柚子快報(bào)激活碼778899分享：STATA長面板數(shù)據(jù)分析

http://yzkb.51969.com/

提示：文章寫完后，目錄可以自動生成，如何生成可參考右邊的幫助文檔

文章目錄

一、面板數(shù)據(jù)基本概念二、STATA長面板數(shù)據(jù)分析步驟1.數(shù)據(jù)導(dǎo)入與處理2.描述性統(tǒng)計(jì)3.單位根檢驗(yàn)4.協(xié)整檢驗(yàn)5.模型的篩選6.模型的檢驗(yàn)7.模型的估計(jì)

一、面板數(shù)據(jù)基本概念

面板數(shù)據(jù)，即Panel Data，也叫“平行數(shù)據(jù)”，是指在時(shí)間序列上取多個(gè)截面，在這些截面上同時(shí)選取樣本觀測值所構(gòu)成的樣本數(shù)據(jù)?；蛘哒f他是一個(gè)m*n的數(shù)據(jù)矩陣，記載的是n個(gè)時(shí)間節(jié)點(diǎn)上，m個(gè)對象的某一數(shù)據(jù)指標(biāo)。

例如：我國31個(gè)省份1998-2020年的GDP就是一個(gè)面板數(shù)據(jù)。

面板數(shù)據(jù)分類： 短面板和長面板（截面數(shù)大于時(shí)間數(shù)則為短面板，反之，則為長面板）

動態(tài)面板和靜態(tài)面板（解釋變量包含被解釋變量的滯后值則為動態(tài)面板，反之，則為靜態(tài)面板）

平衡面板和非平衡面板（每個(gè)個(gè)體在每個(gè)時(shí)間上都有觀測值則為平衡面板，反之，則為非平衡面板）

二、STATA長面板數(shù)據(jù)分析步驟

1.數(shù)據(jù)導(dǎo)入與處理

面板數(shù)據(jù)可以在excel里整理好，直接粘貼到Stata

以北京上海和廣州3個(gè)城市2010至2016年的商品房均價(jià)，人口和地區(qū)生成總值為例，在excel里將數(shù)據(jù)整理為下圖所示形式：

在stata命令窗口輸入edit則可以打開數(shù)據(jù)編輯窗口，將excel的數(shù)據(jù)連同表頭直接粘貼到這個(gè)窗口，則會有如下提示：

選擇變量名則可以直接將第一行作為變量名稱，可以發(fā)現(xiàn)，在變量窗口有五個(gè)變量被導(dǎo)入了進(jìn)去

由于城市變量是字符數(shù)據(jù)，因此在處理之前需要采用encode命令將其改為數(shù)值型數(shù)據(jù)

具體命令為：encode 城市，gen(city)

這個(gè)命令中 encode為命令的名字，其作用是將字符數(shù)據(jù)轉(zhuǎn)換為數(shù)值型。而gen為生成的意思，實(shí)際上是生成一個(gè)新變量。如果你的城市是以數(shù)值如1，2，3，4來命名的，則可以省略這一步

緊接著，可以用xtset來聲明面板模型的截面和時(shí)間

在stata里，x代表個(gè)體或截面（在計(jì)量中和paper里，個(gè)體一般用n或i來表示，面板的模型的公式角標(biāo)一般是it或者nt），t代表時(shí)間，set便是設(shè)置的意思。在stata里，一般與面板相關(guān)的命令都會以xt開頭

輸入xtset city 年份

則會發(fā)現(xiàn)，stata提示我們的panel變量，也就是個(gè)體為city，而時(shí)間跨度為2010至2016，如果每個(gè)城市每個(gè)年份均有數(shù)據(jù)，則為strongly balanced，即平衡面板，如果缺失數(shù)據(jù)，則為非平衡面板

此處引用https://zhuanlan.zhihu.com/p/264904364

2.描述性統(tǒng)計(jì)

命令為：sum + 變量名 例如變量beertax，可以得到均值，最小值，最大值等信息

繪制核心解釋變量和被解釋變量的散點(diǎn)圖并畫出回歸直線 命令為：twoway (scatter 被解釋變量 核心變量)(lfit 被解釋變量 核心變量) 例如被解釋變量fatal 核心解釋變量beertax

畫出被解釋變量的時(shí)間序列圖 命令為：xtline 被解釋變量 例如被解釋變量fatal

3.單位根檢驗(yàn)

