stata面板数据gmm回归_动态面板数据的System-GMM回归分析步骤

1.对数据进行平减,去除价格变化的影响,经常用到的方法用居民消费价格指数进行平减,有两种情况:(1)以1978年为基期的,如果就是以1978年为基期可以直接用统计年鉴里相应指标的数据除以居民消费价格指数;(2)如果不是还得再换算,例以1985年为基期,就是把1985=100,即1986年的居民消费价格指数(CPI)除以1985年的,同理,1990年的CPI除以1985年的CPI,用相应指标的值除以经过这样换算后得到的数据,就可以得到去除价格变化影响的因素。

2.如何将面板数据导入Eviews中:File——New——Workfile(输入起止年份)——Object——New Object(选Pool,对象名一般命名为pooll)——数据地区(注意形式为:_Bj _tj _heb _shanx _nmg _ln _jl _hlj _sh _js _zj _ah _fj _jx _sd _hen_hub _hun _gd _gx _hain _cq _sc _gz _yn _xz _sx _gs _qh _nx _xj(31个省市缩写))——Sheet(注意变量形式:c? r? y? cdr? odr? fi? mc? eces? es? me? sse?)——OK

如何将面板数据导入Stata中:http://www.doc88.com/p-997232147366.html,这个网址中有详细的说明,推荐自己在Excel中整理成该网址的顺序,可以直接复制黏贴到Stata的dta数据表格中,一般第一行为变量,第一列为省份(province)

动态面板数据模型是一种处理包含时间序列和个人异质性的面板数据的方法,而广义矩估计法(Generalized Method of Moments, GMM)则是用于此类模型的一种常用估计技术。Stata是一款广泛应用于社会科学、经济学等领域的统计分析软件,在其中应用GMM来进行动态面板数据分析是一个常见的操作。 ### 动态面板GMM回归简介 #### 1. 模型背景 当研究者面对的是具有自相关结构的时间序列横截面混合数据集——即所谓的“面板数据”时,并且假设解释变量可能是内生的时候,那么采用传统的OLS或其他固定效应/随机效应回归可能会导致偏误结果。此时可以考虑使用Arellano-Bond或Blundell-Bond类型的系统GMM方法来解决这个问题。 #### 2. Arellano-Bond GMM (差分GMM) 由Arellano和Bond于1991年提出的这种方法主要是基于一阶条件下的工具变量设定。它利用滞后水平作为当前变化量的有效预测因子;换句话说,就是将因变量的一期或多期滞后值当作外生仪器加入到方程里去。 #### 3. Blundell-Bond System GMM 为了改进仅依赖于差异变换而导致的潜在弱识别问题,Roodman等人进一步发展了System GMM框架。该方法不仅包括对原系列做差后的部分(类似于AB-GMM),还加入了未经转换的数据本身的信息,提高了效率并且减少了偏差的可能性。 #### Stata命令示例 ```stata xtabond2 y L.y x1 x2 ..., gmm(L.(y)) iv(x1 x2 ...) twostep robust small ``` 上述代码表示执行两步稳健标准误估计过程下的`xtabond2`命令,这里我们选择了所有非滞后的x项作为额外IVs,同时指定需要报告调整过的小样本t统计量。(注意:具体的选项应根据实际需求选择) #### 注意事项 - 确认是否有足够的观测点数支持所选的最大滞后长度; - 使用适当的检验检查是否存在过度标识的问题以及残差是否独立同分布等问题; - 对比不同规格化策略的结果以评估稳定性; 通过以上步骤可以在Stata中实现较为准确可靠的动态面板数据建模工作流程。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值