高級計(jì)量經(jīng)濟(jì)分析及Stata應(yīng)用 課件 第2章-面板數(shù)據(jù)分析

高級計(jì)量經(jīng)濟(jì)分析及stata應(yīng)用上海師范大學(xué)商學(xué)院第2章面板數(shù)據(jù)分析主要內(nèi)容2.1面板數(shù)據(jù)模型設(shè)定的stata基本實(shí)用工具2.2 線性面板回歸2.3 隨機(jī)效應(yīng)的拉格朗日乘子檢驗(yàn)2.4 帶AR（1）干擾項(xiàng)的線性回歸2.5 隨機(jī)系數(shù)廣義最小二乘回歸2.6動態(tài)面板數(shù)據(jù)2.7面板數(shù)據(jù)的刪失結(jié)果2.8

面板數(shù)據(jù)的同期相關(guān)2.9面板隨機(jī)前沿模型2025/4/143面板數(shù)據(jù)分析面板數(shù)據(jù)是同一組樣本在一段時(shí)間內(nèi)收集的數(shù)據(jù)。此類數(shù)據(jù)既有橫截面維度（n位個(gè)體），也有時(shí)間序列維度（T個(gè)時(shí)期）。數(shù)據(jù)截面維度n較大，時(shí)間維度T較小，為短面板數(shù)據(jù)；反之，則為長面板數(shù)據(jù)。如果每個(gè)時(shí)期樣本的個(gè)體數(shù)一樣，則為平衡面板數(shù)據(jù)；反之，則為非平衡面板數(shù)據(jù)。面板數(shù)據(jù)分析的優(yōu)點(diǎn)在于：可以解決遺漏變量問題；提供更多個(gè)體動態(tài)行為信息；樣本容量較大，可以提高估計(jì)準(zhǔn)確性。2025/4/1442.1面板數(shù)據(jù)模型設(shè)定的stata基本實(shí)用工具聲明數(shù)據(jù)集為面板數(shù)據(jù)的stata命令為：

xtsetpanelvarxtsetpanelvartimevar[,tsoptions]顯示當(dāng)前如何設(shè)置數(shù)據(jù)的stata命令為：

xtset清除xt設(shè)置的stata命令為：

xtset,clear在declare語法中，panelvar標(biāo)識面板，可選的timevar標(biāo)識面板中的時(shí)間。tsoptions與timevar有關(guān)。xtset管理數(shù)據(jù)集的面板設(shè)置。必須先設(shè)置數(shù)據(jù)，然后才能使用其他xt命令。不帶參數(shù)的xtset命令，顯示數(shù)據(jù)當(dāng)前是如何被設(shè)置的。2.1面板數(shù)據(jù)模型設(shè)定的stata基本實(shí)用工具描述面板數(shù)據(jù)集的stata命令為：xtdescribe[if][in][,options]例2.1描述面板數(shù)據(jù)集下面以stata自帶數(shù)據(jù)說明實(shí)現(xiàn)。*下載數(shù)據(jù)集

.webusenlswork(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968)*描述數(shù)據(jù)的參與模式

.xtdescribe2025/4/1462.1面板數(shù)據(jù)模型設(shè)定的stata基本實(shí)用工具面板數(shù)據(jù)描述統(tǒng)計(jì)的stata命令為：xtsum[varlist][if]必須使用xtset指定面板變量；varlist可以包含時(shí)間序列操作符；見tsvarlist。允許by和collect；參見prefix。例2.2面板數(shù)據(jù)描述統(tǒng)計(jì)接著例2.1，說明stata實(shí)現(xiàn)：*描述統(tǒng)計(jì)xt數(shù)據(jù)

xtsumhoursxtsumbirth_yr2025/4/1472.1面板數(shù)據(jù)模型設(shè)定的stata基本實(shí)用工具面板數(shù)據(jù)制表的stata命令為：xttabvarname[if]xttransvarname[if][,freq]必須使用xtset指定面板變量；xttab和xttrans允許使用by和collect；參見prefix。例2.3面板數(shù)據(jù)制表xttab與報(bào)告轉(zhuǎn)移概率接著例2.2，說明stata實(shí)現(xiàn)：*聲明為面板數(shù)據(jù).xtsetidyear*面板數(shù)據(jù)制表

