logit回归模型的参数估计过程_计量模型——面板向量自回归模型(PVAR模型)操作全过程...
这几个月在写论文,论文中用到了面板数据,并且需要做面板向量自回归模型,同时我又是个stata小白&计量小白(有学计量这门课,只是我太菜了)。在做PVAR模型的时候就是百度(主要时经管之家)还有知乎、公众号(如计量经济服务中心)然后研究这个模型怎么做,我用的是stata16中文版的。
首先,做这个要有个PVAR的包,当时找这个包找了好几天,一个是国外love学者的PVAR
包(PVAR这个程序最初是由Inessa Love编写的),另一是国内的连玉君老师的PVAR2包。两个都可以,我时不太会用love的那个,然后用连老师的那个包感觉挺好用的。
导入方式:把上面的第三个pvar放进STATA的如下位置ado——base——p文件夹下面,然后就可以用了
PAVR模型一共是要做以下几个步骤:
1、平稳性检验
2、协整
3、滞后阶数的选择
4、PVAR模型系数估计
5、格兰杰因果检验
6、脉冲响应分析
7、方差分解(这一部分我省略了)
PVAR模型前的准备:
第一步:导入数据
import excel C:UserscuteOneDriveexcelnewsta2015.xlsx,sheet("Sheet1")firstrow ///导入数据
stata软件是区分大小写的,所以在输入路径时,文件名中的大小写一定要注意区分,但是D盘和d盘是一样的。firstrow表示将表格中的第一行数据规定为变量名。
注意数据的格式:行是变量名,最重要的一点:数据一定要整理成面板的情况再导入!而不是下面这种或者是其他的
第二步:调整数据格式
在PVAR模型中,我们导入的数据前两列要分别是个体变量(如地区、国家)和时间变量(如年度、季度、月度)。但是大多时候,我们直接导入进来的数据中,这两列数据的格式不正确的,在stata中无法识别,之后的统计分析中也会出现诸多问题,所以我们要先调整数据格式。正常情况下,个体变量的数据类型应该是long,时间变量的数据类型应该是float,如下图所示,我们可以在查看数据界面右下角的Properties窗口中看到。
encode city, gen(id) 其中city是原来的个体变量名,id是新生成的变量名。这是对个体变量进行数据类型更改为long
gen month=mofd(time) /// month是新生成的时间变量名,time是原来数据的时间变量名。这是对时间变量的数据类型进行更改。
然后注意调整数据的位置,然后记得删除原来的数据
第三步:将数据变成面板数据(也就是让系统识别数据成为面板数据)
xtset id month ///对面板数据中的个体变量和时间变量进行设定,告诉stata该数据为面板数据。
进行完面板数据的导入后可以做一些描述性统计(虽然没有什么用,但是论文好像都都得有这个步骤)
xtdes // 显示面板数据的结
xtsum 变量名1 变量名2 变量名3 // 显示面板数据的统计特征
第四步:平稳性检验
经常使用LLC和IPS方法,但是如果两种检验结果出现冲突,再运用其他方法进行检验。
LLC检验方法可以有以下三种选择:
xtunitroot llc 变量名 , trend demean lags(bic 12) // 对变量IP进行面板单位根LLC检验,这里假设变量IP既包含线性时间趋势项又包含个体固定效应项,是条件最苛刻的一种检验
xtunitroot llc 变量名, demean lags(bic 12) // 这里假设变量IP仅含个体固定效应项
xtunitroot llc 变量名, noconstant demean lags(bic 12) // none 的情形,即假设变量IP既不包含线性时间趋势项,也不包含个体固定效应项,是条件最宽松的一种检验
IPS检验有以下两种选择:
xtunitroot ips 变量名, trend demean lags(bic 8) // 对变量IP进行面板单位根IPS检验,这里假设变量IP既包含线性时间趋势项又包含个体固定效应项,是条件最苛刻的一种检验
xtunitroot ips 变量名, demean lags(bic 8) // 这里假设变量IP仅含个体固定效应项
