发布时间 : 星期六 文章stata学习笔记更新完毕开始阅读63d13ed8a48da0116c175f0e7cd184254a351b51
经济数据的特点与类型。
1、横截面数据：多个经济个体的变量在同一时间点上的取值，如2012年中国各省的GDP 2、时间数列数据：指的是某个经济个体的变量在不同时点上的取值，如1978-2012年山东省每年的GDP
3、面板数据：多个经济个体的变量在不同时点上的取值，如1978-2012年中国各省的GDP
小样本OLS（最小二乘法）：单一方程线性回归最常见方法
条件：解释变量与扰动项正交、扰动项无自相关、同方差。 拟合优度：衡量线性回归模型对样本数据的拟合程度（R2），越高说明模型拟合程度越好。
单系数T检验：对回归方程扰动项的具体概率进行假设
显著性水平进行检验
F检验：整个回归方程是否显著 STATA操作简介：
如果数据中包含1949-10-01或1949/10/01的时间变量，导入stata后可能会被视为字符串，因此对于日度数据，可以使用命令gen newvar=date(varname,YMD),将其转换为整数日期变量，其中YMD说明原始数据的格式为年月日，如果原始数据的格式为月日年则使用MDY；对于月度数据则gen newvar=monthly(varname,YM)。
.describe：数据的概貌 .drop keep：删除和保留 .su：统计特征 Pwcorr：变量之间相关系数 Star（.05）：5%显著性水平 gen:产生 g intc=log（tc）：取自然对数. reg：OLS回归 .Vce：协方差矩阵 reg。。。，noc表示在进行回归时不要常数项
大样本OLS：只要求解释变量与同期的扰动项正交即可
Robust：稳健标准误，如果存在异方差，则应使用稳健标准误
最大似然估计法：如果回归方程存在非线性，则使用最大似然估计法（MLE）或非线性最小二乘法（NLS）
三类在大样本下渐进等价的统计检验：Wald test LR（似然比检验） LM 操作步骤如下：sysuse auto（调用数据集）
Hist mpg，normal（画变量mpg的直方图，并与正态密度比较）
.1Density.020.04.06.081020Mileage (mpg)3040
直方图显示，变量mpg的分布于正态分布有一定差距。 变量可以取对数解决非正态分布的问题。
异方差与GLS（广义最小二乘法）
异方差的检验：看残差图、怀特检验（white test）、BP检验（Breusch and Pagan） 异方差的处理：1、OLS+稳健标准误（最好的） 2、广义最小二乘法（GLS） 3、加权最小二乘法（WLS） 实例操作：
1、 使用数据：use nerlove.dta,clear
2、 reg intc inq inpl inpk inpf（进行回归） 3、
Source SS df MS Number of obs = 145 F( 4, 140) = 437.90 Model 269.524728 4 67.3811819 Prob > F = 0.0000 Residual 21.5420958 140 .153872113 R-squared = 0.9260 Adj R-squared = 0.9239 Total 291.066823 144 2.02129738 Root MSE = .39227 intc Coef. Std. Err. t P>|t| [95% Conf. Interval] inq .7209135 .0174337 41.35 0.000 .6864462 .7553808 inpl .4559645 .299802 1.52 0.131 -.1367602 1.048689 inpk -.2151476 .3398295 -0.63 0.528 -.8870089 .4567136 inpf .4258137 .1003218 4.24 0.000 .2274721 .6241554 _cons -3.566513 1.779383 -2.00 0.047 -7.084448 -.0485779 4、 画残差图：rvfplot
2Residuals-101-20Fitted values24
上图可以发现当拟合值较小时，扰动项方差较大，继续考察残差与解释变量inq的散点图：rvpplot inq，结果与上图几乎一致，可能存在异方差，即扰动项的方差随着观测值而变。
5、 完成回归后，进行怀特检验：estat imtest，white
White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi2(14) = 73.88 Prob > chi2 = 0.0000Cameron & Trivedi's decomposition of IM-test Source chi2 df p Heteroskedasticity 73.88 14 0.0000 Skewness 22.79 4 0.0001 Kurtosis 2.62 1 0.1055 Total 99.29 19 0.0000
P值显著，认为存在异方差 6、完成回归后，进行BP检验：estat hettest,iid estat hottest,rhs iid estat hottest inq,iid
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: inq inpl inpk inpf chi2(4) = 36.16 Prob > chi2 = 0.0000
三种形式的检验都强烈拒绝同方差的原假设，存在异方差（这里只放一个形式的检验结果） 7、 处理异方差
自相关 ：扰动项之间自相关
自相关的例子：1、时间序列数据中通常具有某种连续性和持久性，如相邻两年的GDP增长率；2、截面数据中相邻的观测单位之间可能存在溢出效应，如相邻地区的农业产量收到类似天气变化的影响；3、对数据的人为处理如数据中包含移动平均数等；4、如果模型设定中遗漏了某个自相关的解释变量并被纳入到扰动项中，则会引起扰动项的自相关。
自相关的检验：1、画图（不推荐）2、BG检验estat bgodfrey 3、BOX-Pierce Q检验 4、DW检验 estat dwatson. 检验都要在OLS做完后才能做。
自相关的处理：1、使用OLS+异方差自相关稳健的标准误；2、OLS+聚类稳健的标准误；3、使用可行广义最小二乘法（FGLS）；4、修改模型设定
自相关处理实例：1、使用数据 icecream 然后进行回归