Ⅰ 在stata中怎樣對面板數據進行gmmguji
首先檢驗解釋變數內生性（解釋變數內生性的Hausman 檢驗：使用工具變數法的前提是存在內生解釋變數。Hausman 檢驗的原假設為：所有解釋變數均為外生變數，如果拒絕，則認為存在內生解釋變數，要用IV；反之，如果接受，則認為不存在內生解釋變數，應該使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板數據中使用工具變數，Stata提供了如下命令來執行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （選擇項可以為fe，re等，表示固定效應、隨機效應等。詳見help xtivreg）
如果存在內生解釋變數，則應該選用工具變數，工具變數個數不少於方程中內生解釋變數的個數。「恰好識別」時用2SLS。2SLS的實質是把內生解釋變數分成兩部分，即由工具變數所造成的外生的變動部分，以及與擾動項相關的其他部分；然後，把被解釋變數對中的這個外生部分進行回歸，從而滿足OLS前定變數的要求而得到一致估計量。tptqtp
二、異方差與自相關檢驗
在球型擾動項的假定下，2SLS是最有效的。但如果擾動項存在異方差或自相關，
面板異方差檢驗：
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df = e(N_g) - 1
lrtest hetero homo, df(`df')
面板自相關：xtserial enc invs exp imp esc mrl
則存在一種更有效的方法，即GMM。從某種意義上，GMM之於2SLS正如GLS之於OLS。好識別的情況下，GMM還原為普通的工具變數法；過度識別時傳統的矩估計法行不通，只有這時才有必要使用GMM，過度識別檢驗（Overidentification Test或J Test）：estat overid
三、工具變數效果驗證
工具變數：工具變數要求與內生解釋變數相關，但又不能與被解釋變數的擾動項相關。由於這兩個要求常常是矛盾的，故在實踐上尋找合適的工具變數常常很困難，需要相當的想像力與創作性。常用滯後變數。
需要做的檢驗：
檢驗工具變數的有效性：
（1） 檢驗工具變數與解釋變數的相關性
如果工具變數z與內生解釋變數完全不相關，則無法使用工具變數法；如果與僅僅微弱地相關，。這種工具變數被稱為「弱工具變數」（weak instruments）後果就象樣本容量過小。檢驗弱工具變數的一個經驗規則是，如果在第一階段回歸中，F統計量大於10，則可不必擔心弱工具變數問題。Stata命令：estat first（顯示第一個階段回歸中的統計量）
（2） 檢驗工具變數的外生性（接受原假設好）
在恰好識別的情況下，無法檢驗工具變數是否與擾動項相關。在過度識別（工具變數個數>內生變數個數）的情況下，則可進行過度識別檢驗（Overidentification Test），檢驗原假設所有工具變數都是外生的。如果拒絕該原假設，則認為至少某個變數不是外生的，即與擾動項相關。0H
Sargan統計量，Stata命令：estat overid
四、GMM過程
在Stata輸入以下命令，就可以進行對面板數據的GMM估計。
. ssc install ivreg2 （安裝程序ivreg2 ）
. ssc install ranktest （安裝另外一個在運行ivreg2 時需要用到的輔助程序ranktest）
. use "traffic.dta"（打開面板數據）
. xtset panelvar timevar （設置面板變數及時間變數）
. ivreg2 y x1 (x2=z1 z2),gmm2s （進行面板GMM估計，其中2s指的是2-step GMM）
Ⅱ 非平衡門檻回歸如何控制時間效應
非平衡門檻回歸控制時間效應的步驟為：
1、生成時間虛擬變數。
2、關閉非平衡門檻回歸。
3、用虛擬變數替代時間即可控制時間效應。
Ⅲ 短面板數據需要固定時間效應嗎