長面板數(shù)據(jù)的單位根檢驗(yàn)方法為： LLC檢驗(yàn)、Breitung檢驗(yàn)、IPS檢驗(yàn)、Fisher式檢驗(yàn)、HadriLM檢驗(yàn)。（這里要注意，除了Hadri LM檢驗(yàn)中，所提出的假設(shè)認(rèn)為原假設(shè)H0是平穩(wěn)數(shù)據(jù)，備擇假設(shè)H1是非平穩(wěn)數(shù)據(jù)以外，其他的單位根檢驗(yàn)過程認(rèn)為原假設(shè)是非平穩(wěn)，備擇假設(shè)是平穩(wěn)。）

盡管上述面板單位根檢驗(yàn)方法，除Breitung檢驗(yàn)外，其余檢驗(yàn)方法在理論推導(dǎo)上，并未考慮同期截面相關(guān)的情形， 但在Stata操作中，可以通過加入demean選項(xiàng)，緩解截面相關(guān)對單位根檢驗(yàn)功效的影響。

檢驗(yàn)原則：從一般到特殊開始，依次檢驗(yàn)。 ① 從最復(fù)雜的帶截距項(xiàng)和時(shí)間趨勢情形，開始檢驗(yàn) ② 檢驗(yàn)帶截距項(xiàng)情形 ③ 檢驗(yàn)不帶截距項(xiàng)、時(shí)間趨勢項(xiàng)情形（注：有的檢驗(yàn)方法沒有此類情形，故無需考慮。） ④ 結(jié)合圖形綜合判斷是哪種情形。

LLC檢驗(yàn)命令為： ? xtunitroot llc lnq, trend demean lags(bic 12) （對lnq進(jìn)行面板單位根LLC檢驗(yàn)，demean是為了減輕截面相關(guān)對檢驗(yàn)的影響，lag(bic12)應(yīng)用BIC準(zhǔn)則選取最優(yōu)滯后階數(shù)，不同個(gè)體可以有不同的滯后階數(shù)，aic、hqic12表示選個(gè)較大的滯后階數(shù)，含個(gè)體固定效應(yīng)和線性時(shí)間趨勢項(xiàng)）

? xtunitroot llc lnq, demean lags(bic 12) （僅含個(gè)體固定效應(yīng)項(xiàng)）

? xtunitroot llc lnq, noconstant demean lags(bic 12) （none的情形）

? xtline lnq, overlay （畫圖）

其他檢驗(yàn)方法類似，先考慮即有趨勢項(xiàng)又有截距項(xiàng)，以此類推下來。

例如D_PGDP的LLC檢驗(yàn) p值=0.0007，顯著拒絕原假設(shè)，說明不存在單位根。

差分：如果用單位根檢驗(yàn)出來是非平穩(wěn)的，則需要進(jìn)行差分。 命令為：gen 新變量名=d.原變量名 例如：gen D_lnpgdp=d.lnpgdp

差分后再次進(jìn)行LLC檢驗(yàn)，判斷結(jié)果是否平穩(wěn)

確認(rèn)變量的單整階數(shù)：若水平變量Xit，是平穩(wěn)的，則Xit是I(0)，0階単整。若Xit非平穩(wěn)，一階差分后是平穩(wěn)的，則Xit是I(1)，1階単整。若Xit非平穩(wěn)，一階差分后仍非平穩(wěn)的，二階差分后才平穩(wěn)， 則Xit是I(2)，2階単整。 以此類推

4.協(xié)整檢驗(yàn)

面板單位根檢驗(yàn)的結(jié)果有兩種：面板數(shù)據(jù)平穩(wěn)和(部分)面板數(shù)據(jù)不平穩(wěn)。如果各變量都是平穩(wěn)的，那么可以直接進(jìn)行之后的程序，但是如果全部或部分變量不平穩(wěn)，這個(gè)時(shí)候我們就需要進(jìn)行面板協(xié)整分析，來考察變量間是否存在長期均衡關(guān)系。如果通過了協(xié)整檢驗(yàn)，說明變量之間存在著長期穩(wěn)定的均衡關(guān)系，其方程回歸殘差是平穩(wěn)的，因此可以在此基礎(chǔ)上直接對原方程進(jìn)行回歸，此時(shí)的回歸結(jié)果是較精確的。

對于有單位根的變量，傳統(tǒng)的處理方法是進(jìn)行一階差分而得到平穩(wěn)序列。 但一階差分后變量的經(jīng)濟(jì)含義與原序列并不相同，而有時(shí)我們?nèi)匀幌Ｍ褂迷蛄羞M(jìn)行回歸。 如果多個(gè)單位根變量之間由于某種經(jīng)濟(jì)力量而存在“長期均衡關(guān)系”，則有可能使用原序列進(jìn)行回歸。

