xA6_Panel_Data - Printed on 2011-11-25 10:43:02 223 *-- 如何得到调整后的 R2,即 adj-R2 ？ 224 use invest2.dta, clear 225 qui tab id, gen(dum) 226 cap drop dum1 227 reg market invest stock dum* 228 229 areg market invest stock, a(id) /*更为简洁*/ 230 231 232 *-- 如何得到每家公司的截距项？ 233 234 * 方法一：加入 (N-1) 个虚拟变量，采用 OLS 估计 235 use invest2.dta, clear 236 tab id, gen(dum) 237 reg market invest stock dum*, nocons 238 xtreg market invest stock , fe 239 * 优点：可以同时获得每个截距项的标准误、t值和p值 240 * 适用于 大 T 小 N 型数据 241 242 * 方法二：xi 前缀 243 xi: reg market invest stock i.id 244 xi: reg market invest stock i.id, robust 245 246 * 方法三：采用predict命令 247 qui xtreg market invest stock, fe 248 predict a , u 249 replace a = _b[_cons] + a 250 duplicates example id a 251 order id t a 252 browse 253 reg market invest stock dum*, nocons nohead 254 255 * 方法四：areg 命令 256 areg market invest stock, absorb(id) 257 predict ai, d 258 gen a_i = ai + _b[_cons] 259 order id t a_i ai 260 browse 261 262 * 方法五：fese 命令 263 * 采用areg估计模型，将截距项的标准误存于一个新的变量中 264 * ssc install fese, replace 265 use invest2.dta, clear 266 fese market invest stock, s(o) oonly 267 268 269 *-- 拟合值和残差 270 271 * y_it = u_i + x_it*b + e_it 272 * predict newvar, [option] 273 /* 274 xb xb, fitted values; the default 275 stdp calculate standard error of the fitted values 276 ue u_i + e_it, the combined residual 277 xbu xb + u_i, prediction including effect 278 u u_i, the fixed- or random-error component 279 e e_it, the overall error component */ 280 281 xtreg market invest stock, fe 282 predict y_hat 283 predict a , u 284 predict res , e 285 predict cres, ue 286 gen ares = a + res 287 list ares cres in 1/10 288 289 290 *-------------------291 *-6.1.5 随机效应模型 292 293 *-6.1.5.1 RE 与 FE 的异同 294 295 *-RE的模型设定： 296 * y_it = x_it*b + (a_i + u_it) Page 4
xA6_Panel_Data - Printed on 2011-11-25 10:43:02 149 reg y x dum1 dum2 dum3, nocons 150 est store m_pooldum3 151 152 *-M2：放入两个虚拟变量，三家公司有一个公共的截距项 153 reg y x dum2 dum3 154 est store m_pooldum2 155 156 *-M3：面板固定效应模型（stata的估计方法） 157 tsset id t 158 xtreg y x, fe 159 est store m_fe 160 est table m_*, b(%6.3f) star(0.1 0.05 0.01) 161 162 163 *-6.1.4.3 stata的估计方法解析 164 165 * 目的：如果截面的个数非常多，那么采用虚拟变量的方式运算量过大 166 * 因此，要寻求合理的方式去除掉个体效应 167 * 因为，我们关注的是 x 的系数，而非每个截面的截距项 168 * 处理方法： 169 * 170 * y_it = u_i + x_it*b + e_it (1) 171 * ym_i = u_i + xm_i*b + em_i (2) 组内平均 172 * ym = um + xm*b + em (3) 样本平均 173 * (1) - (2), 可得： 174 * (y_it - ym_i) = (x_it - xm_i)*b + (e_it - em_i) （4）//within估计 175 * (4)+(3), 可得： 176 * (y_it-ym_i+ym) = um + (x_it-xm_i+xm)*b + (e_it-em_i+em) 177 * 可重新表示为： 178 * Y_it = a_0 + X_it*b + E_it 179 * 对该模型执行 OLS 估计，即可得到 b 的无偏估计量 180 181 egen y_meanw = mean(y), by(id) /*公司内部平均*/ 182 egen y_mean = mean(y) /*样本平均*/ 183 egen x_meanw = mean(x), by(id) 184 egen x_mean = mean(x) 185 gen dy = y - y_meanw + y_mean 186 gen dx = x - x_meanw + x_mean 187 reg dy dx 188 est store m_stata 189 190 est table m_*, b(%6.3f) star(0.1 0.05 0.01) 191 192 193 *-6.1.4.4 解读 xtreg,fe 的估计结果 194 195 use invest2.dta, clear 196 tsset id t 197 edit 198 xtreg market invest stock, fe 199 200 *-- R^2 201 * y_it = a_0 + x_it*b_o + e_it (1) pooled OLS 202 * y_it = u_i + x_it*b_w + e_it (2) within estimator 203 * ym_i = a_0 + xm_i*b_b + em_i (3) between estimator 204 * 205 * -> R-sq: within 模型(2)对应的R2，是一个真正意义上的R2 206 * -> R-sq: between corr{xm_i*b_w,ym_i}^2 207 * -> R-sq: overall corr{x_it*b_w,y_it}^2 208 209 *-- F(2,93) = 33.23 检验除常数项外其他解释变量的联合显著性 210 * 93 = 100-2-5 211 212 *-- corr(u_i, Xb) = 0.5256 213 214 *-- sigma_u, sigma_e, rho 215 * rho = sigma_u^2 / (sigma_u^2 + sigma_e^2) 216 dis e(sigma_u)^2 / (e(sigma_u)^2 + e(sigma_e)^2) 217 dis 1023.5914^2 / (1023.5914^2 + 370.9569^2) 218 219 *-- 个体效应是否显著？（假设检验） 220 * F(4, 93) = 97.68 H0: a1 = a2 = a3 = a4 = 0 221 * Prob > F = 0.0000 表明，固定效应高度显著 222 Page 3
xA6_Panel_Data - Printed on 2011-11-25 10:43:02 1 2 3 * ======================== 4 * 5 * 面板数目模型 6 * 7 * ======================== 8 9 10 * 11 *-----------------------------------------------12 * 13 * 主讲人：连玉君 副教授 14 * 15 * 16 * 单 位：中山大学岭南学院金融系 17 * 电 邮: arlionn@ 18 * 博 客: /arlion 19 * 主 页：/arlion 20 * 21 *-----------------------------------------------22 23 24 25 26 *-注意：执行后续命令之前，请先执行如下命令,进入课程讲义所在目录 27 28 cd D:\stata11\ado\personal\PX_Panel\xA6_Panel_Data 29 30 31 *-或(如果你的stata11放置于其他盘符下，如C盘或F盘) 32 cd `c(sysdir_personal)'PX_Panel\xA6_Panel_Data 33 34 35 36 * -----------------37 * ---- 本讲目录 ---38 * -----------------39 * 40 * 6.1 静态面板模型：固定效应模型 v.s. 随机效应模型 41 * 6.2 时间效应、模型的筛选和常见问题 42 * 6.3 异方差、序列相关和截面相关 43 * 6.4 内生性问题与 IV-GMM 估计 44 * 6.5 动态面板模型 45 * 6.6 面板数据资料的处理 46 47 48 49 *----------------50 *-6.1 静态面板模型 51 *----------------52 53 * ==本节目录== 54 55 * 6.1.1 简介 56 * 6.1.2 参考资料 57 * 6.1.3 静态面板简介 58 * 6.1.4 固定效应模型 59 * 6.1.4.1 FE模型的基本原理 60 * 6.1.4.2 如何估计固定效应模型 61 * 6.1.4.3 stata的估计方法解析 62 * 6.1.4.4 解读 xtreg,fe 的估计结果 63 * R^2 64 * 个体效应是否显著？ 65 * 如何得到调整后的 adj-R2 ？ 66 * 如何得到每家公司的截距项？ 67 * 拟合值和残差 68 * 6.1.5 随机效应模型 69 * 6.1.5.1 RE 与 FE 的异同 70 * 6.1.5.2 解读 xtreg,re 的估计结果 71 72 73 *-------------------74 *-6.1.1 简介 Page 1