原假设是面板数据含有单位根(面板数据不平稳),备择假设是面板数据平稳。结果中P值越小越好
tip:如果你的面板数据是有时间序列数据,就是某一个变量是时间序列数据,需要用时间序列数据的检验方法,时间序列数据就不用面板数据的检验方法,而是用时间序列的方法,如ADF单位根检验
//单独对时间序列数据(变量M2)平稳性检验
import excel C:UserscuteOneDriveexcelnewstaM2.xlsx,sheet("Sheet1")firstrow ///导入数据,我这里是只有光秃秃的一列数据,没有时间
gen t=tm(2016m1)+_n-1 ///设置数据的开始时间
tsset t, monthly ///告诉系统这是一个时间序列数据
dfgls M2 //根据SBC和AIC原则进行选择最优的滞后阶数
dfuller M2, lag(10) //单位根检验
第五步:协整检验
在上面的平稳性检验一般原始变量是不会平稳的,一般都是要做个一阶差分或者是二阶差分才会平稳(一般二阶就差不多了)。如果各变量不同差分都是平稳的,那么可以直接进行格兰杰因果检验、确定最优滞后阶数等程序,但是如果全部或部分变量不平稳,这个时候我们就需要进行面板协整分析,来考察变量间是否存在长期均衡关系。
当所有变量都是一阶差分后平稳或者是其他阶数的平稳,也就是同阶单整。此时要做协整检验。我们要保证所有的变量序列在同一差分阶数上都是平稳的,不然会伪回归。常用的协整检验方法包括三种:Kao、Pedroni和Johansen,如果变量总个数少于或等于六个,三种方法都可以使用,如果变量总个数多于六个,Pedroni检验方法将不再适用。这里一定要用原始数据!
xtcointtest kao 原始变量名 原始变量名 原始变量名 ///这是kao检验
第六步:确定PVAR模型的滞后阶数
pvar2 变量名1 变量名2 变量名3,lag(5) soc ///我是用的连老师的pvar2的包做的,所以命令里面是pvar2
第七步:格兰杰因果检验
格兰杰检验时一种用于分析各经济变量之间因果关系的检验方法。格兰杰检验定义如下:有两个经济变量 X、Y,在包 含了 X、Y 两个变量的过去信息的条件下对 Y 的 预测效果一定会优于仅在变量 Y 的过去信息条件下对 Y 所做出的预测效果,则我们可以认为变 量 X 是变量 Y 的 Granger 原因
pvar2 变量名1 变量名2 变量名3 ,lag(number) granger //格兰杰因果检验,其中滞后阶数根据上面的原则选择,比如上面那个图的结果告诉我是五阶最优,所以这里的number就可以改成5
然后这里的话,stata用的这个命令好像是因为是pvar模型里面的因果检验,所以用的是卡方统计量;var模型里面也有个因果检验,命令是vargranger,也是使用的卡方检验统计量。大部分还是用的F统计量。如果说你不用这个命令做因果检验,你也可以用下面两种办法做因果检验。
这是第二种:
这是第三种
第八步:进行GMM系数估计同时进行脉冲响应
pvar2 变量名1 变量名2 变量名3,lag(5) irf(10) // 这是对pvar模型进行系数的估计,lag()里面的数字是上面根据soc命令选出来的,irf()里面的数字是脉冲响应的期数。
最后一步:进行方差分解
pvar2 变量名1 变量名2 变量名3 ,lag(5) decomp(30) //decomp()里面的数字指的是方差分解的期数
(其实还有一步是模型的稳定性检验,只是我没做这步骤,我看大部分的论文也没做)
距离我接触这个模型到写这篇文章有一个半月的时间了,写出来感觉还是挺容易的(理论方面懂得不是很多),就几个命令的事情,但是我记得当时跑这几行代码总是报错,一报错就百度,经常都是在经管论坛得到解答。写下这个文章希望能够对你有些帮助吧!
logit回归模型的参数估计过程_计量模型——面板向量自回归模型(PVAR模型)操作全过程...相关推荐
- Stata广义矩量法GMM面板向量自回归PVAR模型选择、估计、Granger因果检验分析投资、收入和消费数据
最近我们被客户要求撰写关于广义矩量法GMM的研究报告,包括一些图形和统计输出. 摘要 面板向量自回归(VAR)模型在应用研究中的应用越来越多.虽然专门用于估计时间序列VAR模型的程序通常作为标准功能包 ...
