STATA实用学习笔记(8)

小结：根据因变量的类型选择不同的回归模型 Dependent variable (Y) Continuous (-? < Y < +?) Examples Estimation method(s) OLS Quantile regression Probit Logit Multinomial logit Multinomial probit STATA command regress qreg Log of audit fees Stock returns Cost of capital Listed / Not listed Big 6 / Non-Big 6 auditor Method of transport (train, bus, car, bicycle) Type of company (private, public unquoted, quoted) Type of peer review report (adverse, modified, unmodified) Examples Binary (Y = 0, 1) Discrete and unordered (Y = 0, 1, 2,..) probit logit mlogit mprobit Discrete and ordered (Y = 0, 1, 2,..) Dependent variable (Y) Discrete count data (Y = 0, 1, 2, …) Ordered probit Ordered logit oprobit ologit Estimation method(s) Poisson Negative binomial STATA command poisson nbreg Number of weaknesses disclosed in peer review report Non-audit fees Football attendance Duration of unemployment CEO tenure Company survival 26

Continuous but censored (kL ? Y < kH) Duration data (often censored) kL ? Y < kH Tobit tobit Cox proportional hazards stcox

第四章 面板数据 主要内容： ? 4.1 The basic idea ? 4.2 Linear regression ? 4.3 Logit and probit models ? 4.4 Other models

? 4.1 The basic idea

1、面板数据：横截面时间序列，自变量中同一个特征变量连续多年其他变量有变动。在不同年度数据间可能存在一个稳定影响的公司或个人特征因素。在以前的学习中，为消除时间序列不独立，在回归命令中加入robust cluster () 选项来消除异方差和变量相关错误。 2、面板数据的优点：一是样本量大，估计精确，二是可以在回归中加入动态影响因素（上一年或下一年数据），三是可以控制不可观测变量对不同年度的影响。 3、面板数据可能存在的计量问题：

一般的回归模型可用上式来表示，如果是面板数据，ε中应该包含两部分，一部分为随机误差，一部分为每年的固定影响。即：

，这样回归模型即变为：

u表示各年的固定影响，e为误差项，X为变量值。

如果u和X不相关，则X的系数是无偏的，但实际中常常的相关的，因此需要进行特别处理。

4、处理计量问题的一些方法：

（1）最简单的方法是在回归式中加入robust cluster ()选择项。

（2）使用固定效用模型：对特征变量取不同的哑变量，在回归中加入哑变量来控制个人特征的影响。例如：

? tab persnr, gen(dum_)（根据不同的persnr值产生哑变量dum_1、dum_2。。。） ? reg lsat age dum_1 dum_2 dum_4

? reg lsat age dum_1 dum_2 dum_3 dum_4, nocons

为消除多重共线性，回归时如保留常数项时，哑变量就需要减少一个，如想保留所有哑

27

变量，则需去掉常数项。

? 另一种命令可以将特征变量的值分开，separate lsat, by(persnr)，此命令根据

不同的persnr产生不同的变量序列lsat1、lsat2、lsat3。。。，以便分别进行对比分析，比如以下命令：

twoway (lfit lsat1 age) (scatter lsat1 age) twoway (lfit lsat2 age) (scatter lsat2 age) twoway (lfit lsat3 age) (scatter lsat3 age) twoway (lfit lsat4 age) (scatter lsat4 age)

? 另一种命令可以同时画出不同分变量的直线图，两变量间的拟合图以及不同

分变量间的散点图。命令如下：

twoway (line lsat_hat1-lsat_hat4 age) (lfit lsat age) (scatter lsat1-lsat4 age)

图形结果如下：

（3）使用命令：

fixed effect model命令：xtreg lsat age , fe i(persnr) random effect model命令：xtreg lsat age , re i(persnr)

在上式中，如果θ=1，则变形为fixed effect model，如果θ=0，则变形为OLS模型，如果0<θ<1，则为random effect model。

通过上式的变换，基本消除了在每一年中保持不变的影响部分。有时Y也可以用上一期的

?Yi?1来代替。

28

? 4.2 Linear regression

通过上面的讲解，知道连续变量的线性回归可以用OLS模型、fixed effect model和random effect model。什么情况下使用哪一种模型更有效？

1、当ui和 Xit相关时，使用fixed effect model，当不相关时, it is better to use the random-effects model (because it is more efficient).只有当没有时间序列效应时才用OLS模型。

2、判断使用模型的方法：

（1）固定效应模型与随机模型：

使用Hausman方法判断，原理是如果相关固定效应模型无偏，而随机模型有偏，二者相差会较大；如果不相关，两个都无偏，随机模型会更有效，二者不会有太大差别。因此方法就是比较系数是否有显著不同。

? Null hypothesis (H0): ui and Xit are uncorrelated ? The Hausman statistic is distributed as chi2

? If the chi2 statistic is positive and statistically significant, we can reject the null hypothesis. This

would mean that the fixed-effects model is preferable because the coefficients are consistent. ? If the chi2 statistic is not positive and statistically significant, we cannot reject the null

hypothesis. This would mean that the random-effects model is preferable because the coefficients are consistent and efficient.

实现命令：

? xtreg lsat age, fe i( persnr) ? estimates store fixed_effects ? xtreg lsat age, re i( persnr) ? estimates store random_effects

? hausman fixed_effects random_effects

注意事项：小样本时结果并不一定可靠。On the other hand, this result is not very reliable because the asymptotic assumption fails to hold in this small sample.

（2）随机模型和OLS模型：

? If we cannot reject the null hypothesis that ui and Xit are uncorrelated, we need to determine

whether the ui are distributed randomly across individuals. 用the Breusch-Pagan test来检验，whether ?u2 is significantly positive.

实现命令：

xtreg, re（随机模型面板数据回归） ttest0 检验结果如下：未拒绝零假设。

29

3、使用固定效用模型时要注意，

和

接近于0时，结果不可靠。

4.3 Logit and probit models

1、当因变量为0和1时，数据为面板数据时，可以使用命令消除时间序列计量问题：

? xtlogit , fe i()

但结果的解释与连续变量不一样，当因变量没有变动时，回归时自动剔除这些样本。实际中也有不少这种例子，比如研究公司在某一年是否有欺诈时，大多数公司不会有，因此Y=0在样本年度中一直不变，使用固定效用模型将剔除这些样本。

? xtlogit , re i()

使用随机模型可保留样本中的所有样本。

2、使用哪一 …… 此处隐藏：2162字，全部文档内容请下载后查看。喜欢就下载吧 ……