面板数据的处理stata

*横截面的异方差与序列的自相关性是运用面板数据模型时可能遇到的最为常见的问题，此时运用OLS可能会产生结果失真。 因此为了消除影响，

对我国东、中、西部地区的分析将采用不相关回归方法( SeeminglyUnrelated Regression, SUR)来估计方程。

而对于全国范围内的估计来说，由于横截面个数大于时序个数，所以采用截面加权估计法(Cross SectionWeights, CSW) 。

*一般而言，面板数据可用固定效应(fixed effect) 和随机效应(random effect) 估计方法, 即如果选择固定效应模型,则利用虚拟变量最小二乘法(LSDV) 进行估计;

如果选择随机效应模型,则利用可行的广义最小二乘法(FGLS) 进行估计(Greene ,2000) 。它可以极大限度地利用面板数据的优点,尽量减少估计误差。

至于究竟是采用固定效应还是随机效应,则要看Hausman 检验的结果。

*单位根检验：

在进行时间序列的分析时。研究者为了避免伪回归问题。会通过单位根检验对数据平稳性进行判断。

但对于面板数据则较少关注。随着面板数据在经济领域应用,对面板数据单位根的检验也逐渐引起重视。面板数据单位根的检验主要有L

STATA 面板数据模型估计命令一览表

一、静态面板数据的STATA处理命令

（一）数据处理

输入数据

●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构

●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析） ●gen lag_y=L.y /////// 产生一个滞后一期的新变量 gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量

（二）模型的筛选和检验

●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型） ●xtreg sq cpi unem g se5 ln,fe

对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。

●2、

STATA 面板数据模型估计命令一览表

一、静态面板数据的STATA处理命令

（一）数据处理

输入数据

●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构

●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析） ●gen lag_y=L.y /////// 产生一个滞后一期的新变量 gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量

（二）模型的筛选和检验

●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型） ●xtreg sq cpi unem g se5 ln,fe

对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。

●2、

STATA 面板数据模型估计命令一览表

一、静态面板数据的STATA处理命令

（一）数据处理

输入数据

●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构

●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析） ●gen lag_y=L.y /////// 产生一个滞后一期的新变量 gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量

（二）模型的筛选和检验

●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型） ●xtreg sq cpi unem g se5 ln,fe

对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。

●2、

STATA 面板数据模型估计命令一览表

一、静态面板数据的STATA处理命令

y???xitiit???it 固定效应模型

y?xitit???it

itit?????it 随机效应模型

（一）数据处理

输入数据

●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构

●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析）

●gen lag_y=L.y /////// 产生一个滞后一期的新变量

gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量

（二）模型的筛选和检验

●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型） ●xtreg sq cpi unem g se5 ln,fe

【原创】5分钟搞定Stata面板数据分析 简易教程ver2.0作者： 张达

5分钟搞定Stata面板数据分析

简易教程

步骤一：导入数据 原始表如下，

数据请以时间（1998，1999，2000，2001??）为横轴，样本名（北京，天津，河北??）为纵轴

将中文地名替换为数字。

注意：表中不能有中文字符，否则会出现错误。面板数据中不能有空值。

去除年份的一行，将其余部分复制到stata的data editor中，或保存为csv格式。

打开stata，调用数据。

方法一：直接复制到data editor中。

方法二：使用口令：insheet using 文件路径 调用例如：insheet using C:\\STUDY\\paper\\taxi.csv 其中csv格式可用excel的“另存为”导出 如图：

步骤二：调整格式

首先请将代表样本的var1重命名 口令：rename var1 样本名

例如：rename var1 province

也可直接在var1处双击，在弹出的窗口中修改:

接下来将数据转化为面板数据的格式 口令：reshape long var, i(样本名)

例如：reshape long var, i(p

面板数据的计量方法

1.什么是面板数据？ 面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是截面数据与时间序列综合起来的一种数据资源，是同时在时间和截面空间上取得的二维数据。

