豪斯曼检验stata命令（内生性处理：工具变量法）

本文目录

• 内生性处理：工具变量法
• 急求！！！STATA豪斯曼检验的结果如何使用outreg2指令输出
• 求助STATA面板数据模型分析的详细步骤和命令
• 动态面板数据估计方法之xtpmg命令
• 怎么用stata统计t年变化百分比
• 怎么用stata进行面板数据模型筛选
• 为什么stata安装了xtoverid但是做稳健豪斯曼检验还是弄不了
• 杜宾吴豪斯曼检验原理
• stata中用豪斯曼检验解决面板数据多重共线性问题

内生性处理：工具变量法

内生性问题是解释变量与扰动项相关导致的，具体的表现形式有遗漏变量、双向因果和测量误差。

OLS能够成立的最重要前提条件是解释变量与扰动项不相关。否则，OLS估计量将是有偏且不一致的。 无偏是指估计量的期望等于真实值。一致性是指，随着样本的增大，估计量无限接近于真实值。

固定效应模型在 一定程度上 可以缓解内生性。因为使用固定效应模型的原因是存在个体效应、时间效应与解释变量相关。此时如果不用固定效应模型，这些个体、时间影响就会溜到扰动项中，就产生了内生性问题。

解决内生性问题常见的做法是使用工具变量。

工具变量：与模型中内生变量（解释变量）高度相关，但却不与误差项相关，估计过程中被作为工具使用，以替代模型中与误差项相关的解释变量的变量。

“找好的工具变量好比寻找一个好的伴侣，ta应该强烈地爱着你（强相关），但不能爱着别人（外生性）。”

IV法可以视为2SLS的特例。 当内生变量个数=工具变量个数时，称为IV法；当内生变量个数《工具变量个数时，称为2SLS

2SLS思路如下： y=α+βx1+γx2+u，其中x1是严格外生的，x2是内生的，则至少需要1个工具变量，z1为工具变量。 第一阶段回归：内生变量和工具变量 x2=a+bz1+cx1+e 第二阶段回归：内生变量的预测值和被解释变量 y=α+βx1+γx2’+v

2SLS背后逻辑： 将内生解释变量分为两部分，有工具变量造成的外生部分和与扰动项相关的内生部分。 第一阶段：通过外生变量的预测回归，得到这些变量的外生部分。 第二阶段：把被解释变量对解释变量中的外生部分进行回归，消除偏误得到一致估计。

注意：为了保证2SLS的一致性，必须把原方程中所有的外生解释变量都放入第一阶段回归。

2SLS的难点在于恰当的工具变量选择。若存在N个内生解释变量，则至少需要N个工具变量。

假设回归模型

stata命令如下：

以上命令ivregress 2sls 和 ivreg2是等价的，只是 ivreg2显示的内容更为丰富。xtivreg2 相较于ivreg2，就是OLS和FE/FD模型的差别，ivreg2 ... i.Year i.id等价于xtivreg2 ... i.Year, fe。

针对工具变量有三大检验：

以上三大检验，优先做相关性检验。这是由于弱工具变量会对估计结果以及外生性检验结果产生影响。

（1）相关性检验

a.不可识别检验 不可识别检验的原假设是秩条件不成立，即工具变量与解释变量不相关。不可识别检验在一定程度上可以验证是否存在弱工具变量，但不能取代对弱工具变量的检验。关于弱工具变量的检验，可以分为单个内生变量和多个内生变量。

b.弱工具变量检验 如果方程中有一个内生变量，一个经验规则是在第一阶段回归中，如果F统计量》10，则可拒绝“存在弱工具变量”的原假设，不必担心弱工具变量的问题。

如果方程中有多个内生变量，Stock & Yogo给出了检验规则：如果弱识别检验的最小特征值统计量》15% maximal IV size对应的临界值，就可以认为工具变量不存在弱相关问题。

