苹果/安卓/wp
积分 543, 距离下一级还需 257 积分
权限: 自定义头衔, 签名中使用图片
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发下一级可获得
权限: 隐身
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 198 天连续签到: 1 天[LV.7]常住居民III
提示: 受到警告&& 发帖格式不符规定,请参照版规发贴，谢谢
提示: 该帖被管理员或版主屏蔽&& 发帖格式不符规定,请参照版规发贴，谢谢
xtscc这个命令或许对你有帮助
ssc install xtscc,replace
一份耕耘，一份收获。
ywh 发表于
xtscc这个命令或许对你有帮助
先安装谢谢！我知道xtscc这个命令，请问在理论上这个命令怎么描述呢？我主要是写论文啊
恩，这个我想你看下作者xtscc那篇文章应该比别人讲起来更清楚
一份耕耘，一份收获。
ywh 发表于
恩，这个我想你看下作者xtscc那篇文章应该比别人讲起来更清楚谢谢！
ywh 发表于
恩，这个我想你看下作者xtscc那篇文章应该比别人讲起来更清楚还有请问除了xtscc这种方法外，其他有没有办法？比如像传统的加权，加AR项这种。因为我水平很初级的，不好意思
xtreg+cluster可以同时解决异方差和自相关
你要明白其他的含义，要看stata自带的手册，里面讲解比较清楚
道理应该和你说的wls方法及加AR选项相差不大。
一份耕耘，一份收获。
ywh 发表于
xtreg+cluster可以同时解决异方差和自相关
你要明白其他的含义，要看stata自带的手册，里面讲解比较清楚
...谢谢谢谢！
你好。我想问问你怎么在回归方程里加入ar项的呢？
绿意盎然 发表于
你好。我想问问你怎么在回归方程里加入ar项的呢？STATA面板里面专门有一个方法。菜单——statistics——linear——panal,然后就有一个专门带AR(1)的模型
如果是命令，就是xtregar
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师苹果/安卓/wp
积分 23, 距离下一级还需 1 积分
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
这是一个半对数的模型，ls lny c x
我操作的过程如下
1.用view---residual tests---correglogram Q statics&&来大概看一下其是否存在自相关
（根据附件1） 模型存在一阶自相关
2.再用view--residual tests---serials&&correlation LM test
(得出附件2的图片）& &resid(-1) 的p值 小于0.05& &&&因此模型存在一节自相关性
3. 用广义差分法来消除自相关性
ls lny c x ar(1)
（得到附件3）
4.再用偏相关，& &LM法来检验
（附件4，5）
我的疑惑是，附件5那里，一般经过广义差分法消除后， resid(-1)的p值都是大于0.05， 是不显著的
而这次 得出的是小于0.05。。。。。
我已经用了一次广义差分法了，那要怎么继续消除下去啊？难不成是 ar ar(1).......
麻烦大家帮忙看一下我操作的步骤是否出错了， 问题出在哪里呢？
谢谢啦~~~~~~~
载入中......
15:33:45 上传
(69.02 KB)
15:33:35 上传
(71.03 KB)
15:33:28 上传
(65.32 KB)
15:33:17 上传
(103.88 KB)
15:24:18 上传
本人认为，自相关结构图即Correlogram of Residuals 已显示数据序列是AR(1)过程
本帖被以下文库推荐
& |主题: 8540, 订阅: 47
本人认为，自相关结构图即Correlogram of Residuals 已显示数据序列是AR(1)过程
热心帮助其他会员
总评分:&经验 + 10&
论坛币 + 10&
没有过不了的桥
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师STATA学习笔记整理（网上的加上自己修改整理的，有错误大家指出哈）
STATA学习笔记异方差的检验：
&G-Q检验：（适合大样本）sort x（对产生异方差的解释变量排序）drop in 9 /12（删除中间的n/4个变量）&reg y& x in 1/8reg &y& x in 9/16&F=[RSS1/(8-1-1)]/[RSS2/(8-1-1)]在5%的显著性水平下，自由度为（6,6）的F分布的临界值比较 。如果大于临界值，于是拒绝同方差的原假设，表明原模型存在异方差性。
