首先考虑固定效应模型：

•xtregarsqcpiunemgse5Indumt*,feIbiaqmr"p~GluiiniofH与soSIIindcjmt,*■,T-«-IhFaqmr"pan

20hjuimnpiroT口>hwpan

20hjuimnpiroT口>hwNumbcsro-FcgroupsIOIO,QXOO.XS3«3O.0O?0O.口SFNR-£_L4R-£_L4.X66JP"LDbAFX：b>Iqess石GgNzzFIQNd1Iqess石GgNzzFIQNd1lswsaseByKrM/smA/NNSWOO口lQmmHIAVE4Tio6石@sm/zTai=广73.专3-工分工7，&，oth.4*丁・遍・5O7,O.4QZ力zyE・Q・4・-24■与4MO1n-133工711・i-■*ha■X二二二NBmzsgw占a匕7三'-zl^ods7&Qzco2327工与4S5Q□・3Gg36Q工mwsmn--S8--lac?2-4X58-ilx---,-------------IJ3250soa&00323Qcro^z^eoo-0000033GI。033与口。。。口。。口石ob>一F4・！・・・・・・li.-SFVR口。。00口0。0口。口。。0。工春o手©3。石斗了dQFRo1七-t49曰imzBJLtmQx疆E一eSafi■-■-■asBaa■coponN3q45432o-9-Yrwa后szBl-lsBIh.NN25s口rJ45.38oaBAN工口26万rE2^X1^-054^X23106--£『日毋工。3。74A7,。3-*_T-H■QOQB后N0O+存mamf61dls・zorll56呼a二15JLyrTr■■"llllxa-lxQr-hzNnMz-dl石+5工S2T341HW45rTl_fGOS7zz2z1B_zd5S32&。口309后口右4546>。57||毋$126G7zaHaho&IH三端/口丐■1:&632日<z11Q37,Z@Q、-4<>42S七7KlarB-J1七3-O0H.IH3.C-PCIJ39W■二T・7,B5Z曲。・s3-m■W2白51masn23^^-6rR9nlsPCclBLTZtT七Frt1FIr-l£c二mnErmEmEHlrE*uUUUUUUUUEHrcudddudddulu-cldfTestthatallu_i=C: F(19,166)- 17.43 prob>f=(LOOMnodifiedBhargavaetal.Durbin-watson«.219834g5Baltagi-WuLBI=.641462•3、”异方差一序列相关"稳健型标准误虽然上述估计方法在估计方差-协方差矩阵时考虑了异方差和序列相关的影响，但都未将两者联立在一起考虑，要获得“异方差-序列相关"稳健型标准误，只需在xtreg命令中附加vce(robust)或者vce(cluster)选项即可。例如，对于FE模型，我们可以执行如下命令：•xtregsqcpiunemgse5ln,fevce(robust)■xtregsqcpiiynemgse5lnsfevce(robust)Fixed-effectsGroupvariable(within)regression”codeNumberNumberofobs =□fgroups =22020R-sq:withinbetweeroveralI=0.23071-0.07671.0.Q064obspergroup:min-avg-max-1111.011corr(u_1.xb)=-0.5296FCS.19)probaF =2.52080656(std・Err.adjustedfor20clustersincode)sqcaefrRobuststd.Err.tp>ltI[95%conf.inxerval]卬iunemgS€5In_cons2.921698-187.629—6.36668478,23979ZO,28567,35785123.83786768.064193.97091558,1207711.421564.117750.76-2.13-1.60I.>1-780.090.4560.0460.1250.1&40.0920.932-5.111051-371.&495-14.6779-43.40837一九619918-S.26069810.95445-3.3085561.944537199.88844.19126B.976401sigma„usigma_erho2.68879632.0017081「64340771(fractionofvarianceduetau_t)I I与之前未经处理的估计结果相比，附加命令 vce(robust)选项时的结果，虽

