stata12面板数据怎么判断选择变截距模型还是变系数模型 面板数据里不变系数模型的问题，拜托指点！
\u7528stata\u786e\u5b9a\u4e86\u4f7f\u7528\u56fa\u5b9a\u6548\u5e94\u6a21\u578b\uff0c\u7136\u540e\u6a21\u578b\u7cfb\u6570\u600e\u4e48\u770b\u5206\u7ed9\u7684\u592a\u5c11\u4e86\u554a\u3002\u9762\u677f\u6570\u636e\u6bd4\u65f6\u95f4\u5e8f\u5217\u548c\u622a\u9762\u6570\u636e\u590d\u6742\u591a\u4e86\u3002\u9996\u5148\u4f60\u5f97\u5bf9\u6a21\u578b\u7684\u8bbe\u5b9a\u548c\u6570\u636e\u7684\u9009\u53d6\u6709\u4e2a\u5927\u6982\u7684\u786e\u5b9a\uff08\u591a\u5c11\u5e74\uff1f\u591a\u5c11\u4e2a\u622a\u9762\uff1f\u591a\u5c11\u4e2a\u53d8\u91cf\uff1f\uff09\uff0c\u7136\u540e\u662f\u5efa\u7acbPOOL\u6570\u636e\uff0c\u9996\u5148\u505aF\u68c0\u9a8c\uff0c\u770b\u770b\u5e94\u8be5\u662f\u7528\u6df7\u5408\u6570\u636e\u6a21\u578b\u3001\u53d8\u622a\u8ddd\u6a21\u578b\u8fd8\u662f\u53d8\u7cfb\u6570\u6a21\u578b\uff0c\u5f53\u7136\uff0c\u6839\u636e\u4f60\u7814\u7a76\u7684\u76ee\u7684\uff0c\u4e5f\u53ef\u4ee5\u53d8\u7cfb\u6570\u6765\u7814\u7a76\u4e0d\u540c\u622a\u9762\u4e4b\u95f4\u662f\u5426\u5728\u67d0\u4e2a\u53d8\u91cf\u4e0a\u5b58\u5728\u4e00\u81f4\u6027\u3002\u91c7\u7528\u56fa\u5b9a\u6548\u5e94\u8fd8\u662f\u968f\u673a\u6548\u5e94\u8981\u505a\u8c6a\u65af\u66fc\u68c0\u9a8c\uff0c\u4e0d\u8fc7\u4e00\u822c\u7528\u56fa\u5b9a\u6548\u5e94\u5c31\u53ef\u4ee5\u3002\u6a21\u578b\u9009\u5b9a\u5c31\u662f\u56de\u5f52\u4e86\uff0c\u53ef\u4ee5\u7528OLS\u4e5f\u53ef\u4ee5\u7528GLS\uff0cDW\u503c\u4e0d\u597d\u7684\uff0c\u53ef\u4ee5\u5728\u6a21\u578b\u4e2d\u52a0AR(N)\u8fdb\u884c\u4fee\u6b63\u3002\u6a21\u578b\u662f\u8981\u4e0d\u65ad\u7684\u5c1d\u8bd5\u548c\u4fee\u6539\u7684\uff0c\u6700\u540e\u53d6\u4e00\u4e2a\u6700\u7b26\u5408\u8981\u6c42\u7684\u3002
