『壹』 在stata中怎樣對面板數據進行gmmguji
首先檢驗解釋變數內生性(解釋變數內生性的Hausman 檢驗:使用工具變數法的前提是存在內生解釋變數。Hausman 檢驗的原假設為:所有解釋變數均為外生變數,如果拒絕,則認為存在內生解釋變數,要用IV;反之,如果接受,則認為不存在內生解釋變數,應該使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
(在面板數據中使用工具變數,Stata提供了如下命令來執行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) (選擇項可以為fe,re等,表示固定效應、隨機效應等。詳見help xtivreg)
如果存在內生解釋變數,則應該選用工具變數,工具變數個數不少於方程中內生解釋變數的個數。「恰好識別」時用2SLS。2SLS的實質是把內生解釋變數分成兩部分,即由工具變數所造成的外生的變動部分,以及與擾動項相關的其他部分;然後,把被解釋變數對中的這個外生部分進行回歸,從而滿足OLS前定變數的要求而得到一致估計量。tptqtp
二、異方差與自相關檢驗
在球型擾動項的假定下,2SLS是最有效的。但如果擾動項存在異方差或自相關,
面板異方差檢驗:
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df = e(N_g) - 1
lrtest hetero homo, df(`df')
面板自相關:xtserial enc invs exp imp esc mrl
則存在一種更有效的方法,即GMM。從某種意義上,GMM之於2SLS正如GLS之於OLS。好識別的情況下,GMM還原為普通的工具變數法;過度識別時傳統的矩估計法行不通,只有這時才有必要使用GMM,過度識別檢驗(Overidentification Test或J Test):estat overid
三、工具變數效果驗證
工具變數:工具變數要求與內生解釋變數相關,但又不能與被解釋變數的擾動項相關。由於這兩個要求常常是矛盾的,故在實踐上尋找合適的工具變數常常很困難,需要相當的想像力與創作性。常用滯後變數。
需要做的檢驗:
檢驗工具變數的有效性:
(1) 檢驗工具變數與解釋變數的相關性
如果工具變數z與內生解釋變數完全不相關,則無法使用工具變數法;如果與僅僅微弱地相關,。這種工具變數被稱為「弱工具變數」(weak instruments)後果就象樣本容量過小。檢驗弱工具變數的一個經驗規則是,如果在第一階段回歸中,F統計量大於10,則可不必擔心弱工具變數問題。Stata命令:estat first(顯示第一個階段回歸中的統計量)
(2) 檢驗工具變數的外生性(接受原假設好)
在恰好識別的情況下,無法檢驗工具變數是否與擾動項相關。在過度識別(工具變數個數>內生變數個數)的情況下,則可進行過度識別檢驗(Overidentification Test),檢驗原假設所有工具變數都是外生的。如果拒絕該原假設,則認為至少某個變數不是外生的,即與擾動項相關。0H
Sargan統計量,Stata命令:estat overid
四、GMM過程
在Stata輸入以下命令,就可以進行對面板數據的GMM估計。
. ssc install ivreg2 (安裝程序ivreg2 )
. ssc install ranktest (安裝另外一個在運行ivreg2 時需要用到的輔助程序ranktest)
. use "traffic.dta"(打開面板數據)
. xtset panelvar timevar (設置面板變數及時間變數)
. ivreg2 y x1 (x2=z1 z2),gmm2s (進行面板GMM估計,其中2s指的是2-step GMM)