非平衡面板固定效應門限回歸模型

2020-12-22 中國教育裝備採購網

  固定效應門限回歸模型(Hansen, 1999)是時間門限自回歸模型在面板數據中的擴展。Stata的xthreg程序(Wang, 2015)適用於平衡面板。而微觀數據中非平衡面板是更常見的情況,在將非平衡面板整理為平衡面板時很容易導致樣本選擇偏差等問題。因此,利用非平衡面板進行估計和檢驗則可以有效避免這些問題。對門限效應的檢驗經常是通過wild cluster bootstrap來完成。

  本文介紹xthreg程序的更新版本,更新版本可以對非平衡面板進行估計,並利用wild cluster bootstrap檢驗門限效應。其主要改進包括:

  1. 適用於非平衡面板(當然也包括平衡面板)

  2. 利用rademacher (default), mammen, webb, gamma, normal等wild cluster bootstrap。

  3. 可以直接繪製門限效應圖,簡單明了。

  4. 可以直接給出各個狀態的描述統計指標。

  5. 可以直接使用時間序列符號L, D.等,也可以使用因子變量符號i., c., #等。

  6. 給出搜索數值範圍信息,對門限變量的分布特徵更清晰。

  7. 允許更靈活的設定和改進的算法。

  更新的xthreg指令的語法為:

  以Hansen(1999)的數據為例。隨機刪掉部分觀測值,得到非平衡面板:

  估計非平衡面板門限模型:

  直接輸入

  . estat plot

  給出門限效應圖:

  直接輸入 estat summ得到各個狀態的統計指標:

  程序和操作說明請聯繫:StataPLUS@outlook.com

  為了幫助大家更好的了解Stata軟體,特開放試用申請,請自動識別上方二維碼,並確保申請信息的正確性,其中 * 號為必填項,我們將通過您提交的電子郵箱地址發送許可信息,感謝您的支持。

  Stata 軟體訂購

  北京友萬信息科技有限公司作為Stata軟體在中國大陸的授權經銷商及合作夥伴,希望能給Stata中國用戶提供更多服務與支持,並幫助中國用戶建立完善的軟體售後服務體系。如需Stata V16新版本採購及老版本更新升級請聯繫我們,感謝您的支持與關注。手機/微信:18610597626 郵箱: crystal@uone-tech.cn。

版權與免責聲明:

① 凡本網註明"來源:中國教育裝備採購網"的所有作品,版權均屬於中國教育裝備採購網,未經本網授權不得轉載、摘編或利用其它方式使用。已獲本網授權的作品,應在授權範圍內使用,並註明"來源:中國教育裝備採購網"。違者本網將追究相關法律責任。

② 本網凡註明"來源:XXX(非本網)"的作品,均轉載自其它媒體,轉載目的在於傳遞更多信息,並不代表本網贊同其觀點和對其真實性負責,且不承擔此類作品侵權行為的直接責任及連帶責任。如其他媒體、網站或個人從本網下載使用,必須保留本網註明的"稿件來源",並自負版權等法律責任。