White检验：其基本命令是在完成基本的OLS 回归之后，输入imtest， white如果输出的P-Value 显著小于0.05，则拒绝原假设，即存在异方差性&处理异方差性问题的方法：方法一：WLS（加权最小二乘法）&WLS是GLS（一般最小二乘法）的一种，也可以说在异方差情形下的GLS就是WLS。在WLS下，我们设定扰动项的条件方差是某个解释变量子集的函数。之所以被称为加权最小二乘法，是因为这个估计最小化的是残差的加权平方和，而上述函数的倒数恰为其权重。在stata中实现WLS的方法如下：reg （被解释变量） （解释变量1） （解释变量2）&& [aweight=变量名]其中，aweight后面的变量就是权重，是我们设定的函数。一种经常的设定是假设扰动项的条件方差是所有解释变量的某个线性组合的指数函数。在stata中也可以方便地实现：首先做标准的OLS回归，并得到残差项；reg （被解释变量） （解释变量1） （解释变量2）&&predict r, resid生成新变量lnr2，并用它对所有解释变量做回归，得到这个回归的拟合值，再对这个拟合值求指数函数；gen lnr2=ln(r^2)reg lnr2 (解释变量1) （解释变量2）&&predict g, xbpredictnl h=exp(xb（）)最后以h作为权重做WLS回归；reg （被解释变量） （解释变量1） （解释变量2）&& [w=1/h]如果我们确切地知道扰动项的协方差矩阵的形式，那么GLS估计是最小方差线性无偏估计，是所有线性估计中最好的。显然它比OLS更有效率。虽然GLS有很多好处，但有一个致命弱点：就是一般而言我们不知道扰动项的协方差矩阵，因而无法保证结果的有效性。方法二：HC SEThere are 3 kinds of HC SE（1）Huber-White Robust Standard Errors HC1（异方差稳健标准误法）， 其基本命令是：reg var1 var2 var3, robustWhite（1980）证明了这种方法得到的标准误是渐进可用（asymptotically valid）的。这种方法的优点是简单，而且需要的信息少，在各种情况下都通用。缺点是损失了一些效率。这种方法在我们日常的实证研究中是最经常使用。（2）MacKinnon-White SE HC2，其基本命令是：reg var1 var2 var3, hc2（3）Long-Ervin SE HC3，其基本命令是：reg var1 var2 var3, hc3&约束条件检验：如果需要检验两个变量，比如x 与y，之间系数之间的关系，以检验两者系数相等为例，我们可以直接输入命令：test x=y再如检验两者系数之和等于1，我们可以直接输入命令：test x+y=1如果输出结果对应的P-Value 小于0.05，则说明原假设显著不成立，即拒绝原假设。&序列相关性问题的检验与处理&&序列相关性问题的检验：&首先，要保证所用的数据必须为时间序列数据。如果原数据不是时间序列数据，则需要进行必要的处理，最常用的方法就是：&gen n=_n&tsset n&这两个命令的意思是，首先要生成一个时间序列的标志变量n（或者t 也可以）；然后通过tsset 命令将这个数据集定义为依据时间序列标志变量n定义的时间序列数据。&最直观的检验方式是通过观察残差分布，其基本步骤是在跑完回归之后，直接输入&Predict error, stdp&这样就得到了残差值；然后输入命令：&plot error n&会得到一个error 随n 变化的一个散点图。&D-W检验&&对一阶自相关问题的检验：&D-W检验是对一阶自相关问题的常用检验方法，但是如果实际问题中存在高阶序列相关性问题，则不能用这个检验方法。&D-W 检验的命令如下：&首先，输入回归命令，&reg Variable1 Variable2 Variable3&VariableM&输出一个简单的OLS估计结果。然后，再输入命令：dwstat&这时会输出一个DW& 统计量。通过与临界值之间的比较，可以得出结论。也可以执行如下命令estat dwatson&直接进行Durbin检验。&&Breusch-GodfreyTest in STATA&&检验高阶序列相关性：&在得到一个基本回归结果和error 之后，我们假设这样一个关系：&et = α0 + α1 et-1 + α2 et-2 &+ αk et-p + β1 x1t + β2 x2t & +βk xkt +εt&BG& 检验的原假设是：H0& ：& α1 = α2 = & αp =0。&其基本命令是：&bgodfrey , lags(p)&其中p& 是你自己设定的一个滞后项数量。如果输出的p-value 显著小于0.05，则可以拒绝原假设，这就意味着模型存在p& 阶序列相关性；如果输出的p-value 显著大于0.05& 甚至很大，则可以接受原假设，即不存在p& 阶序列相关性。&&&处理序列相关性问题的方法&&GLS：&常用的几种GLS& 方法：&（1） Cochrane-Orcutt estimator 和Prais-Winsten estimator&其基本命令是&prais var1 var2 var3, corc&（2） Newey-West standard errors&（序列相关稳健标准误法）其基本命令是&newey var1 var2 var3, lag(3)&其中，lag（3）意思是对三阶序列相关性问题进行处理；如果需要对p& 阶序列相关性问题进行处理，则为lag（p）&&&t因变量，g,f,c是自变量，_26存放了弟26个观测值，为需要预测的值reg t g f c if _n!=26点预测predict taxpredict if _n==26&均值的区间预测predictnl py=predict(xb),ci(lb ub) l(95)&因变量的区间预测adjust g= f=24649.95 c=99.9,stdf ci level(95)&
