STATA面板数据模型操作命令要点.pdf

STATA面板数据模型操作命令要
点

D

可以看出，LM检验得到的P值为0.0000，表明随机效应非常显著。可见，
随机效应模型也优于混合OLS模型。

●3、检验固定效应模型or随机效应模型（检验方法：Hausman检验）

原假设：使用随机效应模型（个体效应与解释变量无关）
通过上面分析，可以发现当模型加入了个体效应的时候，将显著优于截距

项为常数假设条件下的混合OLS模型。但是无法明确区分FEorRE的优劣，这
需要进行接下来的检验，如下：

Step1：估计固定效应模型，存储估计结果
Step2：估计随机效应模型，存储估计结果
Step3：进行Hausman检验
●quixtregsqcpiunemgse5ln,fe
eststorefe
quixtregsqcpiunemgse5ln,re
eststorere
hausmanfe(或者更优的是hausmanfe,sigmamore/sigmaless)

可以看出，hausman检验的P值为0.0000，拒绝了原假设，认为随机效应
模型的基本假设得不到满足。此时，需要采用工具变量法和是使用固定效应模
型。

（三）静态面板数据模型估计

●1、固定效应模型估计

●xtregsqcpiunemgse5ln,fe(如下图所示)

其中选项fe表明我们采用的是固定效应模型，表头部分的前两行呈现了模
型的估计方法、界面变量的名称（id）、以及估计中使用的样本数目和个体的数
目。第3行到第5行列示了模型的拟合优度、分为组内、组间和样本总体三个

层面，通常情况下，关注的是组内（within），第6行和第7行分别列示了针对
模型中所有非常数变量执行联合检验得到的F统计量和相应的P值，可以看出，
参数整体上相当显著。

需要注意的是，表中最后一行列示了检验固定效应是否显著的F统计量和
相应的P值。显然，本例中固定效应非常显著。

●2、随机效应模型估计

若假设本例的样本是从一个很大的母体中随机抽取的，且与解释变量均
i
不相关，则我们可以将视为随机干扰项的一部分。此时，设定随机效应模型
i
更为合适。

●xtregsqcpiunemgse5ln,re(如下图所示)

●3、时间固定效应（以上分析主要针对的是个体效应）

如果希望进一步在上述模型中加入时间效应，可以采用时间虚拟变量来实现。

首先，我们需要定义一下T-1个时间虚拟变量。

●tabyear,gen(dumt)
(tab命令用于列示变量year的组类别，选项gen（dumt）用于生产一个以dumt开头的年度虚拟变

量)

dropdumt1（作用在于去掉第一个虚拟变量以避免完全共线性）

若在固定效应模型中加入时间虚拟变量，则估计模型的命令为：

●xtregsqcpiunemgse5lndumt*,fe

（四）异方差和自相关检验

●1、异方差检验（组间异方差）本节主要针对的是固定效应模型进行处理

（1）检验

原假设：同方差需要检验模型中是否存在组间异方差,需要使用xttest3命令。

●quixtregsqcpiunemgse5ln,fe

xttest3

显然，原假设被拒绝。此时，需要进一步以获得参数的GLS估计量，命令为xtgls：

●xtglssqcpiunemgse5ln,panels(heteroskedastic)

其中，组间异方差通过panels（）选项来设定。上述结果是采用两步获得，
即，先采用OLS估计不考虑异方差的模型，进而利用其残差计算。。。，并最终得
到FGLS估计量。

●2、序列相关检验

对于T较大的面板而言，往往无法完全反映时序相关性，此时便可能
iit
存在序列相关，在多数情况下被设定为AR(1)过程。

原假设：序列不存在相关性。

（1）FE模型的序列相关检验

对于固定效应模型，可以采用Wooldridge检验法，命令为xtserial:

●xtserialsqcpiunemgse5ln

可以发现，这里的P=0.0000，我们可以在1%的显著性水平下爱拒绝不存在序列
相关的原假设。考虑到样本，该检验的最后一步是用对~进行OLS回归，
e
iti，t-1

因此，输入以下命令得到~。检验该值是否显著异于-0.5，因为在原
0.8858

假设下（不相关）~，可见本例中不相等，拒绝原假设，说明存在序列相
-0.5

关。

●matliste(b)

（2）RE模型的序列相关检验

对于RE模型，可以采用xttest1命令来执行检验：

●quixtregsqcpiunemgse5lndumt*,re

xttest