.xttabmsp2025/4/1482.1面板數(shù)據(jù)模型設(shè)定的stata基本實(shí)用工具*面板數(shù)據(jù)制表，報(bào)告轉(zhuǎn)移比率矩陣.xttransmsp.xttransmsp,freq2025/4/1492.2線性面板回歸

2025/4/14102.2線性面板回歸

2025/4/14112.2線性面板回歸

2025/4/14122.2線性面板回歸3.隨機(jī)效應(yīng)估計(jì)法【xtreg，re】提供了隨機(jī)效應(yīng)估計(jì)法，它是由參數(shù)的組間估計(jì)值和組內(nèi)估計(jì)值的加權(quán)平均。特別是，隨機(jī)效應(yīng)估計(jì)結(jié)果等價(jià)于模型(2.6)的估計(jì)值：2025/4/14132.2線性面板回歸4.對數(shù)似然估計(jì)法Stata的【xtreg,mle】命令提供了面板數(shù)據(jù)的對數(shù)似然估計(jì)法。第i個(gè)樣本的對數(shù)似然值為：mle和re選項(xiàng)產(chǎn)生的結(jié)果基本相同，但總N較小（200或更少）且數(shù)據(jù)不平衡時(shí)二者的結(jié)果不相同。5.廣義估計(jì)方程法使用廣義估計(jì)方程方法（xtreg,pa）計(jì)算總體平均值模型的方法和公式，與[XT]xtgee的原理相同。xtgee適用于廣義線性模型，并允許您為面板指定組內(nèi)相關(guān)性結(jié)構(gòu)。2025/4/1414面板廣義線性模型2025/4/14152.2線性面板回歸6.模型估計(jì)的Stata實(shí)現(xiàn)（1）GLS隨機(jī)效應(yīng)（RE）模型：xtregdepvar[indepvars][if][in][,reRE_options]（2）組間效應(yīng)（BE）模型：

xtregdepvar[indepvars][if][in],be[BE_options]（3）固定效應(yīng)（FE）模型：

xtregdepvar[indepvars][if][in][weight],fe[FE_options]（4）最大似然隨機(jī)效應(yīng)（MLE）模型：

xtregdepvar[indepvars][if][in][weight],mle[MLE_options]（5）總體平均（PA）模型

xtregdepvar[indepvars][if][in][weight],pa[PA_options]2025/4/14162.2線性面板回歸6.模型估計(jì)的Stata實(shí)現(xiàn)

菜單操作：Statistics>Longitudinal/paneldata>Linearmodels>Linearregression(FE,RE,PA,BE)xtreg將回歸模型與面板數(shù)據(jù)相匹配。特別是，帶有be選項(xiàng)的xtreg通過使用回歸間估計(jì)來擬合隨機(jī)效應(yīng)模型；對于fe選項(xiàng)，它適用于固定效應(yīng)模型（通過使用內(nèi)部回歸估計(jì)）；re選項(xiàng)中，它使用GLS估計(jì)法擬合隨機(jī)效應(yīng)模型（產(chǎn)生結(jié)果之間和結(jié)果內(nèi)部的矩陣加權(quán)平均值）。2025/4/14172.2線性面板回歸例2.4線性面板模型估計(jì)下面使用[XT]XT中描述的nlswork.dta，對ln_wage進(jìn)行建模，解釋變量為受教育程度（年級）的完成年份、當(dāng)前年齡和年齡平方、當(dāng)前工作年限（經(jīng)驗(yàn)）和經(jīng)驗(yàn)平方、當(dāng)前工作的當(dāng)前任期和任期平方、是否黑人（種族=2）、是否居住在未指定為標(biāo)準(zhǔn)都市統(tǒng)計(jì)區(qū)（SMSA）的地區(qū)，以及是否住在南方。固定效應(yīng)、中間效應(yīng)、隨機(jī)效應(yīng)和總體平均線性面板模型估計(jì)的程序命令如下：（1）*清理內(nèi)存，下載數(shù)據(jù)集

