stata总结.docxVIP

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。?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, nocpredict 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。)（4）可行广义最小二乘法（FGLS）6.自相关?时间序列中容易出现自相关，而截面数据也可能存在空间自相关。人为处理数据如移动平均等做法也可能导致自相关。?检验自相关可以：（1）作图，但并不严格。?定义滞后算子L.(只有时间序列数据和面板数据才能定义时间变量。)?tsset yaear?一阶差分：D.x=xt-xt-1??D2. X=xt-xt-2?LD. 表示一阶差分的滞后值?画图：scatter el L.el?ac el??(看自相关图)?pac el (看偏相关图)（2）BG检验?estat bgodfrey??(默认p=1)estat bgodfrey，lags（p）estat bgodfrey， nomiss0??(使用不添加0的BG检验)?使用命令ac 查看自相关图，或者设置较大的p值进行显著性检验，t期不显著了，则选择P=T-1?统计检验P值小，则拒绝假设。（3）box-pierce Q检验/ Ljung-Box Q?reg y x1 x2 x3?predict el, resid?wntestq el? ?(使用stata提供的默认滞后期)?wntestq el, lags(p)? ?(使用自己设定的滞后期)（4）DW检验：现在已经不常用，因为其只能检验一阶自相关。?estat dwatson自相关的处理方法：（1）使用OLS+异方差自相关稳健的标准差（H