協(xié)整的前提是同階單整。但也有如下的寬限說法：如果變量個(gè)數(shù)多于兩個(gè)，即解釋變量個(gè)數(shù)多于一個(gè)，被解釋變量的單整階數(shù)不能高于任何一個(gè)解釋變量的單整階數(shù)。另當(dāng)解釋變量的單整階數(shù)高于被解釋變量的單整階數(shù)時(shí)，則必須至少有兩個(gè)解釋變量的單整階數(shù)高于被解釋變量的單整階數(shù)。如果只含有兩個(gè)解釋變量，則兩個(gè)變量的單整階數(shù)應(yīng)該相同。 也就是說，單整階數(shù)不同的兩個(gè)或以上的非平穩(wěn)序列如果一起進(jìn)行協(xié)整檢驗(yàn)，必然有某些低階單整的，即波動相對高階序列的波動甚微弱（有可能波動幅度也不同）的序列，對協(xié)整結(jié)果的影響不大，因此包不包含的重要性不大。而相對處于最高階序列，由于其波動較大，對回歸殘差的平穩(wěn)性帶來極大的影響，所以如果協(xié)整是包含有某些高階單整序列的話（但如果所有變量都是階數(shù)相同的高階，此時(shí)也被稱作同階單整，這樣的話另當(dāng)別論），一定不能將其納入?yún)f(xié)整檢驗(yàn)。

面板數(shù)據(jù)協(xié)整檢驗(yàn)主要有三種方法：Kao 檢驗(yàn)、 Pedroni 檢驗(yàn)、Westerlund 檢驗(yàn)。其使用情景如下： 1、Kao 檢驗(yàn) 命令為：xtcointtest kao y x1 x2 x3, demean

上表匯報(bào)了 5 種不同的檢驗(yàn)統(tǒng)計(jì)量，我們主要關(guān)注前三種：MDF、DF、ADF，其對應(yīng)的 p 值均小于 0.05，故可在 5% 水平上拒絕 “不存在協(xié)整關(guān)系” 的原假設(shè)，認(rèn)為存在協(xié)整關(guān)系。

2、 Pedroni 檢驗(yàn)（推薦） 命令為：xtcointtest pedroni y x1 x2 x3, trend demean ar(panels) xtcointtest pedroni y x1 x2 x3, demean ar(panels) xtcointtest pedroni y x1 x2 x3, noconstant demean ar(panels)

（三個(gè)方程：含個(gè)體固定效應(yīng)項(xiàng)和時(shí)間趨勢項(xiàng)、僅含個(gè)體固定效應(yīng)項(xiàng)和兩者均不含的檢驗(yàn)。ar(panels)意為該檢驗(yàn)在異質(zhì)面板數(shù)據(jù)的情況下進(jìn)行；ar(same)意為該檢驗(yàn)在同質(zhì)面板數(shù)據(jù)的情況下進(jìn)行）

上表所匯報(bào)的三種檢驗(yàn)統(tǒng)計(jì)量，其對應(yīng)的 p 值均為 0.0000，故依然強(qiáng)烈拒絕 “不存在協(xié)整關(guān)系” 的原假設(shè)。

此處引用https://zhuanlan.zhihu.com/p/165062834 https://zhuanlan.zhihu.com/p/508813246

5.模型的篩選

1.檢驗(yàn)個(gè)體效應(yīng)（混合效應(yīng)還是固定效應(yīng)）（原假設(shè)：使用OLS混合模型）

命令為：xtreg y x1 x2 x3,fe

例如：xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe 對于固定效應(yīng)模型而言，回歸結(jié)果中最后一行匯報(bào)的F統(tǒng)計(jì)量便在于檢驗(yàn)所有的個(gè)體效應(yīng)整體上顯著。在我們這個(gè)例子中發(fā)現(xiàn)F統(tǒng)計(jì)量的概率為0.0000，檢驗(yàn)結(jié)果表明固定效應(yīng)模型優(yōu)于混合OLS模型。

2、檢驗(yàn)時(shí)間效應(yīng)（混合效應(yīng)還是隨機(jī)效應(yīng)）（檢驗(yàn)方法：LM統(tǒng)計(jì)量） （原假設(shè)：使用OLS混合模型）

命令為：qui xtreg y x1 x2 x3,re (加上“qui”之后第一幅圖將不會呈現(xiàn)) xttest0

例如：qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re xttest0 可以看出，LM檢驗(yàn)得到的P值為0.0000，表明隨機(jī)效應(yīng)非常顯著?？梢姡S機(jī)效應(yīng)模型也優(yōu)于混合OLS模型。

