高级计量经济学及stata应用 学习笔记② 短面板

高级计量经济学及stata应用 学习笔记② 短面板
下面展示一些 内联代码片。

// A code block
var foo = 'bar';

*Seven的高级计量经济学笔记
*教材：陈强《高级计量经济学及stata应用》


*第十五章 短面板

*数据来源：traffic.dta

*第一、前置步骤，观察统计特征与时间趋势
use "E:\-------高计数据-------\traffic.dta"

xtset state year

*设置面板数据，其中xtset代表的是设置面板数据，后面跟着的两个变量有次序要求，先是个体变量再是时间变量

xtsum fatal beertax spircons unrate perinck state year

*列出该面板数据的所有统计特征 
*具体符号为xtsum（xtsummarize）
*overall代表是总体的统计特征，between是组间的统计特征，within是组间的统计特征
*在这一个面板数据的统计特征当中，有几个比较特殊的值
*州的最小值与最大值为1和56
*州的组内标准差为0，意思是一组的数据属于一格州
*年份的组间标准差为0，意思是在不同的组之间，都有共同的年份，年份的取值都是相同的

xtline fatal
*列出该面板的死亡率fatal的时间趋势图，这里的时间趋势图是以每个州为单位的 

*-------------------------------------------------------------------------------------------------*

*第二、混合回归
*记住 混合回归的前提是 假设所有个体的影响个体异质性的截距项都相同，即ui=α

regress fatal beertax spircons unrate perinck,vce(cluster state)

*仍然和前面章节的回归形式差不多，但是由于存在“组内相关，组间不相关”，所以采取的是聚类稳健标准误。 
*vce是一个选择项，意思是varience-covarience estimation（就是用什么作为协方差矩阵)
*而这里采取的是vce（cluster state），意思是使用以州作为一个聚类为标准的聚类稳健标准误

estimates store OLS
*储存OLS估计量的结果

*上面是使用聚类稳健标准误所进行的回归，下面采取普通标准误进行回归对比两次回归的异质性

regress fatal beertax spircons unrate perinck

*我们已经知道在面板数据中是有组内相关，组间不相关的情况的，但是普通标准误的估计方法默认ε是iid的，那么在面板数据中直接使用OLS会导致OLS估计量是不一致的

*-------------------------------------------------------------------------------------------------*

*第三、固定效应

*为什么要采用固定效应模型？因为这里包含了48个州
*每个州的情况不一样，可能有些变量随着个体而变，不随时间而变的变量，因此先采取使用固定效应模型。

*固定效应模型的组内估计量
xtreg fatal beertax spircons unrate perinck,fe vce(cluster state)
*组内估计量要采用聚类稳健标准误

estimates store FE_robust
*储存组间估计量的结果

*在计算组内估计量时，常数项0.383783是个体效应的均值，也就是uibar
*rho是ui的方差/混合扰动项的fanghca，这里rho=0.98071823很大 ，说明混合扰动项的波动很大程度上来自个体效应ui

*-------------------------------------------------------------------------------------------------*

*第四、混合回归还是固定效应模型？

*上面跑了一个回归是 xtreg fatal spircons unrate beertax perinck,fe vce(cluster state),如果不加选择项vce(cluster state),则默认使用普通标准误，没有使用稳健标准误。
*如果不带vce，则xtreg fatal spircons unrate beertax perinck,fe会多一个F检验

xtreg fatal spircons unrate beertax perinck,fe
estimates store FE
*这里的F检验的原假设是所有的ui都为0，什么意思？意思是不存在个体效应项，那么可以视为截距项了，就可以采用pooled regression
*由于这里的P值为0.0000，强烈拒绝所有的ui都为0的原假设，

*那还是说明存在不同的个体效应项，所以采用固定效应模型

*LSDV法

reg fatal beertax spircons unrate perinck i.state,vce(cluster state)
estimates store lsdv

*F检验的原假设是ui＝0--所有的个体效应项都为0--不存在个体效应--使用混合回归
*回归出来的P值都很小，我们强烈拒绝F检验的原假设，也就是拒绝使用混合回归，接受使用个体固定效应模型

*一阶差分法 First Differencing Model
*一阶差分法是没有专门的命令的，但是某些统计分析中会显示出一些差分法的内容。
*这里的数据跑不出来

*时间固定效应
*时间固定效应通过虚拟变量来进行LSDV估计

tabulate year,generate (year)
*生成虚拟变量，注意 tabulate命令是，tabulate是选择面板中的哪个数据作为虚拟变量，而generate是将被选择的虚拟变量生成什么名字

xtreg fatal beertax spircons unrate perinck year2-year7,fe vce(cluster state)
*作双向固定效应模型回归（Two-way fix effected model)
*为什么这里是双向固定效应？因为第一，这里有年度虚拟变量year1-year7（回归中没有选year1是因为dummy variable trap)第二，还有个体固定效应项ui，所以是双向固定效应模型
 
test year2 year3 year4 year5 year6 year7
*对年份是否显著做联合检验，得到的结果是P指为0.0000，强烈拒绝无时间效应的原假设，接受存在时间效应的备择假设

xtreg fatal beertax spircons unrate perinck i.year,fe vce(cluster state)
*也可以不生成虚拟变量直接回归，用i.的方法,i.的意思是自动生成虚拟变量


*随机效应模型
xtreg fatal beertax unrate spircons perinck,re vce(cluster state) theta
estimates store RE
*随机效应回归

xttest0
*做LM检验，原假设为ui=0，即不存在个体效应项，p=0.000，接受存在个体效应，采取随机效应模型

xtreg fatal beertax unrate spircons perinck,mle nolog
*做MLE估计，nolog是指不显示迭代过程

*组间估计量（Between estimator）
xtreg fatal spircons unrate perinck,be
estimates store BE
*___________________________________________________________________________________________*
*手动豪斯曼检验
quietly xtreg fatal beertax spircons unrate perinck,re
scalar theta=e(theta)
global yandxforhausman fatal beertax spircons unrate perinck
sort state
foreach x of varlist $yandxforhausman{
by state : egen mean`x' = mean(`x')
gen md`x' = `x' - mean`x'
gen red`x' = `x' - theta*mean`x'
}
quietly reg redfatal redbeertax redspircons redunrate redperinck mdbeertax mdspircons mdunrate mdperinck ,vce(cluster state)
test mdbeertax mdspircons mdunrate mdperinck