\u5f88\u7b80\u5355\uff0c\u7528EVIEWS\u5148\u5bf9\u56de\u5f52\u65b9\u7a0b\u505a\u6df7\u5408\u6a21\u578b\u6c42\u89e3\uff0c\u5728\u7ed3\u679c\u4e2d\u6709\u4e00\u9879Sum squared resid(\u5728\u7ed3\u679c\u7684\u4e0b\u9762\uff0cR\u5e73\u65b9\u503c\u7684\u65c1\u8fb9)\uff0c\u8fd9\u4e2a\u5c31\u662f\u6b8b\u5dee\u5e73\u65b9\u548c\uff0c\u8fd9\u4e2a\u503c\u5c31\u662fS3\uff1b\u7136\u540e\u5728\u7528\u53d8\u622a\u8ddd\u6a21\u578b\u6c42\u89e3\uff0c\u5f97\u51faS3\uff0c\u6700\u540e\u662f\u53d8\u7cfb\u6570\u6a21\u578b\uff0c\u5f97\u51faS1\u3002\u6709\u4e86\u8fd9\u4e09\u4e2a\u503c\uff0cF\u503c\u81ea\u5df1\u624b\u7b97\u5c31\u53ef\u4ee5\u4e86\u3002
\u6709\u4e0d\u61c2\u53ef\u4ee5\u5728\u95ee\u6211\uff0c\u53d8\u622a\u8ddd\u548c\u53d8\u7cfb\u6570\u4e00\u822c\u662f\u7528\u56fa\u5b9a\u6548\u5e94\u6a21\u62df\u3002
短面板处理
面板数据是指既有截面数据又有时间序列的数据，因此其存在截面数据没有的优势，在用stata进行面板数据的估计时，一般选择xtreg命令进行拟合。本节主要论述短面板的stata实现，即时间维度T相对于截面数n较小的数据。在那种情况下，由于T较小，每个个体的信息较少，故无从讨论扰动项是否存在自相关，一般假设其独立同分布。
面板数据维度的确定：
在面板数据进行模型估计前，要进行面板数据的维度确定。由于面板数据既有截面数据又有时间序列，而stata不能自动识别，因此，必须使得stata得知哪一部分是截面数据，而哪一部分是时间序列。
设置面板数据维度的基本命令为：
xtset panelvar timvar [, tsoptions]
其中panelvar代表截面数据变量，timvar代表时间序列变量。
选取某一面板数据进行维度设定（该数据研究职业培训津贴对厂商废弃率的影响）：
xtset fcode year
固定效应估计
xtreg可以估计固定效应与随机效应，两者的差异在于选项的不同。
xtreg用来做固定效应的语法是：
xtreg depvar [indepvars] [if] [in] [weight] , fe [FE_options]
其语法可以help xtreg获得。（说明，其中xt表示面板数据的命令，因此，在stata中输入help xt可以学习面板数据描述、估计等命令。）
选取某一数据进行拟合：
xtreg lscrap d88 d89 grant grant_1,fe
结果显示如下：
其中，(1)表示组内、组间、总体的R方，其中固定效应看组内R-sq，随机效应看总体R-sq。
(2)表示个体效应与解释变量的相关系数。
(3)F检验表示模型整体显著性。
(4)U表示个体观测效应，sigma_u为个体效应的标准差
E表示随机干扰项，u+e为所谓的混合误差，rho是指个体效应的方差占混合误差方差的比重。
随机效应估计
xtreg用来做随机效应的语法是：
xtreg depvar [indepvars] [if][in] [weight] , re [RE_options]
与上一部分类似的估计
xtreg lscrap d88 d89 grantgrant_1,re
（5） 与固定效应不同的是，固定效应F检验处，此处为瓦尔德卡方检验，同样表示模型整体显著性。
固定效应与随机效应的选择：豪斯曼检验
首先，看两个效应的区别
固定效应与随机效应的区别
区别一：
