stata笔记介绍.doc

1.一般检验 假设系数为0， t比较大则拒绝假设，认为系数不为0. 假设系数为0，P比较小则拒绝假设，认为系数不为0. 假设方程不显著，F比较大则拒绝假设，认为方程显著。 2.小样本运用OLS进行估计的前提条件为： （1）线性假定。即解释变量与被解释变量之间为线性关系。这一前提可以通过将非线性转换为线性方程来解决。 （2）严格外生性。即随机扰动项独立于所有解释变量：与解释变量之间所有时候都是正交关系，随机扰动项期望为0。(工具变量法解决) （3）不存在严格的多重共线性。一般在现实数据中不会出现，但是设置过多的虚拟变量时，可能会出现这种现象。Stata可以自动剔除。 （4）扰动项为球型扰动项，即随即扰动项同方差，无自相关性。 3.大样本估计时，一般要求数据在30个以上就可以称为大样本了。大样本的前提是 （1）线性假定 （2）渐进独立的平稳过程 （3）前定解释变量，即解释变量与同期的扰动项正交。 （4）E（XiXit）为非退化矩阵。 （5）gt为鞅差分序列，且其协方差矩阵为非退化矩阵。 与小样本相比，其不需要严格的外生性和正太随机扰动项的要求。 4.命令 稳健标准差回归：reg y x1 x2 x3, robust 回归系数与OLS一样，但标准差存在差异。如果认为存在异方差，则使用稳健标准差。使用稳健标准差可以对大样本进行检验。 只要样本容量足够大，在模型出现异方差的情况下，使用稳健标准差时参数估计、假设检验等均可正常进行，即可以很大程度上消除异方差带来的副作用 对单个系数进行检验： test lnq=1 线性检验：testnl _b[lnpl]=_b[lnq]^2 5.如果回归模型为非线性，不方便使用OLS,则可以采取最大似然估计法（MLE）,或者非线性最小二乘法（NLS） 6.违背经典假设，即存在异方差的情况。截面数据通常会出现异方差。 因此检验异方差可以： 看残差图，但只是直观，可能并不准确。 rvfplot (residual-versus-fitted plot) 与拟合值的散点图 rvpplot varname (residual-versus-predictor plot) 与解释变量的散点图 扰动项的方差随观测值而变动，表示可能存在异方差。 怀特检验： estat imtest, white (post-estimation information matrix test) P比较小，则拒绝同方差假设，表示存在异方差,不能用OLS。反之则证明为同方差。 （3）BP检验 estat hettest，iid (默认设置为使用拟合值y^) estat hettest, rhs iid (使用方程右边的解释变量，而不是y^) estat hettest [ varlist]，iid (使用某个指定的解释变量) P小，则拒绝原假设。 如果存在异方差，则可以： （1）使用OLS+稳健标准差robust （2）广义最小二乘法（GLS） （3）加权最小二乘法（WLS） predict el, res （预测残差） g e2=el^2 辅助回归： g lne2=log(e2) reg lne2 lnq, noc predict lne2f 计算辅助回归的拟合值 g e2f=exp(lne2f) 去掉对数即权重之倒数 reg lntc lnq lnpl lnpk lnpf [aw=1/e2f] reg y x1 x2 x3 [aw=1/var] (aw表示analytical weight, var表示随即扰动项的方差。) 或者： predict u, residuals predict yf, xb gen lnu2=ln(u^2) gen yf2=yf^2 quietly reg lnu2 yf yf2 predictnl u2f = exp (xb()) gen sd=sqrt(u2f) vwls lntc lnq lnpl lnpf lnpk , sd(sd) （4）可行广义最小二乘法（FGLS） FGLS所做的过程和GLS一样，只是GLS假设扰动项的方差已知，若要用GLS，必须计算得到扰动项方差，而FGLS则是在未知方差的情况下求方差并最终通过将异方差转换为同方差后再运用OLS的结果。因此，GLS和FGLS在过程上是一致的。 6.自相关 时间序列中容易出现自相关，而截面数据也可能存在空间自相关。人为处理数据如移动平均等做法也可能导致自相关。 检验自相关可以： （1）作图，但并不严格。 定义滞后算子L.(只有时间序列数据和