Stata命令大全-面板数据计量分析与软件实现

STATA 面板数据模型估计命令一览表一、静态面板数据的STATA 处理命令固定效应模型εαβit ++=x y it i it μβit +=x y it it随机效应模型εαμit +=it it （一）数据处理输入数据●tsset code year 该命令是将数据定义为“面板”形式●xtdes 该命令是了解面板数据结构●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析）●gen lag_y=L.y /////// 产生一个滞后一期的新变量gen F_y=F.y /////// 产生一个超前项的新变量gen D_y=D.y /////// 产生一个一阶差分的新变量gen D2_y=D2.y /////// 产生一个二阶差分的新变量（二）模型的筛选和检验●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型）●xtreg sq cpi unem g se5 ln,fe对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。

在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。

●2、检验时间效应（混合效应还是随机效应）（检验方法：LM统计量）（原假设：使用OLS混合模型）●qui xtreg sq cpi unem g se5 ln,re (加上“qui”之后第一幅图将不会呈现)xttest0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FE or RE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●qui xtreg sq cpi unem g se5 ln,feest store fequi xtreg sq cpi unem g se5 ln,reest store rehausman fe (或者更优的是hausman fe,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。

Stata命令大全面板数据计量分析与软件实现说明：以下do文件相当一部分内容来自于中山大学连玉君STATA教程，感谢他的贡献。

本人做了一定的修改与筛选。

*----------面板数据模型* 1.静态面板模型：FE 和RE* 2.模型选择：FE vs POLS, RE vs POLS, FE vs RE （pols混合最小二乘估计） * 3.异方差、序列相关和截面相关检验* 4.动态面板模型（DID-GMM,SYS-GMM）* 5.面板随机前沿模型* 6.面板协整分析（FMOLS,DOLS）*** 说明：1-5均用STATA软件实现， 6用GAUSS软件实现。

* 生产效率分析（尤其指TFP）：数据包络分析（DEA）与随机前沿分析（SFA）*** 说明：DEA由DEAP2.1软件实现，SFA由Frontier4.1实现，尤其后者，侧重于比较C-D与Translog生产函数，一步法与两步法的区别。

常应用于地区经济差异、FDI 溢出效应（Spillovers Effect）、工业行业效率状况等。

* 空间计量分析：SLM模型与SEM模型*说明：STATA与Matlab结合使用。

常应用于空间溢出效应（R&D）、财政分权、地方政府公共行为等。

* ---------------------------------* --------一、常用的数据处理与作图-----------* ---------------------------------* 指定面板格式xtset id year （id为截面名称，year为时间名称）xtdes /*数据特征*/xtsum logy h /*数据统计特征*/sum logy h /*数据统计特征*/*添加标签或更改变量名label var h "人力资本"rename h hum*排序sort id year /*是以STATA面板数据格式出现*/sort year id /*是以DEA格式出现*/*删除个别年份或省份drop if year<1992drop if id==2 /*注意用==*/*如何得到连续year或id编号（当完成上述操作时，year或id就不连续，为形成panel 格式，需要用egen命令）egen year_new=group(year)xtset id year_new**保留变量或保留观测值keep inv /*删除变量*/**或keep if year==2000**排序sort id year /*是以STATA面板数据格式出现sort year id /*是以DEA格式出现**长数据和宽数据的转换*长>>>宽数据reshape wide logy,i(id) j(year)*宽>>>长数据reshape logy,i(id) j(year)**追加数据（用于面板数据和时间序列）xtset id year*或者xtdestsappend,add(5) /表示在每个省份再追加5年，用于面板数据/tsset*或者tsdes.tsappend,add(8) /表示追加8年，用于时间序列/*方差分解，比如三个变量Y,X,Z都是面板格式的数据，且满足Y=X+Z，求方差var(Y),协方差Cov(X,Y)和Cov（Z,Y）bysort year:corr Y X Z,cov**生产虚拟变量*生成年份虚拟变量tab year,gen(yr)*生成省份虚拟变量tab id,gen(dum)**生成滞后项和差分项xtset id yeargen ylag=l.y /*产生一阶滞后项)，同样可产生二阶滞后项*/gen ylag2=L2.ygen dy=D.y /*产生差分项*/*求出各省2000年以前的open inv的平均增长率collapse (mean) open inv if year<2000,by(id)变量排序，当变量太多，按规律排列。

