chap13 面板数据.ppt

实验操作指导 1 对面板数据离散选择模型进行估计 这样，利用“union.dta”的数据，我们来研究各因素对妇女是否选择参加工会的影响。 首先，我们拟合随机效应模型。输入命令： xtlogit union age grade not_smsa south black 这里，xtlogit是面板logit模型的基本命令，被解释变量为union，解释变量包括age、grade、not_smsa、south和black。 如果要拟合固定效应模型，可输入命令： xtlogit union age grade not_smsa south black, fe 我们将随机效应的结果存储为re，固定效应的结果存储为fe，然后进行Hausman检验。输入命令： hausman fe re 2 模型的预测 实验13-7：面板数据的计数模型 实验基本原理 实验内容及数据来源 本书附带光盘data文件夹下的“ships.dta”工作文件给出了五种类型的船的事故次数的记录。主要变量包括：ship=船的类型，yr_con=船的制造时间，yr_op=船的运营时间，service=船的售后服务期，accident=事故次数，op_75_79=在75-79年间是否运营（1表示运营），co_65_69=是否为65-69年间制造（1表示是），co_70_74=是否为70-74年间制造（1表示是），co_75_79=是否为75-79年间制造（1表示是）。 利用这些数据，我们分析轮船的制造时间和运营时间对其事故率的影响。因为被解释变量“事故次数”为计数数据，而该文件的数据类型又是面板数据，这样，我们考虑使用面板数据的计数模型。 这样，利用“ships.dta”的数据，我们来讲解面板数据计数模型的拟合和预测等内容。 ? 实验操作指导 1 对面板数据的计数模型进行估计 对于“ships.dta”的数据，我们要分析轮船的制造时间和运营时间对其事故率的影响。考虑使用船的售后服务期作为暴露期，也就是说，看制造时间和运营时间如何影响每单位售后服务期内的事故次数。我们先考虑随机效应模型。输入命令： xtpoisson accident op_75_79 co_65_69 co_70_74 co_75_79, exposure(service) 这里，xtpoisson为面板泊松模型的基本命令，被解释变量为accident，解释变量包括op_75_79、co_65_69、co_70_74和co_75_79。选项exposure(service)表明，我们约束解释变量service的对数的系数为1。 如果我们怀疑被解释变量存在过度分散，则可以考虑面板负二项回归。对于本例，如果拟合随机效应的面板负二项模型，我们可以输入命令： xtnbreg accident op_75_79 co_65_69 co_70_74 co_75_79, exposure(service) 2 模型的预测 实验13-8：随机效应tobit模型 实验基本原理 实验内容及数据来源 仍然使用13-1所用过的数据文件，即本书附带光盘data文件夹下的“wage.dta”工作文件。 我们要分析工资收入的数据存在截尾的情况下，受教育年数、年龄、工作年数、现有岗位的任职时间、是否居住在SMSA区、是否居住在南方、是否为工会成员等因素对工资收入的影响。 这样，利用“wage.dta”的数据，我们来讲解随机效应面板tobit模型的拟合和预测。 实验操作指导 1 对随机效应tobit模型进行估计 对随机效应tobit模型进行回归的命令为： xttobit depvar [indepvars] [if] [in] [weight], [options] 其中，xttobit代表“随机效应tobit模型”的基本命令语句，depvar代表被解释变量的名称，indepvars代表解释变量的名称，if代表条件语句，in代表范围语句，weight代表权重语句，options代表其他选项。 表13.22列出了主要的options选项。 对于“wage.dta”的数据，我们要分析受教育年数、年龄、工作年数、现有岗位的任职时间、是否居住在SMSA区、是否居住在南方、是否为工会成员等因素对工资收入的影响。假定工资对数在2.5处右端截取。输入命令： xttobit ln_wage union age grade not_smsa south, ul(2.5) intpoints(24) tobit 其中，xttobit是面板tobit模型的基本命令，被解释变量是ln_wage，解释变量包括union、age、grade、not_smsa和south。选项ul(2.5)表明被解释变量在2.5处右端截取。选项in