.clear.use/data/r17/nlswork2025/4/14182.2線性面板回歸（2）*組間效應(yīng)模型估計(jì).xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,be2025/4/14192.2線性面板回歸（3）*固定效應(yīng)模型估計(jì).xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,fe2025/4/14202.2線性面板回歸（4）*具有穩(wěn)健標(biāo)準(zhǔn)誤差的固定效應(yīng)模型估計(jì).xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,fevce(robust)2025/4/14212.2線性面板回歸（5）*隨機(jī)效應(yīng)模型估計(jì).xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,retheta2025/4/14222.2線性面板回歸（6）*ML法擬合的隨機(jī)效應(yīng)模型.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,mle2025/4/14232.2線性面板回歸（7）*總體平均模型估計(jì).xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,pa2025/4/14242.2線性面板回歸2.2.2Hausman檢驗(yàn)在構(gòu)建面板數(shù)據(jù)模型，究竟應(yīng)該選用固定效應(yīng)模型還是隨機(jī)效應(yīng)模型？就需要進(jìn)行Hausman檢驗(yàn)。Hausman檢驗(yàn)的原假設(shè)為：與不相關(guān)，即隨機(jī)效應(yīng)（RE）模型為正確模型。Hausman檢驗(yàn)的檢驗(yàn)統(tǒng)計(jì)量為：實(shí)現(xiàn)hausman檢驗(yàn)的命令為：

hausmanname-consistent[name-efficient][,options]其中，nameconsistent和nameeffective是通過estimatesstore存儲估計(jì)結(jié)果的名稱。句號可用于參考上一次估算結(jié)果，即使這些結(jié)果尚未存儲。不指定nameeffective相當(dāng)于將最后的估計(jì)結(jié)果指定為“.”。2025/4/14252.2線性面板回歸例2.5hausman檢驗(yàn)接著用2.2的數(shù)據(jù)nlswork說明實(shí)現(xiàn)hausman檢驗(yàn)。.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,re結(jié)果略.estimatesstorerandom_effects結(jié)果略.xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,fe結(jié)果略.2025/4/14262.2線性面板回歸.hausman.random_effects2025/4/14272.3隨機(jī)效應(yīng)的拉格朗日乘子檢驗(yàn)對于面板數(shù)據(jù)模型：經(jīng)過OLS擬合估計(jì)后，可計(jì)算得到隨機(jī)效應(yīng)的拉格朗日乘子檢驗(yàn)統(tǒng)計(jì)量：隨機(jī)效應(yīng)的拉格朗日乘子檢驗(yàn)的Stata命令為xttest0。2025/4/14282.3隨機(jī)效應(yīng)的拉格朗日乘子檢驗(yàn)例2.6拉格朗日乘數(shù)隨機(jī)效應(yīng)檢驗(yàn)接著用例2.2的數(shù)據(jù)nlswork說明實(shí)現(xiàn)。（1）*清理內(nèi)存，下載數(shù)據(jù)集

.clear.use/data/r17/nlswork(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968)（2）**隨機(jī)效應(yīng)的拉格朗日乘子檢驗(yàn).xtregln_wgradeagec.age#c.agettl_expc.ttl_exp#c.ttl_exptenurec.tenure#c.tenure2.racenot_smsasouth,retheta結(jié)果略2025/4/14292.3隨機(jī)效應(yīng)的拉格朗日乘子檢驗(yàn).xttest02025/4/14302.4帶AR（1）干擾項(xiàng)的線性回歸帶AR（1）干擾項(xiàng)的面板線性回歸（FE、RE）模型為：帶AR（1）干擾項(xiàng)的面板線性回歸（FE、RE）模型的Stata命令為：（1）GLS隨機(jī)效應(yīng)(RE)模型：

xtregardepvar[indepvars][if][in][,reoptions]2025/4/14312.4帶AR（1）干擾項(xiàng)的線性回歸（2）固定效應(yīng)(FE)模型

xtregardepvar[indepvars][if][in][weight],fe[options]模型設(shè)定選項(xiàng)（options）有：re：重復(fù)使用隨機(jī)效應(yīng)估計(jì)法（默認(rèn)值）；fe：使用固定效應(yīng)估計(jì)法；rhotype（rhomethod）：指定計(jì)算自相關(guān)的方法；很少使用；rhof（#）：用#表示p，不要估計(jì)p；twostep：執(zhí)行兩步相關(guān)性估計(jì)。菜單操作為：