3、檢驗(yàn)固定效應(yīng)模型or隨機(jī)效應(yīng)模型 （檢驗(yàn)方法：Hausman檢驗(yàn)）（原假設(shè)：使用隨機(jī)效應(yīng)模型（個(gè)體效應(yīng)與解釋變量無關(guān)））

通過上面分析，可以發(fā)現(xiàn)當(dāng)模型加入了個(gè)體效應(yīng)的時(shí)候，將顯著優(yōu)于截距項(xiàng)為常數(shù)假設(shè)條件下的混合OLS模型。但是無法明確區(qū)分FE or RE的優(yōu)劣，這需要進(jìn)行接下來的檢驗(yàn)，如下：

Step1：估計(jì)固定效應(yīng)模型，存儲估計(jì)結(jié)果 Step2：估計(jì)隨機(jī)效應(yīng)模型，存儲估計(jì)結(jié)果 Step3：進(jìn)行Hausman檢驗(yàn)

命令為：xtreg y x1 x2 x3,re est store re xtreg y x1 x2 x3,fe est store fe hausman fe re

例如：xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re

est store re

xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe

est store fe

hausman fe re

可以看出，hausman檢驗(yàn)的P值為0.0139，拒絕了原假設(shè)，認(rèn)為隨機(jī)效應(yīng)模型的基本假設(shè)得不到滿足。此時(shí)，需要采用工具變量法或者使用固定效應(yīng)模型。

6.模型的檢驗(yàn)

1.序列相關(guān)檢驗(yàn) 對于T較大的面板而言，往往無法完全反映時(shí)序相關(guān)性，此時(shí)便可能存在序列相關(guān)，在多數(shù)情況下被設(shè)定為AR(1)過程。

原假設(shè)：序列不存在相關(guān)性。

（1） FE模型的序列相關(guān)檢驗(yàn)

對于固定效應(yīng)模型，可以采用Wooldridge檢驗(yàn)法，命令為：xtserial y x1 x2 x3

例如：xtserial lngdp lnfdi lnie lnex lnim lnci lngp

（2） RE模型的序列相關(guān)檢驗(yàn)

對于RE模型，可以采用xttest1命令來執(zhí)行檢驗(yàn)：

qui xtreg lngdp lnfdi lnie lnex lnim lnci lngpdumt*,re

xttest1 這里匯報(bào)了4個(gè)統(tǒng)計(jì)量，分別用于檢驗(yàn)RE模型中隨機(jī)效應(yīng)（單尾和雙尾）、序列相關(guān)以及二者的聯(lián)合顯著性，檢驗(yàn)結(jié)果表明存在隨機(jī)效應(yīng)和序列相關(guān)，而且對隨機(jī)效應(yīng)和序列相關(guān)的聯(lián)合檢驗(yàn)也非常顯著。

2.截面相關(guān)檢驗(yàn)

原假設(shè)：截面之間不存在著相關(guān)性

（1）FE模型檢驗(yàn)

對于FE模型，可以利用xttest2命令來檢驗(yàn)截面相關(guān)性：

qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp,fe xttest2 (該命令主要針對的是大T小N類型的面板數(shù)據(jù)，在本例中無法使用，故圖標(biāo)略去。)

（2）RE模型檢驗(yàn)

對于RE模型，可以利用xtcsd命令來檢驗(yàn)截面相關(guān)性：

qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp,re xtcsd,pesaran (下面命令是另一個(gè)檢驗(yàn)指標(biāo)) xtcsd,frees 可以看出，兩種不同的檢驗(yàn)方法均顯示面板數(shù)據(jù)存在著截面相關(guān)性。

3.異方差檢驗(yàn) （組間異方差）

原假設(shè)：同方差，檢驗(yàn)?zāi)Ｐ椭惺欠翊嬖诮M間異方差,需要使用xttest3命令。

qui xtreg lngdp lnfdi lnie lnex lnim lnci lngp ,fe

xttest3

顯然，原假設(shè)被拒絕，存在異方差。

此處引用https://www.sohu.com/a/394518462_698752

7.模型的估計(jì)

