stata面板數據去中心化命令

⑴ 在stata中怎樣對面板數據進行gmmguji

首先檢驗解釋變數內生性（解釋變數內生性的Hausman 檢驗：使用工具變數法的前提是存在內生解釋變數。Hausman 檢驗的原假設為：所有解釋變數均為外生變數，如果拒絕，則認為存在內生解釋變數，要用IV；反之，如果接受，則認為不存在內生解釋變數，應該使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板數據中使用工具變數，Stata提供了如下命令來執行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （選擇項可以為fe，re等，表示固定效應、隨機效應等。詳見help xtivreg）
如果存在內生解釋變數，則應該選用工具變數，工具變數個數不少於方程中內生解釋變數的個數。「恰好識別」時用2SLS。2SLS的實質是把內生解釋變數分成兩部分，即由工具變數所造成的外生的變動部分，以及與擾動項相關的其他部分；然後，把被解釋變數對中的這個外生部分進行回歸，從而滿足OLS前定變數的要求而得到一致估計量。tptqtp
二、異方差與自相關檢驗
在球型擾動項的假定下，2SLS是最有效的。但如果擾動項存在異方差或自相關，
面板異方差檢驗：
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df = e(N_g) - 1
lrtest hetero homo, df(`df')
面板自相關：xtserial enc invs exp imp esc mrl
則存在一種更有效的方法，即GMM。從某種意義上，GMM之於2SLS正如GLS之於OLS。好識別的情況下，GMM還原為普通的工具變數法；過度識別時傳統的矩估計法行不通，只有這時才有必要使用GMM，過度識別檢驗（Overidentification Test或J Test）：estat overid
三、工具變數效果驗證
工具變數：工具變數要求與內生解釋變數相關，但又不能與被解釋變數的擾動項相關。由於這兩個要求常常是矛盾的，故在實踐上尋找合適的工具變數常常很困難，需要相當的想像力與創作性。常用滯後變數。
需要做的檢驗：
檢驗工具變數的有效性：
（1） 檢驗工具變數與解釋變數的相關性
如果工具變數z與內生解釋變數完全不相關，則無法使用工具變數法；如果與僅僅微弱地相關，。這種工具變數被稱為「弱工具變數」（weak instruments）後果就象樣本容量過小。檢驗弱工具變數的一個經驗規則是，如果在第一階段回歸中，F統計量大於10，則可不必擔心弱工具變數問題。Stata命令：estat first（顯示第一個階段回歸中的統計量）
（2） 檢驗工具變數的外生性（接受原假設好）
在恰好識別的情況下，無法檢驗工具變數是否與擾動項相關。在過度識別（工具變數個數>內生變數個數）的情況下，則可進行過度識別檢驗（Overidentification Test），檢驗原假設所有工具變數都是外生的。如果拒絕該原假設，則認為至少某個變數不是外生的，即與擾動項相關。0H
Sargan統計量，Stata命令：estat overid
四、GMM過程
在Stata輸入以下命令，就可以進行對面板數據的GMM估計。
. ssc install ivreg2 （安裝程序ivreg2 ）
. ssc install ranktest （安裝另外一個在運行ivreg2 時需要用到的輔助程序ranktest）
. use "traffic.dta"（打開面板數據）
. xtset panelvar timevar （設置面板變數及時間變數）
. ivreg2 y x1 (x2=z1 z2),gmm2s （進行面板GMM估計，其中2s指的是2-step GMM）

⑵ 用STATA可以怎樣把面板數據中不平衡的部分找出來並且刪掉

這個問題我已答了幾次了，呵呵，看來這個命令還很有用啊。
h xtbalance
打開的頁面中點第一個網址鏈接，然後安裝。
命令格式：
xtbalance, range(numlist) [ miss(varlist) ]
選項：
range(numlist) specifies sample range to be transfored. numlist must be two integers and specified in ascending order.
miss(varlist) forces to drop the observations if any one of the variable in varlist has missing value

⑶ stata 面板數據問題

你可以分別報告這兩個模型的結果，fe模型中drop掉mmy variable是正常的，就是被自動omit了，你可以理解為這個varaible也是個固定效應就行了。

⑷ 如何在stata中處理面板數據

短面板處理
面板數據是指既有截面數據又有時間序列的數據，因此其存在截面數據沒有的優勢，在用stata進行面板數據的估計時，一般選擇xtreg命令進行擬合。本節主要論述短面板的stata實現，即時間維度T相對於截面數n較小的數據。在那種情況下，由於T較小，每個個體的信息較少，故無從討論擾動項是否存在自相關，我們一般假設其獨立同分布。
面板數據維度的確定

在面板數據進行模型估計前，要進行面板數據的維度確定。由於面板數據既有截面數據又有時間序列，而stata不能自動識別，因此，必須使得stata得知哪一部分是截面數據，而哪一部分是時間序列。
設置面板數據維度的基本命令為：
xtset panelvar timvar [, tsoptions]
其中panelvar代表截面數據變數，timvar代表時間序列變數。
選取某一面板數據進行維度設定：
xtset fcode year

⑸ 關於用stata做面板數據分析。

時間很短啊
面板數據分析放在一起做比較好
用xtset一下

⑹ stata裡面什麼命令可以對面板數據按時間求均值

直接sum加上if條件命令就可以。比如，sum 變數名 if year==2015. sum命令出來的就是均值，最大最小值標准差。

⑺ 怎麼用stata 做面板數據的一階差分

如果是連貫的時間序列
tsset date
gen d_price = d.price // 一階差分

如果不連貫
gen date_c = _n
tsset date_c
gen d_price = d.price

⑻ 如何stata對面板數據中的某一年的數據進行描述性分析

選擇某個年的數據，用if語句也可以

⑼ 求助STATA面板數據模型分析的詳細步驟和命令

面板數據回歸模型基本操作流程 1單位根檢驗，用unitroot命令 2豪斯曼檢驗，用hausman命令 3回歸操作，用xtreg命令

⑽ stata怎麼做面板數據

兩個變數為啥要聯立方程。。。。用STATA處理面板數據，首先要聲明數據是面板數據，命令是xtreg x1 x2變數x1就是觀測值的單位，就是一般模型里的i，變數x2是觀測值的時間，就是一般模型里的t。比如有1980-1985年5年省級面板數據，province變數表示省，year變數表示年，就應該：xtreg province year記住把i放在t前面就是了。然後怎麼處理這些數據就看你具體用什麼模型了，有xtreg, xtgls, xtivreg等等。