《计量经济学导论》的原文摘录
-
*-chp11_二值选择模型 /* * 二值模型的stata命令为 probit y x1 x2 x3, r //probit模型 logit y x1 x2 x3, or vce(cluster culstvar) //logit模型 // r表示稳健标准误，or 表示显示几率比，选择项vce(cluster culstvar) 表示使用clustvar 为聚类变量的聚类稳健标准误 * 估计后，可以用以下命令进行预测，并计算准确预测的百分比 predict yhat //计算发生概率的预测值yhat estat clas //计算预测准确的百分比，clas表示classification * 在stata 12中，计算边际效应的命令为， margins, dydx(*) //计算所有解释变量的平均边际效应 margins, dydx(*) atmeans //计算所有解释变量在样本均值处的边际效应 margins, dydx(*) at (x1=0) //计算所有解释变量在x1=0处的边际效应 margins, dydx(x1) //计算解释变量x1的平均边际效应 margins, eyex(*) //计算平均弹性，其中两个“e”均指elasticity margins, eydx(*) //计算平均半弹性，x变化1单位引起y变化百分之几 margins, dyex(*) //计算平均半弹性，x变化1%引起y变化几个单位 // 其中，“*”代表所有解释变量 */ *- e.g. cd "…/data" use womenwk.dta, clear reg work age married children education, r * 其次，用logit估计 logit work age married chi... (查看原文) —— 引自章节：第11章二值选择模型 -
*-chp14 受限被解释变量 *- 14.1 断尾回归 * 断尾回归的stata命令： * truncreg y x1 x2 x3, ll(#)ul(#) * 选择项“ll(#)”表示lower limit，即左边断尾； * 选择性“ul(#)”表示upper limit，即右边断尾； * 如果同时使用两个选择项，则表示双边断尾。 cd "…data" use laborsub.dta, clear tab lfp * 先进性ols回归 reg whrs kl6 k618 wa we if whrs > 0 * 然后进行断尾回归，假设在“whrs=0”处存在左边断尾 truncreg whrs kl6 k618 wa we, ll(0) nolog *- 14.2 零断尾泊松回归与负二项回归 * ztp y x1 x2 x3, r //（零断尾泊松回归） * ztnb y x1 x2 x3, r //（零断尾负二项回归，默认为NB1模型） * ztnb x1 x2 x3, r dispersion(constant) //（零断尾负二项回归，NB1模型） // 其中选择项 “r” 表示使用稳健标准误 * e.g. use CRIME1.dta, clear drop if narr86 == 0 * 首先进行零断尾泊松回归 ztp narr86 pcnv avgsen tottime ptime86 qemp86 inc86 black hispan born60, r nolog * 如果直接用所有解释变量进行零断尾负二项回归，无论 NB1 还是 NB2 ，都不会收敛，为演示目的，在解释变量中去掉断尾回归中最不显著的两个变量 ptime86 与 born60，再进行 NB2 回归。 *- 14.3 随机前沿模型（选读） * 随机前沿模型的stata命... (查看原文) —— 引自章节：第14章受限被解释变量 -
clear all cd …… global Out …… use $Out/nerlove.dta, clear reg lntc lnq lnpl lnpk lnpf * 画残差图 rvfplot rvpplot lnq * white检验 estat imtest, white * BP检验 estat hettest, iid estat hettest, rhs iid estat hettest lnq, iid * WLS cap drop e1 e2 lne2 reg lntc lnq lnpl lnpk lnpf //回归 predict e1, res //计算残差 g e2 = e1^2 //生成残差的平方 g lne2 = log(e2) //先取对数 reg lne2 lnq, noc //做辅助回归， 从结果可知残差平方与lnq高度相关（0.75） predict lne2f //计算辅助回归的拟合值 g e2f = exp(lne2f) //去掉对数 reg lntc lnq lnpl lnpk lnpf [aw = 1/e2f] (查看原文) —— 引自章节：7.5处理异方差的Stata命令及实例 -