長面板數(shù)據(jù)模型的估計(jì)方法： 第一種：使用OLS估計(jì)這個(gè)特殊的雙向固定效應(yīng)模型，并對誤差項(xiàng)的自相關(guān)、異方差和截面相關(guān)的問題只提供面板校正的標(biāo)準(zhǔn)誤（使用命令xtscc或xtpcse命令實(shí)現(xiàn)），這種估計(jì)方法最為穩(wěn)健。 第二種：如果存在自相關(guān)、異方差和截面相關(guān)的問題，則使用FGLS估計(jì)這個(gè)特殊的雙向固定效應(yīng)模型，這種方法只是解決了誤差項(xiàng)自相關(guān)的問題，而并未考慮異方差或截面相關(guān)的問題，對于誤差項(xiàng)的異方差和截面相關(guān)的問題仍然只是提供面板校正的標(biāo)準(zhǔn)誤（使用命令xtpcse實(shí)現(xiàn)），這種估計(jì)方法介于穩(wěn)健和效率之間。 第三種：使用FGLS估計(jì)這個(gè)特殊的雙向固定效應(yīng)模型，對誤差項(xiàng)的自相關(guān)、異方差和截面相關(guān)的問題一并加以處理（使用命令xtgls實(shí)現(xiàn)），這種估計(jì)方法最有效率。

1.xtpcse xtpcse depvar indepvars,options A. 自相關(guān)的設(shè)定（一階自相關(guān)） a.corr(ar1)，使用的估計(jì)方法為FGLS【誤差項(xiàng)存在自相關(guān)時(shí)使用該選項(xiàng)；當(dāng)T不比n大很多時(shí)使用該選項(xiàng)，因?yàn)榇藭r(shí)T可能無法提供足夠多的信息去估計(jì)每個(gè)個(gè)體的自相關(guān)系數(shù)，所以約束了每個(gè)個(gè)體的自相關(guān)系數(shù)都相等】 b.corr(psar1) ，使用的估計(jì)方法為FGLS【誤差項(xiàng)存在自相關(guān)時(shí)使用該選項(xiàng)；當(dāng)T比n大很多時(shí)使用該選擇項(xiàng)，當(dāng)T比n大很多時(shí)每個(gè)個(gè)體的自相關(guān)系數(shù)可以不同，就可以使用選項(xiàng)】 c.corr(independent)或corr(ind)，使用的估計(jì)方法為OLS【誤差項(xiàng)不存在自相關(guān)】

B.異方差與截面的設(shè)定 a.independent【誤差項(xiàng)不存在異方差和截面相關(guān)問題，使用該選項(xiàng)】 b.hetonly（提供考慮異方差的面板校正標(biāo)準(zhǔn)誤）【誤差項(xiàng)存在異方差但不存在截面相關(guān)問題，則使用該選項(xiàng)】 c.不加選項(xiàng)即可（提供既考慮異方差又考慮截面相關(guān)的面板校正標(biāo)準(zhǔn)誤）【誤差項(xiàng)存在異方差和截面相關(guān)問題時(shí)，不加任何選項(xiàng)】 選項(xiàng)：corr(ind)+independent等價(jià)于LSDV

2.xtgls xtgls depvar indepvars,options A.對異方差和截面相關(guān)的設(shè)定

a.panels(iid)【誤差項(xiàng)不存在異方差和截面相關(guān)】 b.panles(heteroskedastic)【誤差項(xiàng)存在異方差+截面不相關(guān)】 c.panels(correlated)只適用于長面板數(shù)據(jù)【誤差項(xiàng)存在異方差+截面相關(guān)】 選項(xiàng)：corr(ind)+panels(iid)等價(jià)于LSDV

B.自相關(guān)的設(shè)定 a.corr(ar1)，使用的估計(jì)方法為FGLS #誤差項(xiàng)存在自相關(guān)時(shí)使用該選項(xiàng)；當(dāng)T不比n大很多時(shí)使用該選項(xiàng)，因?yàn)榇藭r(shí)T可能無法提供足夠多的信息去估計(jì)每個(gè)個(gè)體的自相關(guān)系數(shù)，所以約束了每個(gè)個(gè)體的自相關(guān)系數(shù)都相等 b.corr(psar1)，使用的估計(jì)方法為FGLS。 #誤差項(xiàng)存在自相關(guān)時(shí)使用該選項(xiàng)；當(dāng)T比n大很多時(shí)使用該選擇項(xiàng)，當(dāng)T比n大很多時(shí)每個(gè)個(gè)體的自相關(guān)系數(shù)可以不同，就可以使用選項(xiàng) c.corr(independent)或corr(ind)，使用的估計(jì)方法為OLS。 #誤差項(xiàng)不存在自相關(guān)時(shí)，使用該選項(xiàng)

3.xtscc xtscc depvar indepvars,options

此處引用https://blog.csdn.net/weixin_42927719/article/details/107550326

柚子快報(bào)激活碼778899分享：STATA長面板數(shù)據(jù)分析

http://yzkb.51969.com/

文章來源