stata笔记要点分析和总结.pdfVIP

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： （1） 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。 （2 ） 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。