*-chp9 模型设定与数据问题 * 9.4 解释变量个数的选择 clear all cd "……" * reg y x1 x2 x3 * estat ic use icecream.dta, clear qui reg consumption temp price income estat ic qui reg consumption temp L.temp price income estat ic qui reg consumption temp L.temp L2.temp price income estat ic * 9.5 对函数形式的检验 * reg y x1 x2 x3 * estat ovtest //使用y拟合值的高次项作为非线性项 * estat ovtest, rhs //使用解释变量的幂作为非线性项 * reg y x1 x2 x3 * linktest use nerlove.dta, clear qui reg lntc lnq lnpl lnpk lnpf linktest //_hatsq显著，所以存在设定误差 estat ovtest //拒绝的“无遗漏变量”假设 estat ovtest, rhs //拒绝的“无遗漏变量”假设 g lnq2 = lnq^2 reg lntc lnq lnq2 lnpl lnpk lnpf linktest estat ovtest * 9.6 多重共线性 use nerlove.dta, clear qui reg lntc lnq lnpl lnpk lnpf estat vif * 9.7 极端数据 reg y x1 x2 x3 predict lev, leverage //列出所有解释变量的lev值 gsort -lev //将所有观测数据按lev的... (查看原文) —— 引自章节：第9章模型设定与数据问题 -
* chp13 计数与排序模型 * 13.1 排序模型 * 排序模型的stata命令为： * oprobit y x1 x2 x3 //ordered probit 模型 * ologit y x1 x2 x3 //ordered logit 模型 cd "…data" use panel84extract.dta, clear oprobit rating83c ia83 dia, nolog // cut1, cut2, cut3为切点的估计值 * 可以预测每个公司的评价概率 predict p2 p3 p4 p5 list p2 p3 p4 p5 in 1/1 * 进行ordered logit 估计，然后预测每个公司的评级概率，并列出第一个观测值的预测结果 ologit rating83c ia83 dia, nolog * 13.2 泊松回归 * poisson y x1 x2 x3, r irr * poisson y x1 x2 x3, r exposure(x1) * poisson y x1 x2 x3, r offset(x1) *- 13.3 负二项回归 * nbreg y x1 x2 x3, r exposure(x1) * nbreg y x1 x2 x3, r dispersion(constant) offset(x1) // r表示使用稳健标准误 // 选择项 dispersion(constant)表示使用NB1模型（默认使用NB2模型） // 选择项 exposure(x1)表示吧lnx1作为解释变量，并令其系数为1 // 选择项 offset(x1)表示把x1作为解释变量，并令其系数为1 * 广义负二项模型 * gnbreg y x1 x2 x3, r lnalpha(z1 z2) // 选择项 lnalpha(z1 z2)... (查看原文) —— 引自章节：第13章排序与计数模型 -
*-chp28 处理效应 *-28.1 处理效应与选择难题 *-28.2 通过随机分组解决选择难题 *-28.3 依可测变量选择 *-28.4 匹配估计量的思想 *-28.5 倾向得分匹配 *-28.6 倾向得分匹配的stata实例 * psmatch2 D X1 X2 X3, outcome(y) logit ties ate common odds pscore(varname) quietly * D 处理变量 * x1 x2 x3 协变量 * outcome(y) 指定结果变量 * logit 使用logit估计倾向得分 * ties 包括所有ps相同的并列个体，默认按照数据排序选择其中一位个体 * ate 同时汇报ate, atu 与 att,默认只汇报 att * common 仅对共同取值范围内个体进行匹配，默认对所有个体匹配 * odds 使用几率比匹配，more使用倾向得分匹配 * pscore(varname) 指定某变量作为倾向得分，默认通过 x1 x2 x3 估计倾向得分 * quietly 不汇报估计过程 * 1) psmatch2 D x1 x2 x3, outcome(y) neighbor(k) noreplacement * neighbor(k) 表示进行k 近邻匹配；默认 k = 1，即 1 对 1匹配 * noreplacement 表示无放回匹配，默认为又放回 * 该选项只能用于 1 对 1 匹配 * 2) psmatch2 D x1 x2 x3, outcome(y) radius caliper(real) * radius 表示进行半径匹配 * caliper(real) 指定卡尺ε * 3) psmatch2 D x1 x2 x3, outcome(y) neighbor(k) caliper(real) * neig... (查看原文) —— 引自章节：第28章处理效应 -