然系数的估计值未发生变化，但此时得到的标准误明显增大了，致使得到的估计结果更加保守。对于面板数据模型而言，STATAt计算所谓的“robust”标准误时，是以个体为单位调整标准误的。因此，我们得到的“robust”标准误其实是同时调整了异方差和序列相关后的标准误。换言之，上述结果与设定vce(cluster)选项的结果完全相同。•4、截面相关检验•4、截面相关检验FE模型检验对于FE模型，可以利用xttest2命令来检验截面相关性：•quixtregsqcpiunemgse5ln,fexttest2(该命令主要针对的是大T小N类型的面板数据，在本例中无法使用，故图标略去。)RE模型检验对于RE模型，可以利用xtcsd命令来检验截面相关性：•quixtregsqcpiunemgse5ln,rextcsd,pesaran( 下面命令是另一个检验指标)xtcsd,frees.quixtregsqcpiuncm□se5IrxtcsdFpesaranpesaran'stestofcrosssecrional1ridependence- -0.348,pr=1.2725xtcsd,freesindepenflence=distributian10 : indepenflence=distributian10 : O+233305 ; 0.310301 ： 0+4649criticalvaluesfromFrees'曰Ipha=alpha=mlpha=可以看出，两种不同的检验方法均显示面板数据存在着截面相关性。・5、”异方差一序列相关一截面相关"稳健型标准误FE模型估计

对于FE模型，在确认上述存在着截面相关的情况下，我们可以采用Hoechle(2007)编写的xtscc命令获取DriscollandKraay(1998) 提出的“异方差—序列相关一截面相关"稳健型标准误：•xtsccsqcpiunemgse5ln,fe.xtsccsqcpniunemgseSln,feRegressionwithDriscol1-tcraaystandarderrorsNumberofobs =220Method:Fixed--effectsregressionNumberofgroups=20<iroupvariable(i):codeF(5,19)28.20maximumlag:2Prob>F =Q.0000withinR-squared=0.2307Drisc/Kraaysqcoef4stdrErr,tP>|t|[95%erval]<=pi2.9216984.1737830.700.492-5.B1412911.65753unem-187.62925.956-7.230,000-241.9556-133.3025g-G.3666M2.23。28吕-2,350.01071,034E9-1,seS78.2397920,900853.740.00134.4938121.98531n20.2E5675,1239923,960.0019.56103431.01031_cons.35785124.5632780,080,938-9.19329,908903这里，xtscc命令会自动选择的滞后阶数为2,系数估计值和Within-R2与xtreg,fe 的结果完全相同，但标准误存在着较大差异。可见，在本例中，截面相关对统计推断有较大的影响。若读者有跟高的方法来确定自相关的滞后阶数，则可以通过 lag()选项设定。当然,在多数情况下，这很难彳到。不过我们可以通过附加 lag(0)来估计仅考虑异方差和截面相关的稳健型标准误，命令如下：•xtsccsqcpiunemgse5ln,felag(0)-xtsccsqcp1unemg 1n,f€：1ag<03Regressionwiichoriscoil1-kfaaystandarderrorsNumberofobs - 220Method:Fixed-efirectsregression Numberofgroups— 20Groupvaniable(i);code 5sl 19) = ±8.96maximumlag:□ Prob>F - O.OOOOwithinR-squared= Ch2307sqDrtsc/KraayCoef. 512dLErr. t P>111 [95%Conf,interval]Mil-cons2.921698 3.724402 O.78 -i1.873565 IO.71696-1B7.629 26.72656 -7.02 0.0^0 ^243.5684 -131.6897一后4m656Ed 2\69^32 -2\36 O>029 -12.01643 -a716941978,23979 05845 4.87 O-OOO 44,6Z9O8 111.850520^2S567 6^557483 孑.09 Q,006 6.560703 34g0X064.3578512 4,130379 |||O«09 O-932 -S.287JL32 9.OO283S1 1RE模型估计(略，待补充)