Statistics>Longitudinal/paneldata>Linearmodels>LinearregressionwithAR(1)disturbance(FE,RE)當(dāng)干擾項(xiàng)為一階自回歸時(shí)，xtregar擬合橫截面時(shí)間序列回歸模型。xtregar為固定效應(yīng)模型提供了內(nèi)部估計(jì)，為隨機(jī)效應(yīng)模型提供了GLS估計(jì)。xtregar可以適用于不平衡面板，其觀察值隨時(shí)間間隔不均勻。2025/4/14322.4帶AR（1）干擾項(xiàng)的線性回歸例2.7帶AR（1）干擾項(xiàng)的面板線性回歸（FE、RE）模型下面用Stata自帶數(shù)據(jù)說明實(shí)現(xiàn)。（1）*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/grunfeld.xtset2025/4/14332.4帶AR（1）干擾項(xiàng)的線性回歸（2）*固定效應(yīng)模型估計(jì).xtregarinvestmvaluekstock,fe2025/4/14342.4帶AR（1）干擾項(xiàng)的線性回歸（3）*估計(jì)擾動項(xiàng)的一階相關(guān)系數(shù).xtregarinvestmvaluekstock,ferhotype(tscorr)2025/4/14352.4帶AR（1）干擾項(xiàng)的線性回歸（4）*季度數(shù)據(jù)轉(zhuǎn)換為年度數(shù)據(jù).generatet=year-1934.generatet2=tq(1934q4)+t.formatt2%tq.listyeart2in1/5.xtsetcompanyt22025/4/14362.4帶AR（1）干擾項(xiàng)的線性回歸（5）*固定效應(yīng)模型估計(jì).xtregarinvestmvaluekstock,fe2025/4/14372.4帶AR（1）干擾項(xiàng)的線性回歸（6）*檢驗(yàn)自相關(guān).xtregarinvestmvaluekstockifyear!=1934&year!=1944,felbi2025/4/14382.4帶AR（1）干擾項(xiàng)的線性回歸（7）*隨機(jī)效應(yīng)模型估計(jì).xtregarinvestmvaluekstockifyear!=1934&year!=1944,relbi2025/4/14392.5隨機(jī)系數(shù)廣義最小二乘回歸在隨機(jī)系數(shù)模型中，參數(shù)的不均勻性（heterogeneity）被視為隨機(jī)變量。假設(shè)我們寫：2025/4/14402.5隨機(jī)系數(shù)廣義最小二乘回歸2025/4/14412.5隨機(jī)系數(shù)廣義最小二乘回歸隨機(jī)系數(shù)回歸（Random-coefficientsregression）的Stata命令為：

xtrcdepvarindepvars[if][in][,options]例2.8隨機(jī)系數(shù)線性回歸模型.clear.webuseinvest2*擬合隨機(jī)系數(shù)線性回歸模型

.xtrcinvestmarketstock2025/4/14422.5隨機(jī)系數(shù)廣義最小二乘回歸*重現(xiàn)結(jié)果并顯示特定于組的最佳線性預(yù)測值

.xtrc,beta2025/4/14432.5隨機(jī)系數(shù)廣義最小二乘回歸*重現(xiàn)結(jié)果，顯示小數(shù)點(diǎn)后4位的系數(shù)、標(biāo)準(zhǔn)誤差和CI.xtrc,cformat(%8.4f)2025/4/14442.6動態(tài)面板數(shù)據(jù)線性動態(tài)面板數(shù)據(jù)模型包括因變量的p滯后作為協(xié)變量，并包含未觀察到的面板水平效應(yīng)，固定效應(yīng)或隨機(jī)效應(yīng)。通過構(gòu)造，未觀察到的面板水平效應(yīng)與滯后因變量相關(guān)，使得標(biāo)準(zhǔn)估計(jì)法不一致。一般使用差分GMM估計(jì)法、水平GMM估計(jì)法和系統(tǒng)GMM估計(jì)法，估計(jì)動態(tài)面板模型的參數(shù)估計(jì)值。動態(tài)面板數(shù)據(jù)模型的估計(jì)方法：差分GMM、水平GMM和系統(tǒng)GMM。2025/4/14452.6動態(tài)面板數(shù)據(jù)線性動態(tài)面板數(shù)據(jù)估計(jì)的Stata命令為：

xtdpddepvar[indepvars][if][in],dgmmiv(varlist[...])[options]模型設(shè)定選項(xiàng)（options）有：dgmmiv(varlist[...])：用于差分方程的GMM類估計(jì)法；可以多次指定；lgmmiv(varlist[...])：用于液位方程的GMM類估計(jì)法；可以多次指定；iv(varlist[...])：差分方程和水平方程的標(biāo)準(zhǔn)工具法；可以多次指定；div(varlist[...])：僅用于差分方程的標(biāo)準(zhǔn)工具法；可以多次指定；liv（varlist）：標(biāo)準(zhǔn)工具僅適用于水平方程；可以多次指定；noconstant：無常數(shù)項(xiàng)；twostep：兩步計(jì)算兩步估計(jì)量，而不是一步估計(jì)量；2025/4/14462.6動態(tài)面板數(shù)據(jù)hascons：只檢查自變量水平之間的共線性；默認(rèn)情況下，會在級別和差異之間進(jìn)行檢查；fodevision：使用正向正交偏差，而不是一階差。菜單操作：