Hausman检验是检验内生性的最常用的方法。它是通过比较一致估计量与有效估计量的Wald统计量。命令格式为：& .hausman name-constistent [name-efficent] [,options]其中，name-cosistent指一致估计的结果， name-efficent 指有效估计的结果。注意，一致、有效估计量的先后顺序不能改变。Option选项：constant& 计算检验统计量将常数也包括在内，默认值为排除常数allegs 利用所有方程进行检验，默认只对第一个方程进行检验skipeqs(eqlist) eqlist只能以方程名称而不能以方程序号表示equation(matchlist) 比较设定的方程。force 即使假设条件不满足仍进行检验df(#) 默认值为一致估计与有效估计的协方差矩阵的差的估计sigmamore 协方差矩阵采用有效估计量的协方差矩阵sigmaless&& 协方差矩阵采用一致估计量的协方差矩阵tconsistent(string)& 一致估计量的标题tefficient(string) 有效估计量的标题&
工具变量估计
命令格式：.ivregress esitimator depvar [varlist1] [varlist2=varlist_iv] [if] [in] [weight][,options]其中，estimator包括2sls,gmm,liml三种。varlist1为模型中的外生变量，varlist2为模型中的内生变量，varlist_iv为模型中的工具变量。Nonconstant& 不包括常数项Hascons& 用户自己设定常数项CMM 选项：& wmatrix(wmtype)& robust,cluster clustvar,hac kernel, unadjusted& center& 权数矩阵采用中心矩& igmm 采用迭代GMM估计& eps(#) 参数收敛标准。默认值为eps（le-6）& weps(#)& 权数矩阵的收敛标准。默认值为w eps(le-6)Vce(vcetype) unajusted,robust,cluster clustvar,bootstrap,jackknife,hac kernellevel(#)置信区间First 输出第一阶段的估计结果Small 小样本下的自由度调整.estat firststage [,all forcenonrobust]&&&&&&& 该命令给出第一阶段的估计结果以及各种统计量，包括排除外生变量的相关性检验。All选项给出所有的拟合优度统计量。如果模型存在多个内生变量，则stata给出R2、偏R2、调整的R2 、F统计量；如果模型存在多个内生变量，则stata给出Shea偏R2和调整的偏R2。&&&&&& forcenonrobust给出最小特征值统计量及其临界值，即使采用稳健估计（这一检验的假设条件是误差项为独立正态分布）。&&&&&&&&estat overid[,lag(#) forceweights forcenonrobust]该命令给出了过度识别约束检验。如果使用2sls估计估计，则Stata给Sargan&s(1958)和Basman&s(1960)卡方统计量，这也是Wooldridge&(1995）稳健得分检验。如果采用liml估计方法，则stata给出Anderson and Rubin&s(1950) 卡方统计量以及Basmann F统计量；如果采用GMM估计，则stata给出hansen&s(1982)J统计量。Lags(#)用于计算得分检验的HAC（异方差自相关一致）统计量的过程中进行去噪时设定滞后阶数。如果设定lag(0),则表示不进行去噪处理。默认选择为lag(1)。这一选择仅使用于2sls估计方法和设定vce(hac)选项情况。Forceweight&&& 表示即使采用aweights,pweights或iweights也进行检验。Stata仅对于fweights的情况...
分享这篇日志的人也喜欢
热门日志推荐
人人最热标签
分享这篇日志的人常去
北京千橡网景科技发展有限公司：
文网文[号··京公网安备号·甲测资字
文化部监督电子邮箱：wlwh@··
文明办网文明上网举报电话： 举报邮箱：&&&&&&&&&&&&
请输入手机号，完成注册
请输入验证码
密码必须由6-20个字符组成
下载人人客户端
品评校花校草，体验校园广场苹果/安卓/wp
积分 385, 距离下一级还需 65 积分
权限: 自定义头衔, 签名中使用图片
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡下一级可获得
道具: 抢沙发
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
我用xtabond做动态面板数据模型，检验后发现有自相关，请问自相关对模型结果的影响大么？该如何解决呢？
最好帮忙给出stata相关命令吧，多谢~~
载入中......
细佬读过两年书，尘世中一介迷途小书童。
同问。。。abond检验有自相关，但是sargan检验通过，怎么办呢？
茶几--摆满杯具和洗具～
可以考虑在选项中加入twostep，vce(robust),若还不行的话，则不适用于xtabond语句，改用xtdpd语句（允许自相关），但是该语句比较复杂，楼主可参看help学习
如果用t-2滞后期做工具变量的话，一阶当然存在自相关，也就是AR(1)显著，但只要AR(2)不显著就可以了；
但如果AR(2)显著，就要考虑更高阶的滞后期做工具变量了，比如t-3期，这是一般AR(1)和AR(2)显著，只要AR(3)不显著就可以了
Things change! Roll with them!
我的也出现了这种问题 可以交流一下吗
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师}