stata面板数据gmm回归_【stata】面板GMM估计
一、解释变量内生性检验
首先检验解释变量内生性(解释变量内生性的Hausman 检验:使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为:所有解释变量均为外生变量,如果拒绝,则认为存在内生解释变量,要用IV;反之,如果接受,则认为不存在内生解释变量,应该使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
(在面板数据中使用工具变量,Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) (选择项可以为fe,re等,表示固定效应、随机效应等。详见help xtivreg)
如果存在内生解释变量,则应该选用工具变量,工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分,即由工具变量所造成的外生的变动部分,以及与扰动项相关的其他部分;然后,把被解释变量对中的这个外生部分进行回归,从而满足OLS前定变量的要求而得到一致估计量。tptqtp
二、异方差与自相关检验
在球型扰动项的假定下,2SLS是最有效的。但如果扰动项存在异方差或自相关,面板异方差检验:
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df = e(N_g) - 1
lrtest hetero homo, df(`df')
面板自相关:xtserial enc invs exp imp esc mrl
则存在一种更有效的方法,即GMM。从某种意义上,GMM之于2SLS正如GLS之于OLS。好识别的情况下,GMM还原为普通的工具变量法;过度识别时传统的矩估计法行不通,只有这时才有必要使用GMM,过度识别检验(Overidentification Test或J Test):estat overid
三、工具变量效果验证
工具变量:工具变量要求与内生解释变量相关,但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的,故在实践上寻找合适的工具变量常常很困难,需要相当的想象力与创作性。常用滞后变量。
需要做的检验:
检验工具变量的有效性:
(1) 检验工具变量与解释变量的相关性
如果工具变量z与内生解释变量完全不相关,则无法使用工具变量法;如果与仅仅微弱地相关,。这种工具变量被称为“弱工具变量”(weak instruments)后果就象样本容量过小。检验弱工具变量的一个经验规则是,如果在第一阶段回归中,F统计量大于10,则可不必担心弱工具变量问题。Stata命令:estat first(显示第一个阶段回归中的统计量)
(2) 检验工具变量的外生性(接受原假设好)
在恰好识别的情况下,无法检验工具变量是否与扰动项相关。在过度识别(工具变量个数>内生变量个数)的情况下,则可进行过度识别检验(Overidentification Test),检验原假设所有工具变量都是外生的。如果拒绝该原假设,则认为至少某个变量不是外生的,即与扰动项相关。0H
Sargan统计量,Stata命令:estat overid
四、GMM过程
在Stata输入以下命令,就可以进行对面板数据的GMM估计。
. ssc install ivreg2 (安装程序ivreg2 )
. ssc install ranktest (安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest)
. use "traffic.dta"(打开面板数据)
. xtset panelvar timevar (设置面板变量及时间变量)
. ivreg2 y x1 (x2=z1 z2),gmm2s (进行面板GMM估计,其中2s指的是2-step GMM)
stata面板数据gmm回归_【stata】面板GMM估计相关推荐
- stata面板数据gmm回归_动态面板数据的System-GMM回归分析步骤
1.对数据进行平减,去除价格变化的影响,经常用到的方法用居民消费价格指数进行平减,有两种情况:(1)以1978年为基期的,如果就是以1978年为基期可以直接用统计年鉴里相应指标的数据除以居民消费价格指 ...
- stata面板数据单位根检验llc_在对面板数据进行回归之前是否需要进行单位根检验和协整检验?...
用非平稳的面板数据进行回归,和时间序列一样会出现伪回归(spurious regression)的问题,但是一般我们有的面板数据都是"large N large T"或者" ...
- python面板数据分析代码_对于大面板数据,回归就绪格式的Excel到Python?
试图从Excel中获取一些大面板数据到python中,所以我可以做一些GMM /横截面面板数据回归分析(想想sci-kit软件包).我把我的数据从excel移到了Python,但是回归分析的格式不正确 ...
- 非金融上市企业数据,整理好的面板数据,excel或stata版本
非金融上市企业数据,整理好的面板数据,excel或stata版本 时间跨度:2000-2021年 数据来源:上市企业财报 具体指标包括: stkcd year 证券代码 行业代码 所属省份 固定资产净 ...
- (1)1999~2021 年中国城市统计年鉴面板数据(含地级市面板、县级市面板和主要指标)(2)香港统计年刊(3)第一到第七次的人口普查数据(4)全国省市县-五六七普人口数据(5)国际统计年鉴
(1)1999-2021 年中国城市统计年鉴面板数据(含地级市面板.县级市面板和主要指标) (2)香港统计年刊 (3)第一到第七次的人口普查数据 (4)全国省市县-五六七普人口数据 (5)国际统计年鉴 ...
- 做面板数据分位数回归模型_面板数据门限回归模型
来源 | 数量经济学综合整理 转载请联系 进行回归分析,一般需要研究系数的估计值是否稳定.很多经济变量都存在结构突变问题,使用普通回归的做法就是确定结构突变点,进行分段回归.这就像我们高中学习的分段函 ...
- 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 ...
- python面板数据模型操作步骤_任何有效的方法来建立面板数据的回归模型?
我有二维数据,包括某些地区的频繁犯罪类型以及一年中的相应房价.我想了解某些地区的犯罪频率与房价波动之间的可能联系.最初,我尝试使用线性回归来做到这一点,但是效果并不理想.现在,我想对数据进行PCA分析 ...
- stata行业变量怎么赋值_动态面板模型估计方法简介以及stata应用
动态面板模型最主要的特征是在控制变量中加入了y的滞后项 , 其中 代表控制变量, 代表固定效应, 代表残差项 由于加入了y的滞后项导致了采用常用固定效应估计方法会导致参数估计的不一致性,因此需要采用其 ...
最新文章
- flux读取不到数据_【Java】spring-webflux两种开发模式,获取不到使用ajax的post提交的数据?...
- microsoft query尚未安装的原因和方法
- ES6学习笔记(十六)async函数
- 通过一个简单的例子学习Angular Injection Token工作原理
- 伪装 php 版本号,linux伪装隐藏Nginx,PHP版本号提升服务器安全性
- 寒冰王座(完全背包+多解)
- Job 存储和持久化 (第三部分)
- 如何用100美元和TensorFlow来造一个能“看”东西的机器人
- openCV,C++接口,cv::Mat矩阵数据元素读取
- android studio 自定义生成BuildConfig文件,形成打包配置
- 2011微软MVP全球峰会美国行之飞抵西雅图
- shopee虾皮面试题汇总-C++后端
- lombook插件安装
- 没有文件夹则创建文件夹
- phython练习1
- Android主题颜色和字体设置
- 反向代理-- WEB服务的加速器[转]
- 最新前端教学视频 百度网盘汇总
- 同济大学的计算机保研率,同济大学2020届保研率:27.7%
- ceph osd slow ops 检测