*-chp29 空间计量经济学 *-29.1 地理学第一定律 *-29.2 空间权重矩阵 *-29.3 空间自相关 * 空间自相关的指标计算与假设检验可通过下载非官方命令实现 clear all cd "…data * findit spatreg * spatwmat 定义空间权重矩阵 * spatgsa 全局空间自相关检验 * spatlsa 局部空间自相关检验 * spatcorr 考察空间自相关，指标对距离临界值 d 的依赖性 * spatdiag 针对 ols 回归结果，诊断是否存在空间效应 * spatreg 估计空间滞后与空间误差模型 * 考察房价与家庭收入对犯罪率的作用、 * 运行 spat 的前提是通过命令 spatwmat 定义空间权重矩阵。 * 将数据集置于stata的当前目录下。 * 如果不知道目录在哪儿 * 可通过输入命令 pwd （表示 "path of working directory"）来显示当前目录 * 然后再输入以下命令 spatwmat using columbusswm.dta, name(W) * name(W) 表示根据数据集生成的空间权重矩阵为 W matrix list W //查看空间矩阵 * 计算被解释变量 crime 的全局自相关指标及相应检验 use columbusdata.dta, clear spatgsa crime, weights(W) moran geary go twotail // 以上均拒绝 “无空间自相关” 的原假设 * 计算局部空间自相关 spatlsa crime, w(W) moran twotail *-29.4 空间自回归模型 *-29.5 空间杜宾模型 *-29.6 空间误差模型 * 继续以 columbusd... (查看原文) —— 引自章节：第29章空间计量经济学 -
*-chp6_正态检验 sysuse "auto.dta", clear /* hist mpg, normal // 直方图与正态密度 kdensity mpg, normal lpattern("-") // 核密度与正态密度 qnorm mpg // 话变量的qq图 */ su mpg, detail //显示变量的偏度与峰度 di (r(N) / 6) * (r(skewness)^2) + [(1/4) * (r(kurtosis)-3) ^ 2] di chi2tail(2, 14.031924) jb6 mpg // jb检验 sktest mpg // sktest检验 swlik mpg // S-W检验 sfrancia mpg // S-F检验 gen lnmpg = log(mpg) //取对数 kdensity lnmpg, normal lpattern(dash) jb6 lnmpg sktest lnmpg (查看原文) —— 引自章节：第6章最大似然估计法 -
* 8.5 处理自相关的Stata命令及实例 /* * 1. 时间序列算子 tsset year * 2. 画残差图 scatter e1 L.e1 // L.e1为滞后一期的残差 ac e1 // 看残差自相关图 pac e1 // 看残差偏自相关图 * 3. 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 * 4. Ljung-Box Q 检验 reg y x1 x2 x3 predict e1, resid // 将回归残差命名为e1 wntestq e1 //使用Stata提供的默认滞后期 wntestq e1, lags(p) //使用自己指定的滞后期 * 5. DW检验 * 做完回归后直接 estat dwaston 显示DW统计量 * 6. HAC稳健标准误 newey y x1 x2 x3, lag(p) // HAC标准误，必须指定滞后阶数p reg y1 x1 x2 x3,cluster(stata) //聚类稳健标准误，假设聚类变量为state * 7. 处理一阶自相关的FGLS prais y x1 x2 x3 // 使用默认的PW估计法 prais y x1 x2 x3, corc // 使用CO 估计法 */ *-example cd 路径名 global Out "路径名" use $Out/icecream.dta, clear tsset time graph twoway connect consumption temp100 time, msymbol(circle) msymbol(triangle) reg consumption temp price income pr... (查看原文) —— 引自章节：第8章自相关 -