如果发现是弱工具变量，解决的方法有：

（2）内生性检验 首先假定内生性进行2SLS回归，然后假定不存在内生性进行OLS回归，最后使用豪斯曼检验。 当p值《0.1时，表明两个回归的系数存在显著的系统性差异，及关注的核心变量有内生性。

（3）外生性检验 在恰好识别的情况下，即工具变量数=内生变量数，此时公认无法检验工具变量的外生性，即工具变量与扰动项不相关。在这种情况下，只能进行定性讨论或依赖于专家的意见。在过度识别的情况下，可以进行“过度识别检验”。当p》0.1，接受原假设，说明工具变量具有外生性。

注意，如果误差项存在异方差或自相关，那么2SLS的估计虽然是一致估计量，但不是有效估计量。更有效的方法是“广义矩估计”GMM。 某种意义上，GMM之于2SLS，正如GLS之于OLS，前者可以获得有效估计量，后者只能获得一致估计量。

该方法的前提条件是：工具变量数》内生变量数，且2SLS存在异方差或自相关

综上，在使用stata进行2SLS时，推荐使用ivreg2或xtivreg2。

对于面板数据，建议先对模型进行变换，然后对变换后的模型使用2SLS：

参考资料： 《高级计量经济学及stata应用》 面板数据分析与Stata应用 测量误差及其对统计分析的影响 有人能讲讲工具变量和2SLS之间的关系吗？ 工具变量法（五）: 为何第一阶段回归应包括所有外生解释变量 xtivreg2和它的山寨者

急求！！！STATA豪斯曼检验的结果如何使用outreg2指令输出

stata code：

cd E:stataresults

use "E:statadata盈余管理新版.dta", clear

reg dacc rid tm size debt14 eps, robust

outreg2 using 计量经济学服务中心.doc, replace ctitle(Model 1)、

注意adds命令面向的是成对的对象，因此不能直接把保存在e()中的结果adds，而是要把结果的名称写在前面后再添加结果。

扩展资料：

注意事项：

1、在对实际问题进行回归和检验之后，如图所示进行了BG检验，得到了图片中的结果。拒绝原假设。prob》chi2estat bgodfrey，就可以对自相关问题进行处理。

2、需要考虑到HAC标准误，对截断参数p很敏感，我们将截断参数增大到5，进行重新估计newey y x1 x2 x3,lag(5)，同过发现即便将截断参数增大到5，变化仍然不大，说明对截断参数不敏感。

