发布时间 : 星期五 文章计量经济学考试复习更新完毕开始阅读
计量经济学考试复习：Stata常用命令
一、描述性统计、置信区间、样本均值假设检验 sum exp tab exp
tabstat exp, s(mean p25 med p75 min max) /// c(s) f(%6.2f) by(foreign) 分组统计 ci exp, level(95) ttest exp=0.95 ttest exp=0.75
回归系数假设检验：
gen lcrimerate = L.rviolentcrime test gender
test gdp poverty_total（联合检验）
test government_exp state_local gdp consumption 缩尾处理：winsor wage, gen(wage_w2) p(0.025) 单侧检验
二、变量格式处理（调整为数值型、文本型），变量格式查询，类别变量生成 des
destring fg fga, replace ignore(\rencode conference, replace labelbook xi i.conference 生成新变量：
滞后项：gen open_lag = L.open
前推向：gen open_forward = F.open 差分：gen open_diff = D.open 取对数：gen lnclose = ln(close) 增长率：gen r2 = D.lnclose
描述性统计结果输出
logout, save(hw1c) word replace
tabstat win_pc fg_pc to_pg, s(mean sd p25 med p75 min max) /// c(s) f(%6.2f) by(conference)
ttesti 12 0.60 0.19 12 0.63 0.16, unequal，双样本均值检验 ttesti 64 3.07% 0.4% 3%
ttest x, by (gender), 两组样本均值检验 ci win_pc if conference== 2 标准误计算？
三、回归分析，及结果的输出
drop if (country==\xi i.month
xi: reg win_pc asstturnover i.conference est store m9
logout, save(hw1-3c1) word replace fix(3): ///
esttab m1 m2 m3 m4 m5 m6 m7 m8 m9, /// b(%6.3f) se(%6.2f) /// star(* 0.1 ** 0.05 *** 0.01) /// scalar(r2 r2_a N F) compress nogap
四、stata中画图分析
时间序列图：tsset year（时间序列声明） twoway (tsline income) (tsline taxes)
twoway (tsline income, recast(scatter)) (tsline taxes,recast(scatter)) 散点图：twoway scatter high date/income taxes
graph export a1.wmf, replace 折线图：twoway line change date 直方图：histogram change
密度函数图：kdensity close, normal 线性拟合图：scatter y x || lfit y x
非线性拟合图：twoway (qfitci y x, stdf)(scatter y x)
残差拟合值图：
scatter e age || lfit e age
scatter e experience || lfit e experience scatter e education || lfit e education rvfplot, yline(0)
五、残差正态性检验 reg imports gdp
predict y_hat，replace predict e, res sktest e swilk e
rvfplot, yline(0) kdensity e, normal
六、残差独立性检验（无自相关性） tsset year
qui reg rviolentcrime gdp consumption privateinvest fixedinvest government_exp state_local unemploymentr~e poverty_total predict e3, res
twoway (scatter e t) (line e t), yline(0)
dwstat（D—W统计量），原理是什么？如何通过D—W统计量来判断检验结果？ ：?00
?0 a：dwstat
estat durbinalt
七、多重共线性检验（VIF）
HH??多重共线性是多元回归模型可能存在的一类现象，分为完全共线与近似共线两类。模型的多个解释变量间出现完全共线性时，模型的参数无法估计。更多的情况则是近似共线性，这时，由于并不违背所有的基本假定，模型参数的估计仍是无偏、一致且有效的，但估计的参数的标准差往往较大，从而使得t-统计值减小，参数的显著性下降，导致某些本应存在于模型中的变量被排除，甚至出现参数正负号方面的一些混乱。显然，近似多重共线性使得模型偏回归系数的特征不再明显，从而很难对单个系数的经济含义进行解释。多重共线性的检验包括检验多重共线性是否存在以及估计多重共线性的范围两层递进的检验。而解决多重共线性的办法通常有逐步回归法、差分法以及使用额外信息、增大样本容量等方法。
reg price weight length headroom trunk turn gear_ratio estat vif
多元线性经典假设的验证及解决对策： （1） 条件零均值 （2） 无自相关性
通常来讲，该假定只在时间序列回归模型下才被考虑，其直观含义是：在任何一个时点上，回归模型的随机干扰项都与其他时点的随机干扰项无线性相关性。容易证明，如果随机干扰项存在自相关性，那么回归模型的最小二乘估计量将不再具有有效性。另一方面，如果随机干扰项存在自相关性，那么不同时点上的随机干扰项之间就存在着某种确定的线性关系，从而表明回归模型的确定部分不够充分，因此就必须对随机干扰项进行修正，把随机干扰项之间存在的确定关系剥离成为模型中新的确定成分，直到新的随机干扰项不再具有自相关性为止。
（3） 同方差
异方差是模型随机扰动项的方差不同时产生的一类现象。在异方差存在的情况下，OLS估计尽管是无偏、一致的，但通常的假设检验却不再可靠，这时仍采用通常的t检验和F检验，则有可能导致出现错误的结论。同样地，由于随机项异方差的存在而导致的参数估计值的标准差的偏误，也会使采用模型的预测变得无效。对模型的异方差性有若干种检测方法，如图示法、Park与Gleiser检验法、Goldfeld-Quandt检验法以及White检验法等。而当检测出模型确实存在异方差性时，通过采用加权最小二乘法进行修正的估计。 White检验
reg price mpg weight turn estat imtest, white whitetst
（4） 正态误差
异方差问题： 获得稳健性标准误
reg y x1 x2 x3 if c1==1（当分类变量c1=1时，进行y和诸x的回归） reg y x1 x2 x3,robust（回归后显示各个自变量的异方差-稳健性标准误） estat vif（回归之后获得VIF） estat hettest,mtest（异方差检验） 异方差检验的套路： （1）Breusch-pagan法： reg y x1 x2 x3
predict u,resid gen usq=u^2 reg usq x1 x2 x3 求F值
display R/(1-R)*n2/n1（n1表示分子除数，n2表示分母除数） display Ftail(……) 求LM值
display R*n（n表示总样本量） display chi2tail(……) （2）white法： reg y x1 x2 x3 predict u,resid gen usq=u^2 predict y gen ysq=y^2 reg usq y ysq 求F值
display R/(1-R)*n2/n1（n1表示分子除数，n2表示分母除数） display Ftail(……) 求LM值
display R*n（n表示总样本量） display chi2tail(……) （3）必要补充
F值和LM值转换为P值的命令：
display Ftail(n1,n2,a)（利用F值求p值，n1表示分子除数，n2表示分母除数，a为F值）
display chi2tail(n3,b)（利用LM值求p值，n3表示自由度的损失量，一般等于n1，b为LM值）
异方差的纠正——WLS（weighted least square estimator） （1）基本思路：
reg y x1 x2 x3 [aw=x1]（将x1作为异方差的来源，对方程进行修正） 上式相当于：
reg y/(x1^0.5) 1/(x1^0.5) x1/(x1^0.5) x2/(x1^0.5) x3/(x1^0.5),noconstant （2）纠正异方差的常用套路（构造h值） reg y x1 x2 x3 predict u,resid gen usq=u^2 gen logusq=log(usq) reg logusq x1 x2 x3 predict g gen h=exp(g)
reg y x1 x2 x3 [aw=1/h] 异方差hausman检验： reg y x1 x2 x3
est store A（将上述回归结果储存到A中） reg y x1 x2 x3 [aw=1/h] est store B hausman A B
当因变量为对数形式时（log(y)）如何预测y reg logy x1 x2 x3 predict k gen m=exp(k) reg y m,noconstant m的系数为i y的预测值=i×exp(k)