Stata因子变量：虚拟变量-交乘项批量处理

原文链接：https://www.lianxh.cn/news/8359a0353aa1d.html

作者：连玉君 | 杨柳

Email： arlionn@163.com | philoyl@163.com

 

注：该文已发表: 连玉君, 杨柳.《郑州航空工业管理学院学报》, 2018, 36(2): 90-103. 【 -点击下载-】 || 本文PDF版本2

目录

• 1. 问题背景
• 2. 什么是因子变量
• 3. 常用回归模型的因子变量表述
  • 3.1 范例 1：邹氏检验
  • 3.2 范例 2：双向固定效应模型
  • 3.3 范例 3：DID 模型
  • 3.4 范例 4：超越对数生产函数
• 4. 边际效应分析和图形化呈现
• 5. 输出回归结果时的问题与解决办法
• 6. 小结
• 参考文献

---

 

事倍功半 vs. 事半功倍

当需要控制公司个体效应、面对成千上万家公司的数据资料时，你会如何处理？或许你会首先想到对每家公司生成虚拟变量，但是这种做法的 工作量实在是太大了！ 那么，有没有 事半功倍 的方法呢？下面，小编就带你学习 Stata 软件中 因子变量 的使用方法。

 

1. 问题背景

实证分析中，我们经常需要在模型中加入反映类别的 虚拟变量，以便控制不可观测的 组间差异。而在另一些分析中，为了刻画 调节效应，尚需在模型中加入变量的 交乘项 或 平方项。传统的做法是，预先生成虚拟变量或交乘项，进而将它们加入模型。然而，当虚拟变量或交乘项的数目较多时，上述方法就显得尤为不便，不但浪费计算机内存，也会严重降低我们的工作效率。

在 Stata 中，我们可以使用 因子变量 (Factor Variable) 简化操作步骤、快捷地在回归模型中加入虚拟变量、交乘项、平方项或高次项。值得注意的是，由于引入交乘项或平方项后，解释变量对被解释变量的边际影响不再是常数，而是某个变量（调节变量）的函数，在有些模型设定下，这种关系可能是非线性的。此时，若使用 因子变量 ，并配合 Stata 中的 margins 和 marginsplot 命令，可以非常便捷、直观地分析关键变量的 边际效应 并进行图形化展示。

原文链接：https://www.lianxh.cn/news/8359a0353aa1d.html