Statistics>Longitudinal/paneldata>Dynamicpaneldata(DPD)>LinearDPDestimationxtdpd擬合線性動態(tài)面板數(shù)據(jù)模型，其中未觀察到的面板水平效應(yīng)與因變量的滯后項(xiàng)相關(guān)。該命令可以適用于ArellanoBond和ArellanoBover/BlundellBond模型估計(jì)，如xtabond和xtdpdsys。然而，與xtabond或xtdpdsys相比，它也允許特殊誤差或預(yù)定變量具有更復(fù)雜的結(jié)構(gòu)，允許模型具有低階移動平均相關(guān)。2025/4/14472.6動態(tài)面板數(shù)據(jù)例2.10動態(tài)面板模型（1）*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/abdata2025/4/14482.6動態(tài)面板數(shù)據(jù)（2）*差分GMM估計(jì).xtdpdL(0/2).nL(0/1).wL(0/2).(kys)yr1980-yr1984year,noconstantdiv(L(0/1).wL(0/2).(kys)yr1980-yr1984year)dgmmiv(n)2025/4/14492.6動態(tài)面板數(shù)據(jù)（3）列表顯示數(shù)據(jù).listidyearnL2.ndl2.nifid==1402025/4/14502.6動態(tài)面板數(shù)據(jù)（4）*具有預(yù)設(shè)變量的差分GMM估計(jì).xtdpdL(0/2).nL(0/1).(wys)L(0/2).kyr1980-yr1984year,div(L(0/1).(ys)yr1980-yr1984year)dgmmiv(n)dgmmiv(L.wL2.k,lag(1.))twostepnoconstantvce(robust)2025/4/14512.6動態(tài)面板數(shù)據(jù)（5）*系統(tǒng)GMM估計(jì).xtdpdL(0/1).nL(0/2).(wk)yr1980-yr1984year,div(yr1980-yr1984year)dgmmiv(n)dgmmiv(L2.(wk),lag(1.))lgmmiv(nL1.(wk))vce(robust)hascons2025/4/14522.6動態(tài)面板數(shù)據(jù)（6）*允許MA(1)隨機(jī)誤差項(xiàng).xtdpdL(0/1).nL(0/2).(wk)yr1980-yr1984year,div(L(0/1).(wk)yr1980-yr1984year)dgmmiv(n)hascons2025/4/14532.6動態(tài)面板數(shù)據(jù)（7）*薩根檢驗(yàn)拒絕了過度識別限制在有i.i.d.誤差項(xiàng)的模型中有效的原假設(shè).estatsargan2025/4/14542.6動態(tài)面板數(shù)據(jù)（8）*假設(shè)MA(1),estatsargan的研究結(jié)果不再否認(rèn)過度識別的原假設(shè)限制是有效的。.xtdpdL(0/1).nL(0/2).(wk)yr1980-yr1984year,div(L(0/1).(wk)yr1980-yr1984year)dgmmiv(n,lag(3.))hascons2025/4/14552.6動態(tài)面板數(shù)據(jù).estatsargan2025/4/14562.7面板數(shù)據(jù)的刪失結(jié)果隨機(jī)效應(yīng)區(qū)間數(shù)據(jù)回歸模型隨機(jī)效應(yīng)區(qū)間數(shù)據(jù)回歸模型估計(jì)的Stata命令為：

xtintregdepvar_lowerdepvar_upper[indepvars][if][in][weight][,options]depvar_lower和depvar_upper取值格式為：2025/4/14572.7面板數(shù)據(jù)的刪失結(jié)果隨機(jī)效應(yīng)區(qū)間數(shù)據(jù)回歸模型菜單操作為：