STATA 面板数据模型估计命令一览表一、静态面板数据的STATA 处理命令εαβit ++=xy itiit固定效应模型μβit +=xy ititεαμit+=itit随机效应模型(一）数据处理输入数据●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析）●gen lag_y=L.y /////// 产生一个滞后一期的新变量 gen F_y=F.y /////// 产生一个超前项的新变量gen D_y=D.y /////// 产生一个一阶差分的新变量gen D2_y=D2.y /////// 产生一个二阶差分的新变量（二）模型的筛选和检验●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型）●xtreg sq cpi unem g se5 ln，fe对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。

在我们这个例子中发现F统计量的概率为0。

0000，检验结果表明固定效应模型优于混合OLS模型.●2、检验时间效应（混合效应还是随机效应）（检验方法:LM统计量)（原假设：使用OLS混合模型）●qui xtreg sq cpi unem g se5 ln，re (加上“qui"之后第一幅图将不会呈现)xttest0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FE or RE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●qui xtreg sq cpi unem g se5 ln，feest store fequi xtreg sq cpi unem g se5 ln,reest store rehausman fe （或者更优的是hausman fe,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。

GGGGGGGGG面板数据计量分析与软件实现GGGGGGGGG说明：以下do文件相当一部分内容来自于中山大学连玉君STATA教程，感谢他的贡献。

本人做了一定的修改与筛选。

G----------面板数据模型G1.静态面板模型：FE和REG2.模型选择：FEvsPOLS,REvsPOLS,FEvsRE（pols混合最小二乘估计）G3.异方差、序列相关和截面相关检验G4.动态面板模型（DID-GMM,SPS-GMM）G5.面板随机前沿模型G6.面板协整分析（FMOLS,DOLS）GGG说明：1-5均用STATA软件实现，6用GAUSS软件实现。

G生产效率分析（尤其指TFP）：数据包络分析（DEA）与随机前沿分析（SFA）GGG说明：DEA由DEAP2.1软件实现，SFA由Frontier4.1实现，尤其后者，侧重于比较C-D与Translog生产函数，一步法与两步法的区别。

常应用于地区经济差异、FDI溢出效应（SpilloversEffect）、工业行业效率状况等。

G空间计量分析：SLM模型与SEM模型G说明：STATA与Matlab结合使用。

常应用于空间溢出效应（R&D）、财政分权、地方政府公共行为等。

G---------------------------------G--------一、常用的数据处理与作图-----------G---------------------------------G指定面板格式GtsetidPear（id为截面名称，Pear为时间名称）Gtdes/G数据特征G/GtsumlogPh/G数据统计特征G/sumlogPh/G数据统计特征G/G添加标签或更改变量名labelvarh"人力资本"renamehhumG排序sortidPear/G是以STATA面板数据格式出现G/sortPearid/G是以DEA格式出现G/G删除个别年份或省份dropifPear<1992dropifid==2/G注意用==G/G如何得到连续Pear或id编号（当完成上述操作时，Pear或id就不连续，为形成panel 格式，需要用egen命令）egenPear_new=group(Pear)GtsetidPear_newGG保留变量或保留观测值keepinv/G删除变量G/GG或keepifPear==20PPGG排序sortidPear/G是以STATA面板数据格式出现sortPearid/G是以DEA格式出现GG长数据和宽数据的转换G长>>>宽数据reshapewidelogP,i(id)j(Pear)G宽>>>长数据reshapelogP,i(id)j(Pear)GG追加数据（用于面板数据和时间序列）GtsetidPearG或者Gtdestsappend,add(5)/表示在每个省份再追加5年，用于面板数据/tssetG或者tsdes.tsappend,add(8)/表示追加8年，用于时间序列/G方差分解，比如三个变量P,G,Z都是面板格式的数据，且满足P=G+Z，求方差var(P),协方差Cov(G,P)和Cov（Z,P）bPsortPear:corrPGZ,covGG生产虚拟变量G生成年份虚拟变量tabPear,gen(Pr)G生成省份虚拟变量tabid,gen(dum)GG生成滞后项和差分项GtsetidPeargenPlag=l.P/G产生一阶滞后项)，同样可产生二阶滞后项G/genPlag2=L2.PgendP=D.P/G产生差分项G/G求出各省20PP年以前的openinv的平均增长率collapse(mean)openinvifPear<20PP,bP(id)变量排序，当变量太多，按规律排列。

********* 面板数据计量分析与软件实现 *********说明：以下do文件相当一部分内容来自于中山大学连玉君STATA教程，感谢他的贡献。

本人做了一定的修改与筛选。

*----------面板数据模型* 1.静态面板模型：FE 和RE* 2.模型选择：FE vs POLS, RE vs POLS, FE vs RE （pols混合最小二乘估计） * 3.异方差、序列相关和截面相关检验* 4.动态面板模型（DID-GMM,SYS-GMM）* 5.面板随机前沿模型* 6.面板协整分析（FMOLS,DOLS）*** 说明：1-5均用STATA软件实现， 6用GAUSS软件实现。