cd "……" /* * 10.3 二阶段最小二乘法 ivregress 2sls y x1 (x2 = z1 z2) //使用普通标准误 ivregress 2sls y x1 (x2 = z1 z2), r first //在第一阶段使用稳健标准误 h ivreg2 * 10.4 有关工具变量的检验 estat firststage, all forcenonrobust //检验弱工具变量 ivregress liml depvar [varlist1] [varlist2 = instlist] //LIML的stata命令 * 究竟该用OLS还是IV：对解释变量内生性的检验 reg y x1 x2 estimates store ols ivregress 2sls y x1 (x2 = z1 z2) estimates store iv hausman iv ols, constant sigmamore //根据存储的结果进行Hausman检验 * DWH检验 estat endogenous * GMM的stata命令 ivregress gmm y x1 (x2 = z1 z2) //两步GMM ivregress gmm y x1 (x2 = z1 z2), igmm //迭代GMM estat overid //过度识别检验 * 使用异方差自相关稳健的标准误的GMM命令 * ivregress gmm y x1 (x2 = z1 z2), vce(hac nwest[#]) */ * 10.10 工具变量法的stata命令及实例 use grilic.dta, clear sum pwcorr iq s, sig reg lw s expr tenure rns smsa, r * 引入智商(iq)作为“能力”的代理变了，再OL... (查看原文) —— 引自章节：第10章工具变量，2SLS与GMM -
* 12.3 混合Logit模型 clear all cd "…data" * mlogit y x1 x2 x3, rrr base(#) * 可以通过非官方命令mlogtest对IIA假定进行检验： * h sg155 * mlogit, hausman base * mlogit, smhsiao base * 多项 Probit 模型的命令为： * mprobit y x1 x2 x3, rrr base(#) * 条件 Logit 模型的命令为： * clogit y x1 x2 x3, group(varname) or // 必选项 “group(varname)”用来指定由归属同一个体的观测值所构成的一组 // 选择项“or”表示汇报“几率比”(odds ration) // 命令clogit 不能直接处理只随个体而变的解释变量 * 混合Logit模型的stata命令 * asclogit y x1 x2 x3, case(varname) alternatives(varname) casevars(varname) base(#) or // 命令 “asclogit” 表示“alternative-specific conditional logit” // 必选项“case(varname)”用于指定个体(case) // 必选项“alternatives(varname)”用来指定方案 // 选择项“base(#)”用来指定参照方案 // 选择项“or”表示汇报“几率比”(odds ratio) use nomocc2.dta, clear sum list in 1/6 sumup occ, statistics(n mean p50 sd min max) mlogit occ white ed exper, nolog //多项... (查看原文) —— 引自章节：第12章多值选择模型 -
*- chp15 短面板 *- 15.13 短面板的stata命令及实例 * 1.面板数据的设定 * xtset panelvar timevar * 命令 "xtset" 告诉stata数据为面板数据 * 其中面板（个体变量）"panelvar" 的取值必须为整数且不重复，相当于把每个个体进行编号 * 而 "timevar" 为时间变量 * 加入 "panelvar" 本来是字符串（e.g. 国家名字country），可以使用 "encode country, gen(cntry)" 将其转换为数值型 * "xtdes" 显示面板数据的结构，是否为平衡面板 * "xtsum" 显示组内，组间与整体的统计指标 * "xttab varname" 显示组内，组间与整体的分布频率，tab指的是tabulate * "xtline varname" 对每个个体分别显示该变量的时间序列图，如果希望将所有个体的时间序列图放在一起,可使用选项 overlay clear all cd "…data" use traffic.dta, clear xtset state year xtdes findname, v(30) *显示统计特征 xtsum fatal beertax spircons unrate perinck state year * 显示 fatal 在48个州的时间趋势图 * xtline fatal * 2.混合回归 * reg y x1 x2 x3, vce(cluster id) * 其中， id 指用来确定每个个体的变量 reg fatal beertax spircons unrate perinck, vce(cluster state) estimates store ols * 选择项 vce(cluster state) 表示，使用 sta... (查看原文) —— 引自章节：第15章短面板 -