Statistics>Longitudinal/paneldata>Censoredoutcomes>Intervalregression(RE)xtintreg擬合隨機(jī)效應(yīng)回歸模型，其中因變量可以作為點(diǎn)數(shù)據(jù)、區(qū)間數(shù)據(jù)、左刪失數(shù)據(jù)或右刪失數(shù)據(jù)進(jìn)行測量。必須使用兩個(gè)DEPVAR設(shè)定因變量，這兩個(gè)DEPVAR指示如何測量因變量。用戶可以要求在估計(jì)時(shí)進(jìn)行似然比檢驗(yàn)，比較面板區(qū)間回歸模型和混合模型。2025/4/14582.7面板數(shù)據(jù)的刪失結(jié)果例2.11隨機(jī)效應(yīng)區(qū)間數(shù)據(jù)回歸模型估計(jì)*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/nlswork5*隨機(jī)效應(yīng)區(qū)間回歸估計(jì).xtintregln_wage1ln_wage2i.unionagegradenot_smsasouth##c.year,intreg2025/4/14592.7面板數(shù)據(jù)的刪失結(jié)果隨機(jī)效應(yīng)面板tobit回歸2025/4/14602.7面板數(shù)據(jù)的刪失結(jié)果式中，C表示沒有審查截?cái)啵籐表示左截?cái)?；R表示右截?cái)?；Φ（·）為累積正態(tài)分布函數(shù)。2025/4/14612.7面板數(shù)據(jù)的刪失結(jié)果2025/4/14622.7面板數(shù)據(jù)的刪失結(jié)果隨機(jī)效應(yīng)面板tobit回歸模型估計(jì)的Stata命令為：

xttobitdepvar[indepvars][if][in][weight][,options]模型設(shè)定選項(xiàng)（options）有：noconstant：無常數(shù)項(xiàng)；ll[（varname|#）]：左刪失變量或限制；ul[（varname|#）]：右刪失變量或限制；offset(varname)：在系數(shù)約束為1的模型中包含varname；constraints(constraints)：應(yīng)用指定的線性約束。2025/4/14632.7面板數(shù)據(jù)的刪失結(jié)果隨機(jī)效應(yīng)面板tobit回歸模型估計(jì)的Stata命令為：菜單操作為：

Statistics>Longitudinal/paneldata>Censoredoutcomes>Tobitregression(RE)xttobit適用于結(jié)果變量被刪失的面板數(shù)據(jù)的隨機(jī)效應(yīng)Tobit模型。所有觀測值的審查限制可能是固定的，也可能因觀測值而異。用戶可以要求對面板進(jìn)行似然比測試。面板Tobit模型和混合Tobit模型都可以在估算構(gòu)建。2025/4/14642.7面板數(shù)據(jù)的刪失結(jié)果例2.12隨機(jī)效應(yīng)Tobit回歸*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/nlswork3(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968)*隨機(jī)效應(yīng)面板tobit回歸右截?cái)嗄Ｐ凸烙?jì).xttobitln_wagei.unionagegradenot_smsasouth##c.year,ul(1.9)tobit2025/4/14652.7面板數(shù)據(jù)的刪失結(jié)果2025/4/14662.8面板數(shù)據(jù)的同期相關(guān)面板數(shù)據(jù)廣義最小二乘法建立模型的方程式為：模型等價(jià)的矩陣表達(dá)式為：擾動項(xiàng)的方差矩陣可以寫成：2025/4/14672.8面板數(shù)據(jù)的同期相關(guān)

2025/4/14682.8面板數(shù)據(jù)的同期相關(guān)使用GLS擬合面板數(shù)據(jù)模型的Stata命令為：

xtglsdepvar[indepvars][if][in][weight][,options]模型設(shè)定選項(xiàng)（options）有：noconstant：無常數(shù)項(xiàng)；panels(iid)：使用i.i.d.誤差結(jié)構(gòu)；panels（heteroskedastic）：使用heteroskedastic但不相關(guān)的錯(cuò)誤結(jié)構(gòu)；panels(correlated)：使用異方差和相關(guān)誤差結(jié)構(gòu)；

corr(independent)：使用獨(dú)立的自相關(guān)結(jié)構(gòu)；2025/4/14692.8面板數(shù)據(jù)的同期相關(guān)corr（ar1）：使用ar1自相關(guān)結(jié)構(gòu)；corr（psar1）：使用面板特定的AR1自相關(guān)結(jié)構(gòu)；rhotype（calc）：指定計(jì)算自相關(guān)參數(shù)的方法；詳見選項(xiàng)；很少使用；igls：使用迭代GLS估計(jì)代替兩步GLS估計(jì)；force：即使觀測的時(shí)間間隔不相等，也要進(jìn)行估計(jì)。菜單操作為：