FE / RE 模型可统一表述为： y_it = u_i + x_it*b + e_it
对于FE，个体效应 u_i 被视为一组解释变量，为非随机变量，即 N-1 个虚拟变量；对于RE，个体效应 u_i被视为干扰项的一部分，因此是随机变量，假设其服从正态分布，即 u_i~N(0, sigma_u^2)；在上述两个模型的设定中，e_it都被视为“干干净净的”干扰项，也就是OLS时那个背负着众多假设条件，但长相极为俊俏的干扰项，e_it~N(0,sigma_e^2)。
需要注意的是，在 FE 模型中，只有一个干扰项 e_it，它可以随公司和时间而改变，所有个体差异都采用 u_i 来捕捉。而在 RE 模型中，其实有两个干扰项：u_i 和 e_it，差别在于，第一种干扰项不随时间改变（这也是所谓的“个体效应”的含义），而第二类干扰项可以随时间改变。 因为上述对 FE 和 RE 中个体效应 u_i 的假设之差异，二者的估计方法亦有差异。FE可直接采用OLS估计，而RE则必须使用GLS才能获得更为有效的估计量。
固定效应模型中的个体差异反映在每个个体都有一个特定的截距项上；随机效应模型则假设所有的个体具有相同的截距项，个体的差异主要反应在随机干扰项的设定上 。
区别二：
固定效应更适合研究样本之间的区别，而随机效应适合由样本来推断总体特征。
其次，Hausman检验确定模型形式的选择。
以上面的面板数据为例
xtreg lscrap d88 d89 grant grant_1,fe
est store fe
xtreg lscrap d88 d89 grant grant_1,re
est store re
hausman fe
结果显示：
（1）原假设为随机效应，而最终P值为0.7096，接受原假设，模型最终选择为随机效应。
先求出三个残差平法和，然后手动计算F1 F2。
用虚拟变量，可以在reg 前面加xi: 直接用固定效应的话是不会有截距项产生的。
也是一样，先求出三个残差平法和，然后手动计算F1 F2
这个要根据hausman检验来确定
具体情况看过数据才知道
绛旓細闈㈡澘鏁版嵁缁村害鐨勭‘瀹氾細鍦ㄩ潰鏉挎暟鎹繘琛屾ā鍨嬩及璁″墠锛岃杩涜闈㈡澘鏁版嵁鐨勭淮搴︾‘瀹銆傜敱浜庨潰鏉挎暟鎹棦鏈夋埅闈㈡暟鎹張鏈夋椂闂村簭鍒楋紝鑰宻tata涓嶈兘鑷姩璇嗗埆锛屽洜姝わ紝蹇呴』浣垮緱stata寰楃煡鍝竴閮ㄥ垎鏄埅闈㈡暟鎹紝鑰屽摢涓閮ㄥ垎鏄椂闂村簭鍒椼傝缃潰鏉挎暟鎹淮搴︾殑鍩烘湰鍛戒护涓猴細xtset panelvar timvar [, tsoptions]鍏朵腑panelvar浠ｈ〃鎴潰鏁版嵁鍙橀噺...
绛旓細缁撴灉鐨勫墠涓よ琛ㄧず妯″瀷鐨勭被鍒紝LZ閲囩敤鐨勪负randomeffect闅忔満妯″瀷锛屾埅闈㈠彉閲忥細province锛屾牱鏈暟鐩310.缇ょ粍鏁扮洰31锛屼篃灏辨槸姣忕粍10涓娴嬪笺 3-5琛岃〃绀烘ā鍨嬬殑鎷熷悎浼樺害锛屽垎鍒负within锛宐etween锛宱verall锛岀粍鍐咃紝缁勯棿锛屾讳綋涓変釜灞傛銆
绛旓細鏂规硶涓 濡傛灉浣犵殑浣犵殑闈㈡澘鏁版嵁鏄10涓湴鍖10骞寸殑鏁版嵁锛屽湴鍖虹殑鍙橀噺鍚嶆槸region锛屽勾浠界殑鍙橀噺鍚嶆槸year銆傜洿鎺ュ湪stata閲岄潰杈撳叆锛歵sset region year鐒跺悗stata灏变細鎶婁綘鐨勬暟鎹瘑鍒负闈㈡澘鏁版嵁鍟︼紒鏂规硶浜 1.鍏堝仛涓涓狤xcel琛ㄦ牸锛岀劧鍚庡皢excel瀵煎叆鍒皊tata涓2.浠ュ湴鍖洪潰鏉挎暟鎹负渚嬶紝妯潃涓猴細鍚勫湴鍖虹殑鍚嶇О锛涚旱鐫涓猴細鍚勫勾...
绛旓細灏辨槸鎶婄郴鏁板拰p鍊肩湅涓涓嬶紝F鍜孯2鐪嬩竴涓嬶紝灏卞彲浠ヤ簡 鎴戞浛鍒汉鍋氳繖绫荤殑鏁版嵁鍒嗘瀽铔鐨
绛旓細aa bb cc,fe锛坬ui灏辨槸quietly锛岃stata鍙繍绠椾絾鏄笉瑕佽緭鍑篺e鐨勭粨鏋滐級est store fe锛堝偍瀛榝e鐨勭粨鏋滐級qui xtreg yy aa bb cc,re est store re hausman fe 鐒跺悗stata灏变細绠楀嚭鏉ヤ竴涓猚hi2鍊硷紝鐒跺悗缁欏嚭涓涓猵rob锛瀋hi2=?鐨勭粨鏋滐紙涓嶇煡閬撲负浠涔堟湁鏃跺欒绛夊崐鍒嗛挓鎵嶅嚭鏉ワ級锛屽鏋滆繖涓猵鍊煎皬浜0.05锛屽氨鐢ㄥ浐瀹...