3、在实际进行操作中，也需要对截断参数的数值进行增大，来考察截断参数的对回归变化的敏感性。

求助STATA面板数据模型分析的详细步骤和命令

面板数据回归模型基本操作流程 1单位根检验，用unitroot命令 2豪斯曼检验，用hau**an命令 3回归操作，用xtreg命令

动态面板数据估计方法之xtpmg命令

本文引入了一个新的Stata命令xtpmg，用于估计包含大N大T的非平稳非平衡面板。基于非平稳面板文献的最新进展，xtpmg提供了三种替代估计量：1）传统的固定效应（FE）、2）Pesaran和Smith的平均组估计量MG（估计动态异质面板的长期关系）；3）Pesaran、Shin和Smith的混合平均组估计PMG（估计动态异质面板中的长期关系）。 摘要 一、引言 二、MG和PMG的估计原理 三、xtpmg命令在stata中的使用     （一）基本句式     （二）详细说明 四、实证操作     （一）模型设定     （二）PMG估计     （三）MG估计     （四）动态固定效应 五、结论 参考文献 近年来，与动态面板数据相关的文献开始关注截面观测数（N）和时间序列观测数（T）都较大的面板。海量数据的可获得性无疑是导致这种转变的关键因素。例如，一些跨国家或省份的数据集现在已经足够大，以至于可以分别估计每个国家（或省份）的参数。 大N大T动态面板的渐近性不同于传统的大N小T动态面板的渐近性。小T面板估计通常依赖于固定效应或随机效应估计，或固定效应估计和工具变量估计的组合，如Arellano和Bond（1991）的广义矩估计方法（GMM）。这些方法需要汇集（pool）各个组，并且只允许截距项在组间不同。然而，大N大T文献的一个中心发现是，斜率参数均匀性的假设通常是不合适的。Pesaran和Smith（1995年）、Im、Pesaran和Shin（2003年）、Pesaran、Shin和Smith（1997年、1999年）以及Phillips和Moon（2000年）提出了这一点。 随着大N大T动态面板固有的时间观测值的增加，非平稳性也受到关注。Pesaran，Shin和Smith（1997，1999）最近的论文提出了两种重要的新方法来估计非平稳动态面板：平均组（MG）和混合平均组（PMG）估计，其允许参数在不同组之间不同。MG估计值（参见Pesaran和Smith 1995）依赖于估计N个时间序列回归并平均系数，而PMG估计（参见Pesaran、Shin和Smith 1997、1999）依赖于系数的合并（pool）和平均。 在最近的实证研究中，MG和PMG估计量被应用于各种情形。例如，Freeman（2000）使用这些方法来评估1961-1995年间各州的酒精消费量。Martinez-Zarzoso和Bengochea-Morancho（2004）在1975-1998年间对22个经合组织成员国的环境库兹涅茨曲线进行了估算。Frank（2005）使用MG和PMG估计值来评估1945-2001年间美国各州收入不平等对经济增长的长期影响。 假设自回归分布滞后（ARDL）( )的动态面板模型具有如下形式： 其中横截面标记（组数）为i=1,2，…，N；时间序列标记（周期数）为t=1,2，…，T； 是解释变量，为k×1向量； 是k×1系数向量； 是标量； 是组特定效应。T必须足够大，以便模型可以分别估计每个组。模型也可以包括时间趋势和其他固定效应。 如果公式（1）中的变量是 I(1) 和协整的，那么误差项是所有 的 I(0) 过程。协整变量的一个主要特征是它们对长期均衡的任何偏离的响应。这一特征意味着在误差修正模型中，变量的短期动态变化受其偏离平衡的影响。因此，通常将公式（1）再次参数化为误差校正（Error Correction, EC）方程： 参数 是调整项的误差修正速度。如果 =0，则没有证据表明变量间存在长期关系。假设变量显示回归长期均衡的情况下，该参数预计将显著为负。特别重要的是向量 ，它包含变量之间的长期关系。 最近关于大N和大T的动态非平衡面板估计的文献提出了估计公式（2）的几种方法。