stata学习笔记-新版.docxVIP

经济数据的特点与类型。 1、横截面数据：多个经济个体的变量在同一时间点上的取值，如2012年中国各省的GDP 2、时间数列数据：指的是某个经济个体的变量在不同时点上的取值，如1978-2012年山东省每年的GDP 3、面板数据：多个经济个体的变量在不同时点上的取值，如1978-2012年中国各省的GDP 小样本OLS（最小二乘法）：单一方程线性回归最常见方法 条件：解释变量与扰动项正交、扰动项无自相关、同方差。 拟合优度：衡量线性回归模型对样本数据的拟合程度（R2），越高说明模型拟合程度越好。 单系数T检验：对回归方程扰动项的具体概率进行假设 显著性水平进行检验 F检验：整个回归方程是否显著 STATA操作简介： 如果数据中包含1949-10-01或1949/10/01的时间变量，导入stata后可能会被视为字符串，因此对于日度数据，可以使用命令gen newvar=date(varname,YMD),将其转换为整数日期变量，其中YMD说明原始数据的格式为年月日，如果原始数据的格式为月日年则使用MDY；对于月度数据则gen newvar=monthly(varname,YM)。 .describe：数据的概貌 .drop keep：删除和保留 .su：统计特征 Pwcorr：变量之间相关系数 Star（.05）：5%显著性水平 gen:产生 g intc=log（tc）：取自然对数. reg：OLS回归 .Vce：协方差矩阵 reg。。。，noc表示在进行回归时不要常数项 大样本OLS：只要求解释变量与同期的扰动项正交即可 Robust：稳健标准误，如果存在异方差，则应使用稳健标准误 最大似然估计法：如果回归方程存在非线性，则使用最大似然估计法（MLE）或非线性最小二乘法（NLS） 三类在大样本下渐进等价的统计检验：Wald test LR（似然比检验） LM 操作步骤如下：sysuse auto（调用数据集） Hist mpg，normal（画变量mpg的直方图，并与正态密度比较） 直方图显示，变量mpg的分布于正态分布有一定差距。 变量可以取对数解决非正态分布的问题。 异方差与GLS（广义最小二乘法） 异方差的检验：看残差图、怀特检验（white test）、BP检验（Breusch and Pagan） 异方差的处理：1、OLS+稳健标准误（最好的） 2、广义最小二乘法（GLS） 3、加权最小二乘法（WLS） 实例操作： 使用数据：use nerlove.dta,clear reg intc inq inpl inpk inpf（进行回归） 画残差图：rvfplot 上图可以发现当拟合值较小时，扰动项方差较大，继续考察残差与解释变量inq的散点图：rvpplot inq，结果与上图几乎一致，可能存在异方差，即扰动项的方差随着观测值而变。 完成回归后，进行怀特检验：estat imtest，white P值显著，认为存在异方差 6、完成回归后，进行BP检验：estat hettest,iid estat hottest,rhs iid estat hottest inq,iid 三种形式的检验都强烈拒绝同方差的原假设，存在异方差（这里只放一个形式的检验结果） 处理异方差 自相关 ：扰动项之间自相关 自相关的例子：1、时间序列数据中通常具有某种连续性和持久性，如相邻两年的GDP增长率；2、截面数据中相邻的观测单位之间可能存在溢出效应，如相邻地区的农业产量收到类似天气变化的影响；3、对数据的人为处理如数据中包含移动平均数等；4、如果模型设定中遗漏了某个自相关的解释变量并被纳入到扰动项中，则会引起扰动项的自相关。 自相关的检验：1、画图（不推荐）2、BG检验estat bgodfrey 3、BOX-Pierce Q检验 4、DW检验 estat dwatson. 检验都要在OLS做完后才能做。 自相关的处理：1、使用OLS+异方差自相关稳健的标准误；2、OLS+聚类稳健的标准误；3、使用可行广义最小二乘法（FGLS）；4、修改模型设定 自相关处理实例：1、使用数据 icecream 然后进行回归 BG检验 显著 拒绝了原假设无自相关，则认为存在自相关 Q检验（略）、DW检验如下 DW=1.02 距离2很远 可以认为存在自相关。 由以上的检验可以看出扰动项之间存在自相关，因此OLS提供的标准误是不准确的，应使用异方差自相关稳健标准误，由于样本为30个，n四分之一=2.34，故取NEWey-West估计量的滞