绛旓細鍙互瑙嗕负闈㈡澘鏁版嵁銆備絾鏄洜涓哄勾浠戒笉澶氾紝鎵浠ュ鐞嗘暟鎹椂鎰忎笉鏄お澶э紝涓嶈繃杩樻槸鏈変竴瀹氭剰涔夈
绛旓細鍏充簬杈撳叆闈㈡澘鏁版嵁锛屼竴鑸槸涓ょ鏂规硶鐢ㄧ殑澶氾細1鏄厛鍦╡xcel鏁寸悊濂斤紝鐒跺悗鐩存帴瀵煎叆锛坕mport锛夋垨鑰呭鍒剁矘璐达紱2鏄洿鎺ヨ緭鍏ユ暟鎹紝鐒跺悗閫氳繃sort绛夊懡浠ゆ暣鐞嗐傚叧浜庤嚜鍙橀噺銆佸洜鍙橀噺锛屾帶鍒跺彉閲忥紝鏄笉闇瑕佸尯鍒嗙殑锛岀洿鎺ヨ緭鍏ュ嵆鍙
绛旓細1銆佹墦寮杞欢锛屽湪娆㈣繋鐣岄潰NewTable&Graph閫夋涓夋嫨Column鈫扙nterandploterrorvaluesalreadycalculatedelsewhere鈫扢ean锛孲D锛孨鈫扖reate锛屽垱寤哄苟杩涘叆鏁版嵁琛ㄣ2銆佹墦寮Stata10杞欢锛岀偣鍑诲乏涓婅鐨勨淔ile鈥濋夐」锛岀劧鍚庨夋嫨鈥渋mport鈥濄傜偣鍑烩渋mport鈥濋夐」鍚庯紝閫夋嫨鈥淓xcelspreadsheet鈥濋夐」銆傚湪鏂板脊鍑虹殑鈥渋mportExcel鈥濈晫闈...
绛旓細涓嶅彲浠ャstata闈㈡澘鏁版嵁灏戦噺缂哄け鍙互锛屼絾缂哄け澶涓嶅彲浠ャ傞潰鏉挎暟鎹紝鍗砅anelData锛屼篃鍙滃钩琛屾暟鎹濓紝鏄寚鍦ㄦ椂闂村簭鍒椾笂鍙栧涓埅闈紝鍦ㄨ繖浜涙埅闈笂鍚屾椂閫夊彇鏍锋湰瑙傛祴鍊兼墍鏋勬垚鐨勬牱鏈暟鎹傛垨鑰呰浠栨槸涓涓猰*n鐨勬暟鎹煩闃碉紝璁拌浇鐨勬槸n涓椂闂磋妭鐐逛笂锛宮涓璞＄殑鏌愪竴鏁版嵁鎸囨爣銆
绛旓細鍦ㄨ繘琛Stata闈㈡澘鏁版嵁鐨勫垎鏋愭椂锛岄鍏堥渶瑕侀氳繃xtset鍛戒护璁剧疆鏁版嵁鐨勯潰鏉跨粨鏋勩傛帴鐫锛岄噰鐢▁treg鍛戒护鎵ц鍥哄畾鏁堝簲鐨勯潰鏉挎暟鎹洖褰掞紝骞跺湪鍛戒护鍚庢坊鍔爁閫夐」浠ヨ幏鍙栫粨鏋溿傚湪杩欎釜杩囩▼涓紝杩涜鏂瑰樊鑶ㄨ儉鍥犲瓙锛圴IF锛夋楠屾槸甯歌姝ラ锛屼互妫鏌ュ閲嶅叡绾挎ч棶棰樸傜劧鑰岋紝褰撻亣鍒板洜鍙橀噺y瀛樺湪缂哄け鍊肩殑鎯呭喌鏃讹紝闂灏辨樉鐜板嚭鏉ャ傚鏋滀笉浣跨敤...
