stata建模中的各种小问题(我的笔记)

使用保存结果的命令：，estimates（名称）

如果你把那个显示你用过的命令的窗口：

窗口操作：Windows——Review

如果你把那个显示变量的窗口：

窗口操作：Windows——Variables

时间序列填充和扩展时间区间:

命令：tsappend ,add(n) 增加n个观测值

窗口操作：在上面找data edit 即像一个表格一样的图标点开即可编辑数据

时间序列存在间断点问题，需要补齐处理：

命令：tsfill

信息准则

赤池信息准则（AIC）——判断判断模型的最大滞后阶数

STATA命令：

1．先回归

2．estat ic

如何看AIC统计量：

Breusch-Pagan,Cook-Weisberg异方差检验

STATA命令：

1．先回归

2．estat hettest [varlist] 或者在Statistics——Postestimation(倒数第二个)——Reports and Statistics(倒数第二个)——在里面选择（hettest）

如何看统计量：

White异方差检验:

STATA命令：

3．先回归

4．estat imtest,white [varlist] 或者在Statistics——Postestimation(倒数第二个)——Reports and Statistics(倒数第二个)——在里面选择（imtest）

如何看统计量：

Ramsey回归设定误差检验：

STATA命令：

1．先回归

2．estat ovtest 或者在Statistics——Postestimation(倒数第二个)——Reports and Statistics(倒数第二个)——在里面选择（ovtest）

如何看统计量：

多重共线性方差膨胀因子检验：

1．先回归

2．estat vif[,uncentered] 或者在Statistics——Postestimation(倒数第二个)——Reports and Statistics(倒数第二个)——在里面选择（vif）

如何看统计量：

一般的当最大的方差膨胀因子超过10（相对保守的临界值定位30）后者平均方差膨胀因子超过1表示模型存在多重共线性的问题。Uncentered用于当模型没有常数项时的未中心化的方差膨胀因子。

多重共线性的其他侦查方法：

值高而显著的t比率小：多重共线性的“经典”征兆

克里安经验法则：仅当来自一个辅助回归的     大于得自Y对全部回归元中的总    时，多重共线性才算是一个麻烦的问题。

做拟合图（前提是先回归）

STATA命令：

1．解释变量对成分残差图——用于考察模型形式是否设定准确。

cprplot 被解释变量

acprplot 被解释变量

2．增加变量图——用于考察数据是否存在异常值

avplotd 被解释变量

3．拟合值对残差图的散点图——用于考察残差是否满足经典的假设条件

stdp表示样本内预测的标准差

stdr 表示样本外预测的标准差

rvfplot

4．解释变量对残差的散点图

rvpplot 被解释变量 

STATA对于数据的储存与重现

est命令的用法：

（1）储存回归结果：

reg y x1 x2 x3（不限于reg，也可储存ivreg、mvreg、reg3）

est store A

（2）重现回归结果：

est replay A

（3）对回归结果进行进一步分析

est for A:sum（对A回归结果中的各个变量运行sum命令）

在非时间序列的数据的情况下，

异方差的修正——用GLS

具体的方法如下：

1.quietly regress y x 做回归

2.predict u，residual 取残差 

3.predict yf，xb  (xb表示拟合值)   将拟合值取出放到yf里

4.gen lnu2=ln(u^2) 将残差做平方且取对数的处理

5.gen yf2=yf^2(将yf这个拟合值同上面的残差做相同的处理)

6.quietly regress lnu2 yf yf2 对处理过的残差对 拟合值 以及 处理过的拟合值 做回归 

7.predictnl u2f=exp(xb())  再将回归后的拟合值取出并作对数处理放到 u2f里

8.gen sd=sqrt(u2f) 将u2f做平方处理

predictnl表示模型估计后的非线性预测，比如指数预测

xb表示线性预测

exp表示指数预测

pr表示概率预测

se表示线性预测（prediction）的标准差

stdf表示线性预测（forecast）的标准差

取对数用ln(var)函数

取平方用sqrt(var)函数

然后，利用vwls进行加权估计

vwls y x , sd(sd)

GLS也可以通过regress命令中的weight选项来实现。

存在自相关的修正——用广义差分

el(mat,i,j)矩阵的第i行第j列

自相关的修正——用广义差分

具体的方法如下：

1．一阶自相关的修正

prais y x，rhotype(regress)

prais y x，corc rhotype(regress)

2．高阶自相关的修正——以二阶自回归为例

①quietly regress D.y x 对被解释变量取差分并且做回归

②predict u,resid 取出残差

③quietly reg u l(2).u，noconstant 令u对其二阶滞后期做自回归（无截距）

④matrix mat=e(b) 生成矩阵mat 将回归的结果放到矩阵里（如果是更高阶可能有多个自相关系数）

⑤gen m=d.y-el(mat,1,1)*l(2)d.y 对y的一阶差分与y的一阶差分的滞后期与权重的乘积做差分，这个权重就是mat矩阵里的第一行第一列的系数，刚好使我们刚刚回归出来的自相关系数（如果是高阶可能不只做一个差分，会更为复杂）

⑥gen n=d.x-el(mat,1,1)*l(2)d.x 对x进行和y一样的处理方法

⑦reg m n 然后令m对n做回归

关于参数约束的模型估计问题(P178张晓峒)

STATA命令：

cnsreg 被解释变量 解释变量 [条件if] [in] [weight] ，constraints(constraints) [options]

其中constraints(constraints)表示线性约束

例如：

约束规模报酬不变的估计模型

命令如下：

1.constraint define 1 lnk+lnl=1 将等于1的线性约束(不可以为不等号)条件定义为1

2.cnsreg lny lnk lnl ，constraints(1)

约束为lnk=lnl=0的估计模型：

命令如下:

1.constraint define 2 lnk lnl 等于0的条件可以不写出来

2.cnsreg lny lnk lnl，constraints(2)

约束条件为lnk=0.6, lnl=0.4的估计模型：

命令如下：

1.constraint define 3 lnk=0.6

2.constraint define 3 lnl=0.4

3.cnsreg lny lnk lnl，constraints(3,4)

注意：要先有约束条件的定义，然后再做约束性回归。