mfsdmlove的博客

本文研究陈强《计量经济学及Stata应用》12.13案例的python及stata实现。lin_1992dta数据集链接：链接：https://pan.baidu.com/s/10WAjBbZgL4NzZV69JbgbZw 提取码：d0dx。

DID仅适用于面板数据，DID仅适用于面板数据，DID仅适用于面板数据。DID的本质就是面板数据固定效应估计。

如果被解释变量时离散的，而非连续的，称为“离散选择模型”。的系数为例，其解读方式为：当其它变量保持不变时，申请者的Age年龄每增加一岁，其购买汽车的对数几率增加0.2370（绝对数），对数几率并不易直观理解。的OR为例，其解读方式为：当其它变量保持不变时，申请者的Age年龄每增加一岁，其购买汽车的几率变为原来的1.267倍，即几率增加了26.7%。则男性会游泳的概率为100/300，Odds为100/200，男性会游泳的概率为100/400，Odds为100/300，

例2】伍德里奇《计量经济学导论：现代方法》的“第13章 跨时横截面的混合：简单面板数据处理方法”的“13.3 两时期面板数据分析”的案例，利用CRIME2数据，研究犯罪率与失业率的关系。【例1】伍德里奇《计量经济学导论：现代方法》的“第13章 跨时横截面的混合：简单面板数据处理方法”的例13.5，利用SLP75_87数据，研究睡眠与工作之间的替代关系。处理面板数据时需特别注意面板数据的编排方式，不同的编排方式有不同的处理方法。处理面板数据时需特别注意面板数据的编排方式，不同的编排方式有不同的处理方法。...

我们以伍德里奇《计量经济学导论：现代方法》的“第4章 多元回归分析：推断”的案例4.1为例，利用WAGE1中526个工人的观测数据，研究其工资和受教育程度、工作经验和任职时长的关系。

在本文，我们学习变量的显著性检验（t检验）。对于多元线性回归模型，方程的总体线性关系是显著的，并不能说明每个解释变量对被解释变量的影响是显著的，因此，必须对每个解释变量进行显著性检验，以决定是否作为解释变量被保留在模型中。如果某个变量对被解释变量的影响并不显著，应该将其剔除，以建立更简单的模型。变量显著性检验应用最为普遍的是t检验。...

在本文中，我们以伍德里奇《计量经济学导论现代方法》的”第14章高级面板数据方法“的例14.4为例，使用wagepan中的数据来进行混合估计模型、随机效应模型、固定效应模型估计。

在本文，我将使用Grunfeld数据集（可在statsmodels.datasets中获得）来演示固定效应模型的使用。

独立混合横截面数据在不同时点，从一个大总体里进行随机抽样。

我们以伍德里奇《计量经济学导论现代方法》的”第16章联立方程模型“的案例16.3为例，使用美国女性教育回报数据MORZ，学习联立方程模型的Python实现。

我们以伍德里奇《计量经济学导论现代方法》的”第15章工具变量估计与两阶段最小二二乘法“的案例15.5为例，使用美国女性教育回报数据MORZ，学习工具变量法的Python实现。

我们以伍德里奇《计量经济学导论现代方法》的”第14章高级面板数据方法“的案例14.1为例，使用jtrain中的数据来进行固定效应估计。

多元线性回归模型的基本假设之一就是模型的随机干扰项相互独立或不相关。如果模型的随机感染项违背了相互独立的基本假设，则称为存在序列相关性（自相关性）。我们以伍德里奇《计量经济学导论：现代方法》的”第12章 时间序列回归中序列相关和异方差性“的案例12.4为例，使用BARIUM中的数据来进行序列相关性的检验。import wooldridge as wooimport pandas as pdimport numpy as npimport statsmodels.api as smimport s

通过上篇内容，我们通过画残差图、BP检验、怀特检验、GQ检验等方法，发现模型存在异方差性。本篇文章主要介绍如何对异方差进行处理。一、使用“OLS+稳健标准误”如果存在异方差，一种处理方法是，仍然进行OLS回归，但使用在异方差情况下也成立的稳健标准误。标准误在统计推断中发挥着至关重要的作用，直接影响着系数的显著性和置信区间，并最终影响到假设检验的结论。因此，正确地估计标准误在实证分析的过程中显得尤为重要。White标准误（异方差稳健的标准误）：HC0:White（1980）提出的异方差稳健的标准误

异方差性的检验

RESET模型设定偏误检验

Python对虚拟变量进行回归分析

statsmodels进行最小二乘回归