请问一下stata的面板数据结果怎么分析？

陈强stata学习笔记，脑壳疼，需要相关资料可以联系我，免费无套路分享

1.知识点

1.面板数据的设定

xtset panelvar timevar
# 命令“xtset”告诉Stata 你的数据为面板数据
# 面板(个体)变量“panelvar”的取值须为整数且不重复，相当于将样本中每位个体进行编号
# timevar 为时间变量

假如“panelvar”本来是字符串(比如，国家名字country)，可用以下命令转换为数字型变量：

encode country, gen(cntry)
# 选择项“gen(cntry)”表示将新生成的数字型变量记为cntry。这样，变量cntry 就以“1, 2, 3, …”来指代不同的国家。

显示面板数据统计特性的 Stata 命令：

xtdes
# (显示面板数据的结构，是否为平衡面板)
xtsum
# (显示组内、组间与整体的统计指标)
xtline varname
# (对每位个体分别显示该变量的时间序列图；如希望将所有个体的时间序列图叠放在一起，可加上选择项overlay)

2.混合回归

reg y x1 x2 x3,vce(cluster id)
# 进行混合回归，“id”指用来确定每位个体的变量
# vce命令显示回归系数协方差矩阵，对角线都是方差，其余的是协方差
# 选择项“vce(cluster id)”表示以变量id 作为聚类变量来计算聚类稳健的标准误。

3.固定效应

由于每个省的“省情”不同，可能存在不随时间而变的遗漏变量，考虑使用固定效应模型(FE)

xtreg y x1 x2 x3,fe r
# 选择项“fe”表示“fixed effects”(固定效应估计量)，默认为
# “re”表示“random effects”(随机效应估计量)。
# 选择项“r”表示使用聚类稳健标准误；如使用选择项“vce(cluster id)”也能达到相同效果。

在使用命令“xtreg,fe”时，如不加选择项“r”(将估计结果记为“FE”)，则输出结果还包含一个F 检验，其原假设为“ H0 :所有ui=0”，即可以接受混合回归：

xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mipric1 giprice mci ngca,fe
estimates store FE

对于固定效应模型，也可使用一阶差分法(FD)。Stata 没有专门执行一阶差分法的命令， 但在使用命令“xtserial,output”对组内自相关进行检验时，可附带提供一阶差分法的估计结果(将此结果记为“FD”)：

xtserial ltvfo ltlan ltwlab ltpow ltfer hrs mipric1 giprice mci ngca,output
estimates store FD

也可在固定效应模型中考虑时间效应，即双向固定效应(Two-way FE)，以捕捉技术进步等效应。

xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mipric1 giprice mci ngca t,fe r
estimates store FE_trend
# 为节省待估参数，首先加入时间趋势项(将估计结果记为“FE_trend”)：
tab year,gen(year)
# 其次，加入年度虚拟变量。为演示目的，定义年度虚拟变量：

加入年度虚拟变量后，由于价格变量 mipric1 与giprice 在各省都一样，无法包括在回归方程中，以避免严格多重共线性。

xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mci ngca year2-year18,fe r
estimates store FE_TW
# 进 行 含 时 间 虚 拟 变 量 的 双 向 固 定 效 应 估 计 ( 将结果记为“FE_TW”)：
#year1(1970 年)作为基期，不包括在上述回归命令中
# 1980 年的hrs 数据缺失，故year11(1980 年)也被去掉。
test year2 year3 year4 year5 year6 year7 year8 year9 year10 year12 year13 year14 year15 year16 year17 year18
#检验所有年度虚拟变量的联合显著性：

4.LSDV 法

reg y x1 x2 x3 i.id,vce(cluster id)
# “id”表示用来确定个体的变量，“i.id”则表示根据变量
# “id”而生成的虚拟变量。选择项“vce(cluster id)”表示使用聚类稳健的标准误。

5.随机效应

个体效应还可能以随机效应(RE)的形式存在。

xtreg y x1 x2 x3,re r theta
# 选择项“re”为默认选项(可省略)；
# 选 择 项 “ r ” 表示使用聚类稳健标准误。如使用选择项“vce(cluster id)”也能达到相同效果。
#选择项“theta”表示显示用于进行广义离差变换θ值。

对于随机效应模型，也可进行 MLE 估计，Stata 命令为

xtreg y x1 x2 x3,mle

进行随机效应(RE)的估计(将结果记为“RE_robust”)：

xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mci ngca,re r theta
estimates store RE_robust

2.示例

以数据集 lin_1992.dta 为例，取自Lin(1992)对家庭联产承包责任制(household responsibility system)与中国农业增长的经典研究。该省际面板包含中国 28 个省1970—1987 年有关种植业的数据。

被解释变量为“种植业产值对数”(ltvfo，1980 年不变价格)。解释变量包括：耕地面积对数(ltlan，千亩)，种植业劳动力(ltwlab)，机械动力与畜力对数(ltpow，千马力)，化肥使用量对数(ltfer，千吨)，截止年底采用家庭联产承包制的生产队比重(hrs)，农村消费者价格与农村工业投入品价格之比的一阶滞后(mipric1，1950 年=100)，超额收购价格与农村工业投入品价格之比(giprice，1950 年=100)，复种指数(mci，播种面积除以耕地面积)，非粮食作物占播种面积比重(ngca)，时间趋势(t)，province(省)，year(年)。

为解决异方差问题，Lin (1992)将种植业产量、耕地面积、种植业劳动力、机械动力与畜力、化肥使用量这些传统的投入与产出变量都除以每省的生产队数目(team)。两个价格变量 mipric1 与giprice 为全国性指标，各省都一样，只随时间变化。

代码：

cd "数据所在文件夹"
# 定位数据文件夹
use lin_1992.dta,clear
xtset province year
xtset panelvar timevar
# 设定 province 与year 为面板(个体)变量及时间
xtdes
# 显示数据集的结构
xtsum ltvfo ltlan ltwlab ltpow ltfer hrs mipric1 giprice mci ngca
# 显示数据集中以上变量的统计特征：
xtline ltvfo
# 看被解释变量 ltvfo 在28 个省的时间趋势图
reg ltvfo ltlan ltwlab ltpow ltfer hrs mipric1 giprice mci ngca,vce(cluster province)
# reg y x1 x2 x3,vce(cluster id)
# 进行混合回归，“id”指用来确定每位个体的变量
# vce命令显示回归系数协方差矩阵，对角线都是方差，其余的是协方差
# 选 择 项 “ vce(cluster province) ” 表示， 使用以“province”为聚类变量的聚类稳健标准误。
estimates store OLS
# 将此结果储存，并记为“OLS”
reg ltvfo ltlan ltwlab ltpow ltfer hrs mipric1 giprice mci ngca
# 也可使用普通标准误进行回归
xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mipric1 giprice mci ngca,fe r
# 由于每个省的“省情”不同，可能存在不随时间而变的遗漏变量，考虑使用固定效应模型(FE)
estimates store RE_robust

代码分叉：

xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mipric1 giprice mci ngca,fe