③ 如涉及作品內容、版權等問題,請在作品發表之日起兩周內與本網聯繫,否則視為放棄相關權利。

相關焦點

  • 面板數據固定效應 vs. 隨機效應
    在建立好計量模型和選用了面板數據後,接下來就是用適當的計量方法對模型進行估計了。對於面板數據下的模型,有三種常用的估計方法:固定效應估計、隨機效應估計和混合效應估計。什麼叫混合效應估計呢?就是把時間維度和截面維度的數據混合起來,極端地將面板數據看成一般的截面數據,然後用OLS來估計。可以發現,混合效應估計根本就沒有發揮出面板數據應有的優勢,因而在實踐中並不推薦使用。
  • Python實現固定效應回歸模型實現因果關係推斷
    然後,我將介紹可以提供有效解決方案的固定效應(FE)模型。 之後,我將使用兩套數據分析示例向您展示如何在python中進行操作。 我希望本文能夠通過良好的設計和令人信服的結果增強您對因果關係的理解。相關可以表示因果關係 — 僅在滿足某些條件時讓我們給出因果關係的正式定義。 因果關係是x導致y。
  • 面板模型回歸操作指南,適合初學者!
    面板數據(panel data)是指不同對象在不同時間上的指標數據。目前面板數據被廣泛地應用於經濟研究中。本文簡單介紹下,使用SPSSAU進行面板數據回歸分析步驟。一、數據格式下圖中,展示的就是一個面板數據的例子。
  • 面板數據裡處理多重高維固定效應的神器, 還可用工具變量處理內生性
    今天,我們「面板數據研究小組」將為計量經濟圈的圈友引薦一個處理多重高維固定效應的方法(multiple high dimensional fixed effects)。我們經常聽說面板數據相對於截面數據有更大的空間去控制異質性,尤其是那些看不見的卻不隨著時間變動的異質性。
  • 元分析:固定效應模型和隨機效應模型
    下面是對元分析固定效應模型和隨機效應模型的介紹。如果想要了解更多元分析知識,請關注微信公眾號「元分析」。兩種常用見的元分析統計模型:固定效應模型和隨機效應模型在固定效應模型下,我們假定在納入分析的所有研究存在一個真實的效應量,並且觀察效應量的所有差異均歸因於取樣誤差。雖然我們遵循將其稱為固定效應模型的做法,但更具描述性的術語將是共同效應模型(common-effect model)。
  • stata軟體之門檻回歸模型攻略
    門檻回歸模型是指當一個經濟參數達到特定的數值後,引起另外一個經濟參數發生突然轉向其它發展形式的現象(結構突變)。作為原因現象的臨界值稱為門限值。例如,成果和時間存在非線性關係,但是在每個階段是線性關係。
  • 如何進行面板數據分析?
    導讀 面板數據也被稱作時間序列與截面混合數據。是截面上個體在不同時點重複觀測數據。面板數據分析就是根據面板數據進行分析得出相應對於時間以及重複概率的結論。
  • 春節前後該買什麼——過往「春節效應」歸納分析
    但為了驗證春節效應的存在,還需進一步進行建模分析。由於固定效應面板數據回歸與帶啞變量的普通回歸等價,我們通過引入虛擬變量處理模型的春節期間固定效應。也就是說,為了直白的展示春節效應,我們可以直接用帶啞變量的普通OLS做實證分析。模型形式如下:
  • 中泰證券:節前效應有色金屬最強,節後為農林牧漁
    4.春節效應下個股特徵:為了研究春節效應期間,估值PE、流通市值AMV、換手率Turnover這三個因素對個股收益影響與其餘時間段的區別,分別利用春節效用期間數據、春節前後30個交易日的數據來進行面板回歸(PLM),前後30個交易日的數據作為對照組。
  • 國家級貧困縣政策的收入分配效應
    內容提要:本文基於農業農村部農村固定觀察點1986-2011年微觀面板數據,使用雙重差分方法評估國家級貧困縣設立的減貧效果及收入分配效應。經濟發展的「馬太效應」會在一定程度上造成不同地區家庭收入等關鍵變量不滿足平行趨勢假設。為克服該影響,本文在模型設定中加入了1992年縣級農村人均純收入與時間固定效應的交互項,控制了各縣的初始稟賦和隨時間變化的不可觀測趨勢,使得模型設定儘可能滿足雙重差分模型的平行趨勢假設。
  • SPSS統計分析案例:多項logistic回歸分析
    分步驟說明菜單欄中依次選擇【分析】【回歸】【多項logistic】,打開主面板。因變量、自變量分別按照箭頭指示移入對應的變量框內,然後最為重要的是,點擊【參考類別】按鈕,默認勾選【最後一個類別】。什麼意思呢?大意是指以因變量和自變量的最後一個分類水平為參照,用其他分類依次與之對比,考察不同水平間的傾向。
  • 夢幻西遊手遊:固定結果or面板?玩家選擇哪個更好?
    夢幻西遊手遊:固定結果or面板?玩家選擇哪個更好?固定結果or面板?究竟哪個更香?固定結果以及面板是前面提到的兩種強化方式的主要體現形式,不過在戰鬥中實際的效果其實差不多,不過面板屬性的提升給玩家帶來的滿足感會更多,所以還是有很多玩家選擇面板屬性,不過要是玩家對於這一方面的提升並不是很敏感的話也是無所謂的,看自身材料的實際情況去選擇方向也是可以的。
  • 最全:ARCH, GARCH等模型家族是什麼?軟體如何做?怎麼解釋?
    時間序列的正名路,8.面板數據單位根檢驗軟體操作和解讀全在這裡,9.動態面板回歸和軟體操作,單位根和協整檢驗(Dynamic Panel Data),10.疫情期計量課程免費開放!面板數據, 因果推斷, 時間序列分析與Stata應用,11.送書: 應用時間序列分析(經典),12.時間序列模型分解,季節調整分析基礎,13.動態因子模型是什麼, 又怎麼去實現? 14.動態面板分位數估計怎麼做?
  • 錨定效應思維模型
    今天大叔為大家介紹一個很多商家都在用的「秘訣」:錨定效應。錨定效應指的是大家在做決定或下判斷前,非常容易遭受以前的信息危害,該信息宛如一個厚重的錨,給你的邏輯思維以該信息為標準,在它的一定範疇內做判斷,而那樣的判斷通常會導致管理決策的偏誤。
  • GVAR, 全局VAR模型是什麼?該如何用軟體實現呢?
    向量自回歸VAR模型操作指南針,為微觀面板VAR鋪基石,11.VAR宏觀計量模型演進與發展,無方向確認推斷更好,12.應用VAR模型時的15個注意點,總結得相當地道,13.面板數據單位根檢驗軟體操作和解讀全在這裡,14.
  • spss多元線性回歸模型專題及常見問題 - CSDN
    下面簡單解釋一下這三張圖中的結果:第一個表模型匯總表中,R表示擬合優度(goodness of fit),它是用來衡量估計的模型對觀測值的擬合程度。它的值越接近1說明模型越好。調整的R平方比調整前R平方更準確一些,圖中的最終調整R方為0.550,表示自變量一共可以解釋因變量55%的變化(variance),另外,由於使用的是StepWise Linear Regression (SWLR),分析——回歸——線性——「方法」選擇「逐步」,所以模型1、2、3的R方逐漸增大,標準誤差逐漸減小。
  • 26思維模型:沉沒成本效應一無底的黑洞
    從成本的形態看,沉沒成本可以是固定成本,也可能是變動成本。企業在撤消某個部門或是停止某種產品生產時,沉沒成本中通常既包括機器設備等固定成本,也包括原材料、零部件等變動成本。通常情況下,固定成本比變動成本更容易沉沒。一般來說,資產的流動性、通用性、兼容性越強,其沉沒的部分就越少。從數量角度看,沉沒成本可以是整體成本,也可以是部分成本。
  • 原理+代碼|Python實戰多元線性回歸模型
    其中多元共線性這個問題將貫穿所有的機器學習模型,所以本文會「將原理知識穿插於代碼段中」,爭取以不一樣的視角來敘述和講解「如何更好的構建和優化多元線性回歸模型」。現在我們直接構建多元線性回歸模型from statsmodels.formula.api import ols# 小寫的 ols 函數才會自帶截距項,OLS 則不會# 固定格式:因變量 ~ 自變量(+ 號連接)