stata面板数据去中心化命令

⑴ 在stata中怎样对面板数据进行gmmguji

首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）
如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp
二、异方差与自相关检验
在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，
面板异方差检验：
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')
面板自相关：xtserial enc invs exp imp esc mrl
则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid
三、工具变量效果验证
工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。
需要做的检验：
检验工具变量的有效性：
（1） 检验工具变量与解释变量的相关性
如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）
（2） 检验工具变量的外生性（接受原假设好）
在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0H
Sargan统计量，Stata命令：estat overid
四、GMM过程
在Stata输入以下命令，就可以进行对面板数据的GMM估计。
. ssc install ivreg2 （安装程序ivreg2 ）
. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）
. use "traffic.dta"（打开面板数据）
. xtset panelvar timevar （设置面板变量及时间变量）
. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

⑵ 用STATA可以怎样把面板数据中不平衡的部分找出来并且删掉

这个问题我已答了几次了，呵呵，看来这个命令还很有用啊。
h xtbalance
打开的页面中点第一个网址链接，然后安装。
命令格式：
xtbalance, range(numlist) [ miss(varlist) ]
选项：
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 面板数据问题

你可以分别报告这两个模型的结果，fe模型中drop掉mmy variable是正常的，就是被自动omit了，你可以理解为这个varaible也是个固定效应就行了。

⑷ 如何在stata中处理面板数据

短面板处理
面板数据是指既有截面数据又有时间序列的数据，因此其存在截面数据没有的优势，在用stata进行面板数据的估计时，一般选择xtreg命令进行拟合。本节主要论述短面板的stata实现，即时间维度T相对于截面数n较小的数据。在那种情况下，由于T较小，每个个体的信息较少，故无从讨论扰动项是否存在自相关，我们一般假设其独立同分布。
面板数据维度的确定

在面板数据进行模型估计前，要进行面板数据的维度确定。由于面板数据既有截面数据又有时间序列，而stata不能自动识别，因此，必须使得stata得知哪一部分是截面数据，而哪一部分是时间序列。
设置面板数据维度的基本命令为：
xtset panelvar timvar [, tsoptions]
其中panelvar代表截面数据变量，timvar代表时间序列变量。
选取某一面板数据进行维度设定：
xtset fcode year

⑸ 关于用stata做面板数据分析。

时间很短啊
面板数据分析放在一起做比较好
用xtset一下

⑹ stata里面什么命令可以对面板数据按时间求均值

直接sum加上if条件命令就可以。比如，sum 变量名 if year==2015. sum命令出来的就是均值，最大最小值标准差。

⑺ 怎么用stata 做面板数据的一阶差分

如果是连贯的时间序列
tsset date
gen d_price = d.price // 一阶差分

如果不连贯
gen date_c = _n
tsset date_c
gen d_price = d.price

⑻ 如何stata对面板数据中的某一年的数据进行描述性分析

选择某个年的数据，用if语句也可以

⑼ 求助STATA面板数据模型分析的详细步骤和命令

面板数据回归模型基本操作流程 1单位根检验，用unitroot命令 2豪斯曼检验，用hausman命令 3回归操作，用xtreg命令

⑽ stata怎么做面板数据

两个变量为啥要联立方程。。。。用STATA处理面板数据，首先要声明数据是面板数据，命令是xtreg x1 x2变量x1就是观测值的单位，就是一般模型里的i，变量x2是观测值的时间，就是一般模型里的t。比如有1980-1985年5年省级面板数据，province变量表示省，year变量表示年，就应该：xtreg province year记住把i放在t前面就是了。然后怎么处理这些数据就看你具体用什么模型了，有xtreg, xtgls, xtivreg等等。