在一种极端情况下，可以使用固定效应（FE）估计方法，其中每个组的时间序列数据被汇集（pool）在一起，并且只允许截距在组间不同。然而，如果斜率系数事实上不相同，那么FE方**产生不一致且可能误导的结果。另一个极端情况下，Pesaran和Smith（1995）提出的MG估计可以分别为每组拟合，并可以计算出系数的简单算术平均值。使用这种估计方法，截距、斜率系数和误差方差都允许组间不同。 最近，Pesaran、Shin和Smith（1997、1999）提出了一个PMG估计法，它结合了合并和平均（pooling and averaging）。这种中间估计方法允许截距、短期系数和误差方差在组间不同（与MG估计法一样），但限制长期系数在组间相等（与FE估计法一样）。由于公式（2）的参数是非线性的，Pesaran、Shin和Smith（1999）提出了一种估计参数的极大似然法（Maximum likelihood method）。 将概率（likelihood）表示为每个横截面的概率（likelihood）的乘积并取对数，得到如下表达式： xtpmg使用Stata强大的ML框架来实现PMG估计。具体来说，我们利用ml的hold选项，通过“反向替换”来最大化概率（likelihood）。从长期系数向量 的初始估计开始，可通过 对（ , ）的回归来估计短期系数和群组层面（group -specific）的调整项的速度。这些条件估计又被用来更新θ的估计。迭代过程一直持续直到收敛。 迭代条件似然最大化的参数估计与完全信息极大似然的参数估计是渐近一致的。但是，它们估计的协方差矩阵不同。然而，由于PMG参数的分布是已知的，我们可以获得所有估计参数的完全协方差矩阵。如Pesaran、Shin和Smith（1999）所示，协方差矩阵可以通过如下的逆矩阵求得：MG参数只是单个系数的未加权平均值。例如，误差校正系数 的MG估计为其方差为其他短期系数的均值和方差也作了类似的估计。lr（varlist） ——指定在计算长期协整向量时要包含的变量。 ec（string） ——用于指定新创建的误差更正的名称；默认值为_ _ec。 replace ——覆盖错误更正变量（如果存在）。 c***traints( string ) ——指定要应用于模型的约束。此选项当前仅支持选项pmg一起使用。 noc***tant ——不包含常数项。此选项不能与选项dfe一起使用。 cluster（ varname ） ——指定观察值在组间是独立的，但不一定在组内。varname指定每个观察所属的组，例如，对个体进行重复观察的数据中的cluster（personid）。cluster（）影响估计量的估计标准误差和方差-协方差矩阵（VCE），但不影响估计系数。 level(#) ——设置置信水平，默认是level(95) technique(algorithm_spec) ——指定ml最大化方法。algorithm_spec是algorithm。bhhh算法与xtpmg不兼容。technology（）只能与选项pmg一起使用。 difficult ——将使用不同的步进算法在非凹区域的概率（likelihood）。 full ——指定列出所有N个横截面回归结果。默认情况下，仅列出平均系数。 model ——是要拟合的估计方法，是以下类型之一：     pmg 是默认值，并指定pmg估计。该模型限制长期系数向量在面板之间相等，同时允许组特定的短期和调整系数。     mg 指定mg估计。该模型将参数拟合为N个个体组回归的平均值。     dfe 指定了动态固定效应估计。 我们用24个OECD国家的年度总消费数据来说明xtpmg的使用。这些数据来自Pesaran、Shin和Smith（1997、1999），涵盖了1960-1993年。比利时1993年的年度观测数据不包括在估算样本中，比利时的估算期为1962-1992年，其他23个经合组织国家的估算期为1962-1993年。xtpmg要求在估计之前tsset设置数据。假设长期消费函数为其中，国家数i=1,2，…，N；周期数t=1,2，…，t；c是实际人均消费的对数；y是实际人均收入的对数；π是通货膨胀率。如果变量是I（1）和协整的，那么所有i的误差项都是I（0）过程。 