*- chp16 长面板与动态面板 *chp16.2 面板校正标准误 * xtpcse y x1 x2 x3, hetonly * 其中，hetonly 表示存在组间异方差，但不存在组间同期相关；more既存在组间异方差，也存在组间同期相关 * e.g. * lnp代表价格效应 * lnpmin 代表替代效应（可以购买更低价的香烟） * lny 代表收入效应 clear all cd "…data" use mus08cigar.dta, clear * 为考虑时间效应，生成时间趋势变量t * 然后用LSDV法估计双向固定效应模型（作为对比，先不考虑组间异方差或同期相关） gen t = year - 62 reg lnc lnp lnpmin lny i.state t, vce(cluster state) est store OLS // 回归结果显示，有些州虚拟变量很显著，即存在固定效应，应允许每个州拥有自己的截距项 // 时间效应则不太显著，p值高达0.19 // 然而，上表中的稳健标准误未考虑可能存在的组间异方差与组间同期相关 // 为此，使用面板校正标准误 xtpcse lnc lnp lnpmin lny i.state est store PCSE * 从上表可知，命令 xtpcse 的估计系数与命令 reg 的估计系数完全一致，只是标准误不同。 * 在本例中，面板校正标准误似乎反而更小。 *- 16.3 仅解决组内自相关的FGLS * xtpcse y x1 x2 x3, corr(ar1) corr(psar1) * 选择项 corr(ar1) 对应于 ρi = ρ 的情形； * 而选择项 corr(psar1) 则允许每个面板有自己的 ρi, psar1 指 panel-specific arl. * 如果 T 并不比 n 大很多，则建议... (查看原文) —— 引自章节：第16章长面板与动态面板 -
*-17 非线性面板 * 17.1 面板二值选择模型 * 对于面板数据，如果被解释变量为虚拟变量，则称为“面板二值选择模型” * probit y x1 x2 x3, vce(cluster id) //混合probit回归 * logit y x1 x2 x3, vce(cluster id) //混合logit回归 * 17.2 面板二值选择模型的随机效应估计 * xtprobit y x1 x2 x3 //默认为随机效应probit * xtlogit y x1 x2 x3 //默认为随机效应logit * 17.3 面板二值选择模型的固定效应估计 * xtlogit y x1 x2 x3, fe * 17.4 面板二值选择模型的stata实例 cd …data use uprising.dta, clear * 首先，估计固定效应面板logit估计 xtlogit uprising age pop temp sfamine sfamine1 sfamine2 sfamine3 relief relief1 relief2 relief3, fe nolog est store FE * 其次，估计混合回归logit模型 logit uprising age pop temp sfamine sfamine1 sfamine2 sfamine3 relief relief1 relief2 relief3 if dyn ~= 2, vce(cluster dyn) nolog * 为了在固定和混合之间做选择，下面进行Hausman检验 * 但Hausman检验不允许在混合回归使用vce(cluster dyn)，故重新进行混合回归 qui logit uprising age pop temp sfamine sfamine1 sfamine2 sfami... (查看原文) —— 引自章节：第17章非线性面板 -
*-chp18 随机实验与自然实验 clear all cd "…data" * diff y, treat(varname) p(varname) cov(z1 z2) robust report test use cardkrueger1994.dta, clear gen gd = t * treated //定义交叉项 gd reg fte gd treated t, r * 使用 diff 估计 diff fte, t(treated) p(t) robust * 引入快餐品牌虚拟变量 reg fte gd treated t bk kfc roys, r * diff 引入其他解释变量 diff fte, t(treated) p(t) cov(bk kfc roys) robust * 使用diff检验个变量在实验组与控制组的均值是否相等 set line 250 diff fte, t(treated) p(t) cov(bk kfc roys wendys) test (查看原文) —— 引自章节：第18章随机实验与自然实验 -
