stata面板数据gmm回归_面板数据基本分析stata语令

1.全样本基本面分析

reg csr X1 lnsize bcash roa lev les tobinq age i.Ind i.year 
est store m1
reg csr X2 lnsize bcash roa lev les tobinq age i.Ind i.year
est store m2
esttab m1 m2 m3 m4 using esttab1.rtf, replace

2.虚拟变量分组对比分析

reg  csr X1 lnsize bcash roa lev tobinq age i.Ind i.year if zy==1
est store m1
reg  csr X1 lnsize bcash roa lev tobinq age i.Ind i.year if zy==0
est store m2
reg  csr X2 lnsize bcash roa lev tobinq age i.Ind i.year if zy==1
est store m3
reg  csr X2 lnsize bcash roa lev tobinq age i.Ind i.year if zy==0
est store m4
esttab m1 m2 m3,se scalars(N r2 F p) mtitles title(“图1”),using esttab1.rtf,replace

3.固定效应还是随机效应

个体效应的两种形态：固定效应&随机效应
step1.分别检验固定效应&随机效应 是否优于混合回归
step2.固定效应&随机效应 通过hausman检验选择
命令：
xtreg  csr X1 lnsize bcash roa lev les tobinq age i.Ind i.year , fe
estimates store FE
xtreg  csr X1 lnsize bcash roa lev les tobinq age i.Ind i.year , re
estimates store RE
hausman FE RE,constant sigmamore

结果

FE 中p值越小越说明 FE回归优于混合回归；
RE 中p值越小越说明 RE回归优于混合回归；
HAUSMAN 检验中 Prob>chi2 越小越说明 FE优于RE；

固定效应的缺陷

它只能反映随时间而变的变量信息，不随时间而变的变量（如你现在模型中的Industry）
会自动被omitted（遗漏）掉的。而如果加入时间的虚拟变量，固定效应模型就变为双向固定效应模型了

堆积：

你先xtreg, fe，结果底下有个F test that all u_i=0，
这个检验如果不通过，即p值很小，那么混合回归reg就不能用。

接下来，就是fe和re的选择了
对于宽而短（N远大于T）的样本，随机效应模型和固定效应模型的估计结果可能相差很大。
究竟哪一个更好些，不好一概而论，因为各有优缺点。至于在实际应用中具体采用哪一种，
需要通过一定的准则进行判断。
1.根据数据类型判断：宏观数据一般用固定效应（因为大量偶然性波动通过数据汇总抵消了）；
微观数据一般用随机效应；
2.根据个体数目判断：如果个体是的全部总体单位，目的在于描述总体（如用全国各省份数据），
一般用固定效应；如果个体是随机抽取的一部分总体单位，目的在于推算总体（如家计调查数据），
一般用随机效应；
3.根据模型参数估计量性质判断：最常用的是Hausman 检验

encode firmcode,gen(firm)
xtset firm year
drop csr firmcode
rename csr1 csr
gen shortr=shortloan/size

强制转换类型
 destring gov2 ,replace force
destring var1,gen(var2)

esttab m1 m2 ,se scalars(N r2 F) mtitles title(“图1”),using esttab1.rtf,replace

1. 常见问题

Qestion: 
reg命令：reg,robust 和 reg,cluster(clustvar) 能得到结果不同的Robust-SE（标准误），
我的理解是前者主要应对异方差，后者主要应对的是自相关？

xtreg命令：,vce(robust) 和,vce(cluster clustvar) 得到的 SE 完全相同？
为什么呢？而且你建议，应对异方差时用前者，应对截面相关时用后者。
这是否意味着，这两个等价的选项能同时应对异方差和截面相关呢？

Answer: 
reg, robust 只在考虑有异方差时调整标准误，采用的是 White (1980) 的三明治估计量；
xtset id year后xtreg, robust被设定与xtreg, vce(cluster id) 等价（Stata11后）；
若xtreg, vce(cluster industry) 则不相同；（xt便表明系统了解了）

xtreg, vce(cluster industry) 与 reg, vce(cluster industry) 的解释相同：
假设干扰项在不同的行业之间彼此独立，但在同一个行业内部的不同的公司之间存在相关性。
case1：reg, vce(cluster year) 则相当于假设不同年度之间的干扰项彼此独立，
但同一个年度上的所有公司之间的干扰项彼此相关。
case2：reg, vce(cluster id) 相当于假设不同公司的干扰项彼此独立，
但同一家公司不同年度上的干扰项彼此相关。

因此，设定 vce(cluster var) 并不一定意味着序列相关，关键在于 var 是什么变量。

自相关

自相关（autocorrelation）/序列相关（serial-correlation）
分类：时间自相关（某变量临近年份相关，多发于时间序列）；
             （移动平均等运用前后年信息人为调整数据，统计局数据可能调整过）
      空间自相关（临近变量相关，多发于截面数据）；
      扰动项自相关，如遗漏某自相关变量，含在扰动项中便有此；