* 生产效率分析（尤其指TFP）：数据包络分析（DEA）与随机前沿分析（SFA）*** 说明：DEA由DEAP2.1软件实现，SFA由Frontier4.1实现，尤其后者，侧重于比较C-D与Translog生产函数，一步法与两步法的区别。

常应用于地区经济差异、FDI 溢出效应（Spillovers Effect）、工业行业效率状况等。

* 空间计量分析：SLM模型与SEM模型*说明：STATA与Matlab结合使用。

常应用于空间溢出效应（R&D）、财政分权、地方政府公共行为等。

* ---------------------------------* --------一、常用的数据处理与作图-----------* ---------------------------------* 指定面板格式xtset id year （id为截面名称，year为时间名称）xtdes /*数据特征*/xtsum logy h /*数据统计特征*/sum logy h /*数据统计特征*/*添加标签或更改变量名label var h "人力资本"rename h hum*排序sort id year /*是以STATA面板数据格式出现*/sort year id /*是以DEA格式出现*/*删除个别年份或省份drop if year<1992drop if id==2 /*注意用==*/*如何得到连续year或id编号（当完成上述操作时，year或id就不连续，为形成panel 格式，需要用egen命令）egen year_new=group(year)xtset id year_new**保留变量或保留观测值keep inv /*删除变量*/**或keep if year==2000**排序sort id year /*是以STATA面板数据格式出现sort year id /*是以DEA格式出现**长数据和宽数据的转换*长>>>宽数据reshape wide logy,i(id) j(year)*宽>>>长数据reshape logy,i(id) j(year)**追加数据（用于面板数据和时间序列）xtset id year*或者xtdestsappend,add(5) /表示在每个省份再追加5年，用于面板数据/tsset*或者tsdes.tsappend,add(8) /表示追加8年，用于时间序列/*方差分解，比如三个变量Y,X,Z都是面板格式的数据，且满足Y=X+Z，求方差var(Y),协方差Cov(X,Y)和Cov（Z,Y）bysort year:corr Y X Z,cov**生产虚拟变量*生成年份虚拟变量tab year,gen(yr)*生成省份虚拟变量tab id,gen(dum)**生成滞后项和差分项xtset id yeargen ylag=l.y /*产生一阶滞后项)，同样可产生二阶滞后项*/gen ylag2=L2.ygen dy=D.y /*产生差分项*/*求出各省2000年以前的open inv的平均增长率collapse (mean) open inv if year<2000,by(id)变量排序，当变量太多，按规律排列。

*********面板数据计量分析与软件实现*********说明：以下do文件相当一部分容来自于大学连玉君STATA教程，感他的贡献。

本人做了一定的修改与筛选。

*----------面板数据模型* 1.静态面板模型：FE 和RE* 2.模型选择：FE vs POLS, RE vs POLS, FE vs RE （pols混合最小二乘估计）* 3.异方差、序列相关和截面相关检验* 4.动态面板模型（DID-GMM,SYS-GMM）* 5.面板随机前沿模型* 6.面板协整分析（FMOLS,DOLS）*** 说明：1-5均用STATA软件实现， 6用GAUSS软件实现。

* 生产效率分析（尤其指TFP）：数据包络分析（DEA）与随机前沿分析（SFA）*** 说明：DEA由DEAP2.1软件实现，SFA由Frontier4.1实现，尤其后者，侧重于比较C-D与Translog 生产函数，一步法与两步法的区别。