公式（6）的ARDL（1,1,1）动态面板模型为公式（7）的误差更正的再参数化公式是：平差参数 和长期系数θ1i和θ2i的误差修正速度是最重要的。如果包含θ0i，则允许协整关系的非零均值。如果变量回归到长期均衡，人们会认为 为负。大多数总消费理论认为，长期收入弹性θ1i应等于1。通货膨胀效应θ2i通常被认为是负的。 首先，文章估计模型（8）的PMG估计量。在这种背景下，PMG模型考虑了异质的短期动态以及共同的长期收入和通货膨胀弹性。通常只有长期参数才有意义。pmg选项的默认结果包括长期参数估计和平均短期参数估计。在结果中，估计的长期通胀弹性与预期一样显著为负。另外，估计的收入弹性也显著为正。理论上，收入弹性等于1。这个假设很容易验证：相应的χ2值为121.2，可以拒绝单位收入弹性的原假设。 full选项估计并保存一个N+1多方程模型。第一个方程（按选项ec标注）表示标准化协整向量。剩下的N个方程列出了组特定的短期系数。由于每组都有自己的估计方程，我们可以直观地预测变量。类似地，交叉方程限制也很容易得到。MG估计值是N个单独回归系数的未加权平均值。带有mg选项的xtpmg循环遍历样本中的所有面板，以估计（8）的参数MG估计是一个两方程模型：标准化协整向量(EC)和短期动态系数（SR）。在比较PMG和MG估计量时，我们注意到，估计的长期收入和通货膨胀弹性在两个模型中都具有统计显著性和预期相同的符号。然而，PMG对通货膨胀弹性的估计在数量级上大于MG模型的估计（分别为-47和-35）。估计的长期收入弹性（分别为.90和.92）则正好相反。每个模型的调整估计速度意味着短期动态显著不同。 回想一下，PMG估计将所有面板的长期弹性限制为相等。当这些约束条件是真的时，这种跨国家的“加总”（pooling）产生了有效和一致的估计。然而，通常情况下，斜率相同的假设在经验上被否定。如果真实模型是异质的，则PMG估计是不一致的；MG估计在任何一种情况下都是一致的。这些模型的差异性检验是用常见的Hau**an检验进行的。计算的Hau**an统计量为1.06，服从χ2（2）分布，应接受原假设。在这里我们得出结论，在原假设下（PMG和MG估计差异非系统性的），PMG估计是首选的有效估计。 动态FE估计与PMG估计一样，限制所有面板的协整向量系数相等。FE模型进一步限制了调整系数和短期系数的速度相等。带有dfe选项的xtpmg适合模型（8），同时允许面板层面的截距项。在计算标准误差时，允许使用cluster（）选项进行组内相关性计算。动态FE模型的所有系数都产生了预期的符号，事实上，它们与PMG和MG估计值相似。正如Baltagi、Griffin和Xiong（2000）所讨论的，FE模型受到误差项和滞后因变量之间内生性的联立方程偏差的影响。豪斯曼检验（ Hau**an test）可以很容易地用来衡量这种内生性的程度。结果表明，在该样本数据下，联立方程偏差是最小的。在这个例子中，我们得出结论，FE模型优于MG模型。 本文介绍了Pesaran和Smith（1995）以及Pesaran，Shin和Smith（1997；1999）在估算具有大N大T的非平稳非平衡面板方面的最新进展。我们提供了一个新的Stata命令xtpmg，该命令估计了三种可供选择的模型：一个依赖于横截面合并(pooling)的传统动态FE估算，依赖于横截面平均值的MG估计和依赖于系数合并(pooling)和平均的PMG估计。 Blackburne III, E. F., & Frank, M. W. (2007). Estimation of n***tationary heterogeneous panels. The Stata Journal, 7(2), 197-208. 点击链接可在线阅读原文《 Phillips, P. C. B., and H. R. Moon. 2000. N***tationary panel data ****ysis: An overview of some recent developments. Econometric Reviews 19: 263–286.