在做一個全國各省11年stata面板數據時,採用固定效應模型不控制時間效應時得出的模型比較理想,但是控制時間效應即加入時間虛擬變數後,模型結果原來有三.靜態(短)面板數據隨機效應匯總1檢驗時間效應(混合效應還是隨機效應)(檢驗方法:LM統計量原假設:使用OLS混合模型)quixtreglngdplnfdi lnielnexlnimlncilngp,re(加上企業年齡Age系數在1%的水平上顯著,表示企業成立時間越長,越有控制股票信息和抵禦風險的能力,表現為更低的風險承擔水平三、結語本文主要介紹短面板數據估計模型中的固定效應效應大多數面板數據分析技術都是針對短面板尋找面板數據結構的工具變數不是很容易 面板數據模型 非觀測效應模型 a.固定效應模型 b.隨機效應模型 混合回歸模型 面板數據模型的估計
先用xtset設定面板數據然後用xtreg，fe操作就可以做面板數據固定效應啦面板數據回歸分析我很熟悉的 面板數據之固定效應模型當您只對分析的影響感興趣時，使用固定
就是把時間維度和截面維度的數據混合起來,極端地將面板數據看成一般的截面數據,然後用OLS來估計。可以發現,混合效應估計根本就沒有發揮出面板數據應有的優勢
Ⅳ STATA面板數據如何引入個體固定效應和時間固定效應
選項框裡面有填寫的，一個是cross開頭的，一個是time開頭的，分別選入即可
Ⅳ 請問面板數據里我需要把時間設成固定效應下的虛擬變數要怎麼弄加分
比如你的變數叫做REG1，針對2010年。你同時還有一個變數叫YEAR，裡面是每一個變數對應的年數。那麼用以下命令，你能生成一個新的變數，只有當對應的YEAR變數為你想要的2010年時，數值取值為1，其他的都取值為0 ： gen REG1 = (YEAR==2010)。
還有一種方法更加方便，就是用TABULATE命令。如果你的變數YEAR非常的規則，比如1990-2010年。共有21個年份。沒有其他的比如小數、無理數之類的亂七八糟的數。那麼
tabulate YEAR, gen(REG)
會直接生成21個變數，REG1，REG2，....REG21。REG1就是當YEAR =1990時取值為1，其他時候取值為0.類似的REG2就是當YEAR =1991時取值為1，其他時候取值為0.。。。。
Ⅵ 面板數據分析加入時間效應 控制了隨時間變化的不可觀測變數嗎
是的
面板控制數據加入時間效應後，得到的結果將會排除時間變化因素的影響。
Ⅶ 面板模型引入固定時間效應stata怎麼操作
面板模型引入固定時間效應stata操作方法：
xi: xtreg y x1 x2 x3 i.year,fe 雙向固定效應，既可以控制年度效應，又可以用固定效應消除部分內生性
xi: xtreg y x1 x2 x3 i.year LSDV法 就是虛擬變數最小二乘回歸
另外，建議用聚類穩健標准差,這是解決異方差的良葯
xi: xtreg y x1 x2 x3 i.year,fe vce(cluster.個體變數)
xi: xtreg y x1 x2 x3 i.year ，vce(cluster.個體變數)
Ⅷ stata中如何做時間固定效應
year有的文獻是按啞變數納入的
Ⅸ 回歸控制個體和年度雙向固定效應怎麼
面板數據可以分為：非觀測效應模型和混合回歸模型。固定效應模型屬於非觀測效應模型中的一種。
對於如下固定效應模型：
其中α(i)代表不隨時間改變的個體效應（比如個人的特徵所造成的效應），這種模型也可稱為單項固定效應模型（只考慮個體效應不考慮時間效應）。
如果將此模型進一步擴展，加入時間效應：
其中λ(t)代表不因個體而改變的時間效應（比如2008年發生了金融危機，幾乎所有行業都受到波及）。此模型為雙向固定效應（既控制了個體效應也控制了時間效應）。
按此來看，控制行業和年份屬於雙向固定效應模型。
希望有所幫助，歡迎交流！覺得可以請給在下點個贊。
Ⅹ 藉助stata用面板數據做調節效應的分析。分析前後需要什麼檢驗和步驟
是IQ無案後還是可以做很多天縱橫