Ⅰ 在stata中怎样对面板数据进行gmmguji
首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）
如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp
二、异方差与自相关检验
在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，
面板异方差检验：
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')
面板自相关：xtserial enc invs exp imp esc mrl
则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid
三、工具变量效果验证
工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。
需要做的检验：
检验工具变量的有效性：
（1） 检验工具变量与解释变量的相关性
如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）
（2） 检验工具变量的外生性（接受原假设好）
在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0H
Sargan统计量，Stata命令：estat overid
四、GMM过程
在Stata输入以下命令，就可以进行对面板数据的GMM估计。
. ssc install ivreg2 （安装程序ivreg2 ）
. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）
. use "traffic.dta"（打开面板数据）
. xtset panelvar timevar （设置面板变量及时间变量）
. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）
Ⅱ 非平衡门槛回归如何控制时间效应
非平衡门槛回归控制时间效应的步骤为：
1、生成时间虚拟变量。
2、关闭非平衡门槛回归。
3、用虚拟变量替代时间即可控制时间效应。
Ⅲ 短面板数据需要固定时间效应吗
在做一个全国各省11年stata面板数据时,采用固定效应模型不控制时间效应时得出的模型比较理想,但是控制时间效应即加入时间虚拟变量后,模型结果原来有三.静态(短)面板数据随机效应汇总1检验时间效应(混合效应还是随机效应)(检验方法:LM统计量原假设:使用OLS混合模型)quixtreglngdplnfdi lnielnexlnimlncilngp,re(加上企业年龄Age系数在1%的水平上显着,表示企业成立时间越长,越有控制股票信息和抵御风险的能力,表现为更低的风险承担水平三、结语本文主要介绍短面板数据估计模型中的固定效应效应大多数面板数据分析技术都是针对短面板寻找面板数据结构的工具变量不是很容易 面板数据模型 非观测效应模型 a.固定效应模型 b.随机效应模型 混合回归模型 面板数据模型的估计
先用xtset设定面板数据然后用xtreg，fe操作就可以做面板数据固定效应啦面板数据回归分析我很熟悉的 面板数据之固定效应模型当您只对分析的影响感兴趣时，使用固定
就是把时间维度和截面维度的数据混合起来,极端地将面板数据看成一般的截面数据,然后用OLS来估计。可以发现,混合效应估计根本就没有发挥出面板数据应有的优势
Ⅳ STATA面板数据如何引入个体固定效应和时间固定效应
选项框里面有填写的，一个是cross开头的，一个是time开头的，分别选入即可
Ⅳ 请问面板数据里我需要把时间设成固定效应下的虚拟变量要怎么弄加分
比如你的变量叫做REG1，针对2010年。你同时还有一个变量叫YEAR，里面是每一个变量对应的年数。那么用以下命令，你能生成一个新的变量，只有当对应的YEAR变量为你想要的2010年时，数值取值为1，其他的都取值为0 ： gen REG1 = (YEAR==2010)。
还有一种方法更加方便，就是用TABULATE命令。如果你的变量YEAR非常的规则，比如1990-2010年。共有21个年份。没有其他的比如小数、无理数之类的乱七八糟的数。那么
tabulate YEAR, gen(REG)
会直接生成21个变量，REG1，REG2，....REG21。REG1就是当YEAR =1990时取值为1，其他时候取值为0.类似的REG2就是当YEAR =1991时取值为1，其他时候取值为0.。。。。
Ⅵ 面板数据分析加入时间效应 控制了随时间变化的不可观测变量吗
是的
面板控制数据加入时间效应后，得到的结果将会排除时间变化因素的影响。
Ⅶ 面板模型引入固定时间效应stata怎么操作
面板模型引入固定时间效应stata操作方法：
xi: xtreg y x1 x2 x3 i.year,fe 双向固定效应，既可以控制年度效应，又可以用固定效应消除部分内生性
xi: xtreg y x1 x2 x3 i.year LSDV法 就是虚拟变量最小二乘回归
另外，建议用聚类稳健标准差,这是解决异方差的良药
xi: xtreg y x1 x2 x3 i.year,fe vce(cluster.个体变量)
xi: xtreg y x1 x2 x3 i.year ，vce(cluster.个体变量)
Ⅷ stata中如何做时间固定效应
year有的文献是按哑变量纳入的
Ⅸ 回归控制个体和年度双向固定效应怎么
面板数据可以分为：非观测效应模型和混合回归模型。固定效应模型属于非观测效应模型中的一种。
对于如下固定效应模型：
其中α(i)代表不随时间改变的个体效应（比如个人的特征所造成的效应），这种模型也可称为单项固定效应模型（只考虑个体效应不考虑时间效应）。
如果将此模型进一步扩展，加入时间效应：
其中λ(t)代表不因个体而改变的时间效应（比如2008年发生了金融危机，几乎所有行业都受到波及）。此模型为双向固定效应（既控制了个体效应也控制了时间效应）。
按此来看，控制行业和年份属于双向固定效应模型。
希望有所帮助，欢迎交流！觉得可以请给在下点个赞。
Ⅹ 借助stata用面板数据做调节效应的分析。分析前后需要什么检验和步骤
是IQ无案后还是可以做很多天纵横