怎么用stata统计t年变化百分比

方法/步骤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，我们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：xtsetpanelvartimvar与上一部分类似的估计xtreglscrapd88d89grantgrant_1,re（1）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，Hau**an检验确定模型形式的选择。以上面的面板数据为例xtreglscrapd88d89grantgrant_1,feeststorefextreglscrapd88d89grantgrant_1,reeststorerehau**anfe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。

怎么用stata进行面板数据模型筛选

假设因变量是yy，自变量是aa、bb、cc，豪斯曼检验的命令这么写：quixtregyyaabbcc,fe（qui就是quietly，让stata只运算但是不要输出fe的结果）eststorefe（储存fe的结果）quixtregyyaabbcc,reeststorerehau**anfe然后stata就会算出来一个chi2值，然后给出一个prob＞chi2=?的结果（不知道为什么有时候要等半分钟才出来），如果这个p值小于0.05，就用固定效应模型，如果p指比较大，就用随机效应模型。我之前做的结果都用了固定效应模型，随机效应模型的不会。

为什么stata安装了xtoverid但是做稳健豪斯曼检验还是弄不了

安装xtoverid后再输入如下命令：ssc install ivreg2ssc install ranktest

杜宾吴豪斯曼检验原理

杜宾吴豪斯曼检验原理是:对解释变量内生性的检验有两种方法，一是豪斯曼检验，一是杜宾-吴-豪斯曼检验。hau**an检验的原假设为所有解释变量均为外生变量，如果H0成立，则OLS与工具变量法一致，在大样本下，二者的估计量均收敛到真实的参数值，二者的差依概率收敛到0；如果H0不成立，则工具变量法一致OLS不一致，二者的差不会依概率收敛到0。hau**an检验的缺点是假设在原假设成立的前提下，OLS是最有效率的，未考虑到存在异方差的情况，杜宾-吴-豪斯曼检验来充分考虑到异方差，更为稳健。杜宾-吴-豪斯曼检验的思想为，由二阶段最小二乘回归的第一阶段回归我们可得，“某一个变量为内生变量”的命题与“第一阶段回归的扰动项与原模型的扰动项不相关”等价，故检验二者的相关系数是否为0（t检验）即可。原假设为0，若拒绝原假设，则认为存在内生解释变量，否则认为所有解释变量均外生；考虑到可能存在异方差，则需要在t检验时使用稳健标准误；若存在多个内生解释变量，则可以对原假设进行F检验。6. 弱工具变量检验大致有四种方法。一是偏R-squared，在一阶段回归中，R-squared既可能包含了内生解释变量与工具变量相关性的信息，也可能包含了内生解释变量与其他解释变量的相关性信息，为了过滤掉这个信息，我们首先将内生解释变量对其他解释变量做回归，得到残差a，代表了内生解释变量中不能由其他解释变量解释的部分，接着将工具变量对其他解释变量做回归，得到残差b，代表了工具变量中无法由其他解释变量解释的部分，将残差a对残差b做回归，得到R-squared；二是对第一阶段回归中工具变量的回归系数进行F检验，经验规则是如果F统计量大于10，则可拒绝“存在弱工具变量”的原假设，不必担心弱工具变量问题；在多个内生解释变量的情况下，将有多个第一阶段回归，故有多个F统计量，此时可以使用“最小特征值统计量”，并依据临界值做出判断；三是假设扰动项独立同分布，则可使用“Cragg-Donald Wald F统计量”;四是若不假设独立同分布，则应使用“Kleibergen-Paap Wald rk F”统计量。解决弱工具变量的方法主要有三种。我们可以寻找更强的工具变量；其次，我们可以使用对弱工具变量更不敏感的“有限信息最大似然估计法”(Limited Information Maximum Likelihood Estimation，简称LIML)，在大样本下，LIML与2SLS是渐近等价的，但在存在弱工具变量的情况下，LIML的小样本性质可能优于2SLS。如果有较多工具变量，可舍弃弱工具变量，方法是对工具变量进行冗余检验。7. 在扰动项存在异方差或自相关，则GMM广义矩估计更为有效。GMM过度识别检验检验部分工具变量的正交性（外生性）使用异方差自相关稳健的标准误GMM命令8. 工具变量法的stata命令及实例

stata中用豪斯曼检验解决面板数据多重共线性问题

豪斯曼检验是能来判断固定效应模型和随机效应模型那个更合理的。多重共线性你只需要做一个vif就可以了。reg y x1 x2.....x9vif如果结果大于10，那么就说明存在严重的多重共线性，这时候需要减少解释变量来降低共线性。之后再做豪斯曼检验。首先是面板数据xtreg y x1 x2...x7,fe 固定效应模型estimates store fe将标准误存储为fextreg y x1 x2..x7,re随机效应模型分析estimates store re讲标准误存储为rehau**an re fe 就可以看结果了，如果 chic》0，p值几乎为0，则否定原假设，用固定效应模型；反之，用随机效应模型。