第6讲 线性回归分析.docVIP

第6讲 线性回归分析 regress — Linear regression(线性回归) 一、概述 regress执行线性回归，包括普通最小二乘法OLS和加权最小二乘法WLS。对于线性回归的一般讨论，请参阅Draper and Smith (1998)，Greene (2012)，或Kmenta (1997)。， 参见伍德里奇（Wooldridge，2013）对线性回归模型的估计，推断，解释和设定检验所做的出色处理(treatment)。这篇报告澄清了统计问题而不是代数问题，因而独具特色。参见伍德里奇（Wooldridge，2010，第4章）沿着同样的思路展开的更高深的讨论。 参见汉密尔顿（Hamilton，2013，第7章）、卡梅隆和特里维迪（Cameron Trivedi ，2010，第3章）介绍了使用Stata进行线性回归分析。Dohoo，Martin和Stryhn使用来自流行病学的实例讨论线性回归，并且提供了论文中使用的Stata数据集和do-files。卡梅伦和特里维迪（Cameron Trivedi，2010）使用Stata与计量经济学的例子讨论了线性回归分析。Mitchell (2012)形和检验命令来理解拟合回归模型。 查特吉和哈迪（Chatterjee Hadi，2012）使用包含典型问题的例子解释回归分析，在进行探索性数据分析时可能遇到这些典型问题。韦斯伯格（Weisberg，2005）强调线性回归假设条件以及由这些假设条件引起的问题的重要性。Becketti (2013)利用时间序列数据回归分析安格里斯特和皮施克（Angrist Pischke，2009）把回归方法作为探索关系，评估处理效应，回答公共政策问题的工具。对模型选择技术和探索性数据分析的讨论，参见Mosteller Tukey (1977)。一个严格的数学处理(treatment)，请参阅Peracchi（2001，第6章）。最后，如果你对回归分析的历史有兴趣，请参看Plackett（1972）。最小二乘法，其历史可以追溯到18世纪90年代，是由勒让德(Legendre)和高斯(Gauss)各自独立发现的。 二、扩展学习 .一些常用回归命令 条目 命令描述 [R] areg 具有很 arch [TS] arch 具有ARCH误差的回归模型 [TS] arima ARIMA模型 [R] boxcox Box–Cox回归模型 [R] cnsreg 有约束条件的 eivreg [R] eivreg 自变量带有测量误差的回归模型 etregress [TE] etregress 具有内生处理效应的线性回归 [R] frontier 随机前沿模型 [R] gmm 广义矩估计 [R] heckman Heckman选择模型 [R] intreg 区间回归 ivregress [R] ivregress 单方程工具变量回归 [R] ivtobit 具有内生变量回归 [TS] newey 具有Newey–West标准误差回归 [R] nl 非线性最小二乘估计 [R] nlsur 非线性方程估计 [R] qreg 分位数（包括中位数）回归 [R] reg3 三阶段最小二乘（3SLS）回归 [R] rreg 稳健回归 [SEM] intro 5 广义结构方程模型 [SEM] intro 5 线性结构方程模型 [R] sureg 相依回归(seemingly unrelated regression) tobit [R] tobit tobit回归 [R] truncreg 截断数据回归 xtabond [XT] xtabond Arellano–Bond线性动态面板数据估计 [XT] xtdpd 线性动态面板数据估计 [XT] xtfrontier 面板数据随机前沿模型 [XT] xtgls 面板数据GLS模型 xthtaylor [XT] xthtaylor 误差成分模型的Hausman–Taylor(豪斯曼–泰勒)估计 [XT] xtintreg 面板数据区间回归模型 [XT] xtivreg 面板数据工具变量回归 [XT] xtpcse 具有面板校正标准误差的线性回归 [XT] xtreg 固定效应和随机效应线性模型 [XT] xtregar 具有AR(1)扰动项的固定和随机效应线性模型 [XT] xttobit 面板数据 1.估计命令的完整列表 help estimation commands 2.网络学习视频(Video ex