*-chp19 蒙特卡罗法与自助法 *-19.1 蒙特卡罗法的思想与用途 * 蒙特卡罗法实例：模拟中心极限定理 program onesample, rclass drop _all set obs 30 gen x = runiform() sum x return scalar mean_sample = r(mean) end simulate xbar = r(mean_sample), seed(101) reps(10000):onesample hist xbar, normal xtitle("xbar from many sample") *-19.3 蒙特卡罗法实例：服从卡方分布的扰动项 clear all program chi2data, rclass drop _all set obs 30 gen double x = rchi2(1) gen y = 1 + 2 *-x + rchi2(1) - 1 reg y x return scalar t2 = (_b[x]-2) / _se[x] return scalar r2 = abs(return(t2)) > invttail(28, 0.025) end simulate reject = r(r2), reps(1000) seed(101): chi2data mean reject *-19.4 蒙特卡罗积分 clear all set obs 100 set seed 1234 gen double y = rnormal(0, 1) gen double gy = exp(-exp(y)) sum gy clear all set obs 1000 set seed 1234 gen double y = rnormal(0, 1) gen double gy = e... (查看原文) —— 引自章节：第19章蒙特卡罗法与自助法 -
*-chp20 平稳时间序列 *-20.1 时间序列的数字特征 *-20.2 自回归模型 *-20.3 移动平均模型 *-20.4 ARMA *-20.5 自回归分布滞后模型 *-20.6 ARMA模型的Stata命令及实例 * 1. 自相关与偏相关 * corrgram y, lags(#) * ac y, lags(#) * pac y, lags(#) * 2. ARMA * arima y, ar(1/#) ma(1/#) * ar(1/#) 表示第1至第#阶自回归 * ma(#) 表示第1至第#阶移动平均 * ARMA 的另一等价命令为： * arima y, arima(#p, #d, #q) * #p 表示自回归的阶数 * #q 表示移动平均的阶数 * #d 表示原序列{yi}需要经过几次差分才是平稳过程 * 检验残差项是否存在自相关： * predict e1, res //计算残差，并命名为e1 * corrgram e1, lags(#) //检验残差是否存在第1至第#阶自相关的Q检验 * 3. ADL 与 ARMAX * ARMAX 的 Stata 命令： * arima y x1 x2 x3, ar(#) ma(#) * 对非平稳序列 logpe 建立ARMA模型 * 首先定义其一阶差分为 d_logpe cd "…data" use pe.dta, clear tsset year g d_logpe = d.logpe * 计算前10阶自相关与偏相关系数 corrgram d_logpe, lags(10) ac d_logpe, lags(10) pac d_logpe, lags(10) * 第4阶自相关与偏相关系数显著不为0 * 考虑AR(4) 与 MA(4) 模型 arima d_logpe, ar(1/4) nolog estat ... (查看原文) —— 引自章节：第20章平稳时间序列 -
*-chp 21 单位根所带来的问题 *-21.1 非平稳序列 *-21.2 ARMA的平稳性 *-21.3 VAR的平稳性 *-21.4 单位根所带来的问题 * 1. 自回归系数的估计值向左偏向于0 * 2. 传统的t检验失效 * 3. 两个相互独立的单位根变量可能出现伪回归或伪相关 clear all drop _all //删去内存中已有的数据 set obs 10000 set seed 1234 gen u = rnormal() //产生服从标准正态分布的扰动项ui gen y = sum(u) set seed 12345 gen v = rnormal() //产生服从标准正态分布的扰动项vi gen x = sum(v) //定义随机游走 reg y x gen t = _n //定义时间变量t line y x t, lpattern(dash) * 如何避免伪相关或伪回归？ * 1. 先对变量做一阶差分，然后再回归。 * 2. 协整，但首先必须对是否存在单位根进行检验 *- 21.5 单位根检验与平稳性检验 * 1. DF检验 * 2. ADF检验 * 是否应该带常数项或时间趋势项，主要应从理论上考虑。 * 在进行ADF检验时，如果确定滞后阶数p是个问题。 * dfuller y, lags(p) regress noconstant drift trend * lags(p) 表示包含p阶滞后差分项，默认为lags(0),对应于DF检验 * regress 表示显示回归结果 * 3. PP检验 * pperron y, noconstant trend regress lags(#) * lags(#) 指定N-W滞后阶数 * 其他选择项含义与ADF检验(... (查看原文) —— 引自章节：第21章单位根与协整 -
*-chp22 自回归条件异方差模型 *-22.1 条件异方差模型的例子 *-22.2 ARCH模型的实质 *-22.3 ARCH模型的MLE估计 *-22.4 GARCH模型 *-22.5 何时使用ARCH或GARCH模型 *-22.6 ARCH 与 GARCH模型的扩展 *-22.7 ARCH 与 GARCH 的stata命令及实例 * arch y x1 x2, arch(1/3) // ARCH(3) * arch y x1 x2, arch(1) garch(1) // GARCH(1 ,1) * arch y x1 x2, ar(1) ma(1) arch(1) garch(1) //带ARMA(1, 1) 的 GARCH(1, 1) * arch y x1 x2, arch(1) dist(1) //ARCH(1)，将扰动项服从 t 分布 * arch y x1 x2, arch(1) het(z1 z2) //ARCH(1)，将z1, z2加入条件方差方程 * arch y x1 x2, arch(1) garch(1) tarch(1) //GARCH(1, 1)加上TARCH(1) * arch y x1 x2, earch(1) egarch(1) //EGARCH(1 ,1) * arch y x1 x2, arch(1/3) archm //ARCH(3) 加上ARCH-M * 首先，看日收益率的时间趋势 cd "…data" use sp500.dta, clear line r t varsoc r, maxlag(8) * 上表显示，大多数准则均选择AR(5)模型 reg r L(1/5).r * 对OLS残差是否存在ARCH效应进行LM检验 estat archlm, lags(1/5) * 通过画图更直观地考察 o... (查看原文) —— 引自章节：第22章自回归条件异方差模型 -
*-chp23 似不相关回归 *-23.1 单一方程估计与系统估计 *-23.2 似不相关回归的假定 *-23.3 SUR 的 FGLS 估计 *-23.4 SUR 的假设检验 *-23.5 似不相关回归的stata命令及实例 * sureg (depvar1 varlist1) (depvar2 varlist2) … (depvarn varlistn), isure corr * isure 表示迭代至收敛 * corr 汇报对无同期相关的检验 * 如果要检验联合假设“第1个方程中变量x的系数与第2个方程中变量z，以及第3个方程中变量w的系数相等”，可使用： * test ([depvar1]x = [depvar2]z) ([depvar1]x = [depvar3]w) * 如果要在满足以上两个约束条件的情况下进行SUR估计，则： * contraint1 [depvar1]x = [depvar2]z （定义第1个约束条件） * contraint2 [depvar1]x = [depvar2]w （定义第1个约束条件） * sureg (depvar1 varlist1) (depvar2 varlist2) … (depvarn varlistn),c(1)(2) cd "…data" use hsb2.dta, clear reg3 (read female ses schtyp socst)(math female ses schtyp science), ols est store OLS * reg3 为 三阶段最小二乘法（3SLS），加上 "ols" 后则进行单一方程OLS估计。 * 由于被解释变量 read 与math为同一学生的阅读与数学成绩，故这两个方程的扰动项在理论上很可能存在相关性。 sureg (read female ses sc... (查看原文) —— 引自章节：第23章似不相关回归
作者: 杰弗里·M·伍德里奇(Jeffrey M.Wooldridge)
isbn: 7300123198
书名: 计量经济学导论
页数: 825
定价: 95.00元
出版社: 中国人民大学出版社
出版年: 2010-6-1
装帧: 平装