- logit回归模型的参数估计过程_评分卡模型原理及应用
关注新蜂数字金融,ID:gh_c5ca7eb11df4 这是新蜂数字金融的第145篇原创首发文章 信用评分卡模型,作为金融业一项重要的风险控制手段,在行业中有着广泛的应用.只有对模型进行科学认知,理解 ...
- 模型损失函数变化曲线图_第3章 第6节 模型融合和提升的算法
● bagging和boosting的区别 参考回答: Bagging是从训练集中进行子抽样组成每个基模型所需要的子训练集,然后对所有基模型预测的结果进行综合操作产生最终的预测结果. Boosting ...
- bim 模型web页面展示_基于HTML5/WebGL技术的BIM模型轻量化Web浏览解决方案
互联网技术的兴起极大得改变了我们的娱乐.生活和生产方式.尤其是HTML5/WebGL技术的发展更是在各个行业内引起颠覆性的变化,大家感受最深刻的可能是游戏.电商.O2O等和我们生活息息相关的行业,但这 ...
- 协方差公式性质证明过程_论文推荐 | 刘志平:等价条件平差模型的方差-协方差分量最小二乘估计方法...
<测绘学报> 构建与学术的桥梁 拉近与权威的距离 等价条件平差模型的方差-协方差分量最小二乘估计方法 刘志平1, 朱丹彤1, 余航1, 张克非1,2 1. 中国矿业大学环境与测绘学院, 江 ...
- 模型 标签数据 神经网络_大型神经网络和小数据的模型选择
模型 标签数据 神经网络 The title statement is certainly a bold claim, and I suspect many of you are shaking yo ...
- 模型预测控制的缺点_三电平整流器的延时补偿模型预测控制
本文针对电压型三电平中性点钳位整流器,设计了一种基于状态方程的模型预测电流控制(modelpredictive current control, MPCC)策略,该算法以电压型整流器数学模型为基础,构 ...
- 样机模型尺寸怎么改_土耳其五代机全尺寸样机模型首次亮相巴黎航展,这不是玩票,是一架认真设计的五代机!...
2019年6月17日,第五十三届巴黎航展迎来了本届航展上的重量级明星展品--土耳其航空航天公司研制的土耳其第五代战斗机TF-X,虽然本次展出的仅为一比一的全尺寸样机模型,但该模型细节清晰十分逼真,与真 ...
- python实现马科维茨模型的资本市场线_资产配置理论的基础之马科维茨模型
*本文来自金斧子.选股宝app大师精华,精选证券市场中投资大师心得,打造距离投资大师最近.最有价值的信息场. 1952年,马科维茨在他的学术论文<资产选择:有效的多样化>中,首次应用资产组 ...
- 做面板数据分位数回归模型_面板数据向量自回归模型
计量经济学服务中心专辑汇总!计量百科·资源·干货:Stata |Python |Matlab |Eviews |R Geoda |ArcGis |GeodaSpace |SPSS 一文读 ...
最新文章
- channelinboundhandler中都包含了哪一类的方法_数据仓库、数据集市、数据湖、数据中台到底有什么区别?都得做吗?...
- hdu 4605 Magic Ball Game (在线主席树/离线树状数组)
- urllib,urlib2与httplib,urllib3
- mysql-mha高可用
- 对话系统(一)-概览
- Lib详解--如何判断lib文件是静态库还是导入库
- java虚拟机的俩种异常
- Python:numpy数组转换为json格式
- centos7查看mysql进程显示端口_CentOS查看进程端口号以及kill操作
- 【回顾】推荐系统工程师技能树
- 单目相机内参标定的问题
- ubuntu10下Eclipse中无法输入中文
- JS思维导图类库:jsMind
- 几种方法判断平面点在三角形内
- 32岁,我从公司离职了,是裸辞......
- 沈航计算机学院杨华,【沈航新青年·实践】电子信息工程学院“电信筑梦,科技振兴”暑期社会实践活动纪实...
- 桂 林 理 工 大 学实 验 报 告实验五 数组
- 软件工程——软件开发阶段(概要设计、详细设计)
- 西电“可展开天线”项目获2013年度国家科学技术进步二等奖
- iOS 14摊上事:新隐私功能遭欧洲16家广告协会反对