如：城市名：北京、上海、重庆、天津的GDP分别为10、11、9、8（单位亿元）。这就是截面数据，在一个时间点处切开，看各个城市的不同就是截面数据。 如：2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12（单位亿元）。这就是时间序列，选一个城市，看各个样本时间点的不同就是时间序列。

如：2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为： 北京市分别为8、9、10、11、12； 上海市分别为9、10、11、12、13； 天津市分别为5、6、7、8、9；

重庆市分别为7、8、9、10、11（单位亿元）。 这就是面板数据。

2.面板数据的计量方法

利用面板数据建立模型的好处是：（1）由于观测值的增多，可以增加估计量的抽样精度。（2）对于固定效应模型能得到参数的一致估计量，甚至有效估计量

一、我对几种面板数据模型的理解

1 混合效应模型 pooled model

就是所有的省份，都是相同，即同一个方程 ，截距项和斜率项都相同

yit=c+bxit+?it c 与b 都是常数

2 固定效应模型fixed-effect model 和随机效应模型random-effects model 就是所有省份，既有相同的部分，即斜率项都相同；也有不同的部分，即截距项不同。

2.1 固定效应模型 fixed-effect model

yit=ai+bxit+?it cov(ci,xit)≠0

固定效应方程隐含着跨组差异可以用常数项的不同刻画。每个ai都被视为未知的待估参数。xit中任何不随时间推移而变化的变量都会模拟因个体而已的常数项

2.2 随机效应模型 random-effects model

yit=a+ui+bxit+?it cov(a+ui,xit)=0

A是一个常数项，是不可观察差异性的均值，ui为第i个观察的随机差异性，不随时间变化。

3 变系数模型Variable Coefficient Models(变系数也分固定效应和随机效应) 每一个组，都采用一个方程

横截面数据、时间序列数据、面板数据

横截面数据：（时间固定）

横截面数据是在同一时间，不同统计单位相同统计指标组成的数据列。横截面数据是按照统计单位排列的。因此，横截面数据不要求统计对象及其范围相同，但要求统计的时间相同。也就是说必须是同一时间截面上的数据。 如：

时间序列数据：(横坐标为t,纵坐标为y)

在不同时间点上收集到的数据，这类数据反映某一事物、现象等随时间的变化状态或程度。 如：

面板数据：(横坐标为t,斜坐标为y,纵坐标为z)

是截面数据与时间序列数据综合起来的一种数据类型。其有时间序列和截面两个维度，当这类数据按两个维度排列时，是排在一个平面上，与只有一个维度的数据排

在一条线上有着明显的不同，整个表格像是一个面板,所以把panel data译作“面板数据”。 举例：

如：城市名：北京、上海、重庆、天津的GDP分别为10、11、9、8（单位亿元）。这就是截面数据，在一个时间点处切开，看各个城市的不同就是截面数据。 如：2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12（单位亿元）。这就是时间序列，选一个城市，看各个样本时间点

横截面数据、时间序列数据、面板数据

横截面数据：（时间固定）

横截面数据是在同一时间，不同统计单位相同统计指标组成的数据列。横截面数据是按照统计单位排列的。因此，横截面数据不要求统计对象及其范围相同，但要求统计的时间相同。也就是说必须是同一时间截面上的数据。 如：

时间序列数据：(横坐标为t,纵坐标为y)

在不同时间点上收集到的数据，这类数据反映某一事物、现象等随时间的变化状态或程度。 如：

面板数据：(横坐标为t,斜坐标为y,纵坐标为z)

是截面数据与时间序列数据综合起来的一种数据类型。其有时间序列和截面两个维度，当这类数据按两个维度排列时，是排在一个平面上，与只有一个维度的数据排

在一条线上有着明显的不同，整个表格像是一个面板,所以把panel data译作“面板数据”。 举例：

如：城市名：北京、上海、重庆、天津的GDP分别为10、11、9、8（单位亿元）。这就是截面数据，在一个时间点处切开，看各个城市的不同就是截面数据。 如：2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12（单位亿元）。这就是时间序列，选一个城市，看各个样本时间点