Stata:聚类调整标准误

Stata 命令

  • White (1980) 异方差稳健型标准误
*-截面数据
reg y x, robust  
*-面板数据 加入反应个体效应的虚拟变量
areg y x, absorb(id) robust
  • 一维聚类调整异方差-序列相关稳健型标准误 (HAC)
*-双向固定效应模型
xtset id year
xtreg y x i.year, fe robust
xtreg y x i.year, fe vce(cluster id)  //与上一条命令等价
  • 二维聚类 SE
help vce2way	 // Cameron et al. (2011), 可以估计二维SE, 支持 xtreg
webuse "nlswork.dta", clear
vce2way regress ln_wage age grade, cluster(idcode year)

如果你声明了是面板数据,而且用xtreg命令,后面加r就得到了聚类稳健标准误,就是考虑了异方差和自相关问题 

  • 3
    点赞
  • 43
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Stata中,聚类稳健标准误(cluster-robust standard errors)是一种用于处理异方差和自相关的标准误估计方法。聚类稳健标准误的计算方式是根据聚类变量对观察单位进行分组,然后在每个组内计算标准误。这种方法能够更准确地估计参数的标准误,尤其是在存在自相关或异方差的情况下。 与普通稳健标准误相比,聚类稳健标准误的估计结果更加可靠,因为它能够纠正因同一州不同时期之间的扰动项自相关而导致的偏差问题。普通稳健标准误在处理自相关问题时默认扰动项是独立同分布的,这可能会导致估计结果的不准确。 在一些实证研究中,使用聚类稳健标准误能够更好地控制异方差和自相关的问题,从而提供更可靠的统计推断。聚类稳健标准误的计算方式可以通过Stata的cluster选项来实现。 需要注意的是,聚类稳健标准误并不是适用于所有情况的最佳选择。在某些情况下,可能需要考虑其他的标准误估计方法,如混合回归或LSDV方法。这些方法能够更好地解决特定的数据结构和假设条件下的标准误估计问题。 因此,在选择标准误估计方法时,需要根据具体的研究问题和数据特征进行综合考虑。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [(10)stata的基本使用--短面板数据处理](https://blog.csdn.net/qq_42830971/article/details/109330489)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值