Statistics>Longitudinal/paneldata>Contemporaneouscorrelation>GLSregressionwithcorrelateddisturbancesxtgls使用可行的廣義最小二乘法擬合面板數(shù)據(jù)線性模型。該命令可以在面板內(nèi)存在AR（1）自相關(guān)以及面板間的橫截面相關(guān)性和異方差的情況下進(jìn)行估計(jì)。2025/4/14702.8面板數(shù)據(jù)的同期相關(guān)例2.13面板數(shù)據(jù)廣義最小二乘法（1）*清理內(nèi)存，下載數(shù)據(jù)集

.clear.use/data/r17/invest2（2）*跨面板異方差：五家公司的方差有差異.xtglsinvestmarketstock,panels(hetero)2025/4/14712.8面板數(shù)據(jù)的同期相關(guān)（3）*跨面板相關(guān).xtset.xtglsinvestmarketstock,panels(correlated).matrixliste(Sigma)2025/4/14722.8面板數(shù)據(jù)的同期相關(guān)（4）*MLE.xtglsinvestmarketstock,panels(correlated)igls2025/4/14732.8面板數(shù)據(jù)的同期相關(guān)（5）*跨面板自相關(guān).xtglsinvestmarketstock,panels(hetero)corr(ar1)2025/4/14742.8面板數(shù)據(jù)的同期相關(guān)（6）*不同的AR(1).xtglsinvestmarketstock,panels(iid)corr(psar1)2025/4/14752.8面板數(shù)據(jù)的同期相關(guān)

2025/4/14762.8面板數(shù)據(jù)的同期相關(guān)該模型也可以寫成矩陣形式：對于一個(gè)具有異方差干擾和同時(shí)相關(guān)但沒有自相關(guān)的模型，假設(shè)擾動協(xié)方差矩陣為：2025/4/14772.8面板數(shù)據(jù)的同期相關(guān)

2025/4/14782.8面板數(shù)據(jù)的同期相關(guān)面板數(shù)據(jù)校正標(biāo)準(zhǔn)誤差回歸xtpcse計(jì)算線性橫截面時(shí)間序列模型的面板校正標(biāo)準(zhǔn)誤差（PCSE）估計(jì)，其中參數(shù)通過OLS或Prais–Winsten回歸進(jìn)行估計(jì)。在計(jì)算標(biāo)準(zhǔn)誤差和方差-協(xié)方差估計(jì)時(shí)，xtpcse假設(shè)擾動項(xiàng)是跨面板異方差的并且在面板之間同時(shí)相關(guān)。面板數(shù)據(jù)校正標(biāo)準(zhǔn)誤差回歸估計(jì)的Stata命令為：

xtpcsedepvar[indepvars][if][in][weight][,options]模型設(shè)定選項(xiàng)（options）有：noconstant：無常數(shù)項(xiàng)；correlation(independent)：使用獨(dú)立的自相關(guān)結(jié)構(gòu)；correlation(ar1)：使用ar1自相關(guān)結(jié)構(gòu)；correlation(psar1)：使用面板特定的AR1自相關(guān)結(jié)構(gòu)；2025/4/14792.8面板數(shù)據(jù)的同期相關(guān)rhotype（calc）：指定計(jì)算自相關(guān)參數(shù)的方法；很少使用；np1：按面板規(guī)模加權(quán)指定面板；hetonly：只假設(shè)面板級別的異方差誤差；independent：假設(shè)跨面板的獨(dú)立誤差。菜單操作為：

Statistics>Longitudinal/paneldata>Contemporaneouscorrelation>Regressionwithpanel-correctedstandarderrors(PCSE)2025/4/14802.8面板數(shù)據(jù)的同期相關(guān)例2.14面板數(shù)據(jù)校正標(biāo)準(zhǔn)誤差回歸估計(jì)（1）*控制異質(zhì)性和面板間相關(guān)性*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/grunfeld.listin1/5.xtsetcompanyyear,yearly2025/4/14812.8面板數(shù)據(jù)的同期相關(guān)（2）*面板數(shù)據(jù)校正標(biāo)準(zhǔn)誤差回歸估計(jì).xtpcseinvestmvaluekstock2025/4/14822.8面板數(shù)據(jù)的同