常应用于地区经济差异、FDI溢出效应（Spillovers Effect）、工业行业效率状况等。

* 空间计量分析：SLM模型与SEM模型*说明：STATA与Matlab结合使用。

常应用于空间溢出效应（R&D）、财政分权、地方政府公共行为等。

* ---------------------------------* --------一、常用的数据处理与作图-----------* ---------------------------------* 指定面板格式xtset id year （id为截面名称，year为时间名称）xtdes /*数据特征*/xtsum logy h /*数据统计特征*/sum logy h /*数据统计特征*/*添加标签或更改变量名label var h "人力资本"rename h hum*排序sort id year /*是以STATA面板数据格式出现*/sort year id /*是以DEA格式出现*/*删除个别年份或省份drop if year<1992drop if id==2 /*注意用==*/*如何得到连续year或id编号（当完成上述操作时，year或id就不连续，为形成panel格式，需要用egen命令）egen year_new=group(year)xtset id year_new**保留变量或保留观测值keep inv /*删除变量*/**或keep if year==2000**排序sort id year /*是以STATA面板数据格式出现sort year id /*是以DEA格式出现**长数据和宽数据的转换*长>>>宽数据reshape wide logy,i(id) j(year)*宽>>>长数据reshape logy,i(id) j(year)**追加数据（用于面板数据和时间序列）xtset id year*或者xtdestsappend,add(5) /表示在每个省份再追加5年，用于面板数据/tsset*或者tsdes.tsappend,add(8) /表示追加8年，用于时间序列/*方差分解，比如三个变量Y,X,Z都是面板格式的数据，且满足Y=X+Z，求方差var(Y),协方差Cov(X,Y)和Cov（Z,Y）bysort year:corr Y X Z,cov**生产虚拟变量*生成年份虚拟变量tab year,gen(yr)*生成省份虚拟变量tab id,gen(dum)**生成滞后项和差分项xtset id yeargen ylag=l.y /*产生一阶滞后项)，同样可产生二阶滞后项*/ gen ylag2=L2.ygen dy=D.y /*产生差分项*/*求出各省2000年以前的open inv的平均增长率collapse (mean) open inv if year<2000,by(id)变量排序，当变量太多，按规律排列。

STATA 面板数据模型预计命令一览表一、静态面板数据的STATA办理命令y it i x it it固定效应模型y it x it itit it it随机效应模型（一）数据办理输入数据●tsset code year该命令是将数据定义为“面板”形式●xtdes该命令是认识面板数据构造● summarize sq cpi unem g se5 ln各变量的描绘性统计（统计剖析）● gen lag_y=L.y ///////产生一个滞后一期的新变量gen F_y=F.y ///////产生一个超前项的新变量gen D_y=D.y ///////产生一个一阶差分的新变量gen D2_y=D2.y ///////产生一个二阶差分的新变量（二）模型的挑选和查验●1、查验个体效应（混淆效应仍是固定效应）（原假定：使用 OLS 混淆模型）●xtreg sq cpi unem g se5 ln,fe关于固定效应模型而言，回归纳果中最后一行报告的 F 统计量便在于查验所有的个体效应整体上明显。

在我们这个例子中发现 F 统计量的概率为 0.0000 ，查验结果表示固定效应模型优于混淆 OLS模型。

● 2、查验时间效应（混淆效应仍是随机效应）（查验方法：LM统计量）（原假定：使用OLS混淆模型）●qui xtreg sq cpi unem g se5( 加上“ qui ”以后第一幅图将不会体现) ln,re xttest0能够看出， LM查验获取的 P 值为 0.0000 ，表示随机效应特别明显。

可见，随机效应模型也优于混淆 OLS模型。

● 3、查验固定效应模型or 随机效应模型（查验方法：Hausman查验）原假定：使用随机效应模型（个体效应与解说变量没关）经过上边剖析，能够发现当模型加入了个体效应的时候，将明显优于截距项为常数假定条件下的混淆 OLS模型。

可是没法明确划分 FE or RE 的好坏，这需要进行接下来的查验，以下：Step1 ：预计固定效应模型，储存预计结果Step2 ：预计随机效应模型，储存预计结果Step3 ：进行 Hausman查验●qui xtreg sq cpi unem g se5ln,fe est store fequi xtreg sq cpi unem g se5 ln,reest store rehausman fe(或许更优的是hausman fe,sigmamore/ sigmaless)能够看出， hausman查验的 P 值为 0.0000 ，拒绝了原假定，以为随机效应模型的基本假定得不到知足。

STATA 面板数据模型估计命令一览表 一、静态面板数据的STATA 处理命令εαβit ++=x y it i it 固定效应模型μβit +=x y it itεαμit +=it it 随机效应模型（一）数据处理输入数据●tsset code year 该命令是将数据定义为“面板”形式●xtdes 该命令是了解面板数据结构●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析）●gen lag_y=L.y /////// 产生一个滞后一期的新变量gen F_y=F.y /////// 产生一个超前项的新变量gen D_y=D.y /////// 产生一个一阶差分的新变量gen D2_y=D2.y /////// 产生一个二阶差分的新变量（二）模型的筛选和检验●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型）●xtreg sq cpi unem g se5 ln,fe对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。

在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。

●2、检验时间效应（混合效应还是随机效应）（检验方法：LM统计量）（原假设：使用OLS混合模型）●qui xtreg sq cpi unem g se5 ln,re (加上“qui”之后第一幅图将不会呈现) xttest0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FE or RE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●qui xtreg sq cpi unem g se5 ln,feest store fequi xtreg sq cpi unem g se5 ln,reest store rehausman fe (或者更优的是hausman fe,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。