格兰杰因果检验stata操作指南
ex7Granger
ex7Granger格兰杰（Granger）因果检验【实验⽬的】掌握格兰杰（Granger）因果检验的基本原理及操作。
【实验内容】⼀、Granger因果检验原理；⼆、数据的输⼊；三、单位根检验；四、协整检验；五、格兰杰检验【实验步骤】⼀、理解Granger因果检验原理在经济学上确定⼀个变量的变化是否是另⼀个变量变化的原因，⼀般⽤格兰杰因果关系(Granger Test of Causality)检验。
⽽进⾏格兰杰因果检验⾸先必须证明随机变量是平稳序列，因此，⼀个完整的格兰杰因果检验过程可描述为时间序列的单位根检验、变量之间的协整和格兰杰因果关系检验。
时间序列分析的⼀个难点是变量的平稳性考察，因为⼤部分整体经济时间序列都有⼀个随机趋势，这些时间序列被称为“⾮平稳性”时间序列，当⽤于平稳时间序列的统计⽅法运⽤于⾮平稳的数据分析时，⼈们很容易做出安全错误的判断。
动态计量经济理论要求在进⾏宏观经济实证的分析时，⾸先必须进⾏变量的平稳性检验，否则分析时会出现“伪回归”现象，以此作出的结论很可能是错误的。
对于⾮0阶单整的序列，则可⽤协整检验进⾏分析，因为对于不同时间序列变量，只有在协整的情况下，才可能存在⼀个长期稳定的⽐例关系。
（⼀）单位根检验(unit root test)检验变量是否稳定的过程称为单位根检验。
平稳序列将围绕⼀个均值波动，并有向其靠拢的趋势，⽽⾮平稳过程则不具有这个性质。
⽐较常⽤的单位根检验⽅法是ADF（Augented Dickey-Fuller Test）检验，这是⽬前普遍应⽤的单整检验⽅法。
该检验法的基本原理是通过n次差分的办法将⾮平稳序列转化为平稳序列。
（⼆）协整检验(cointegration test)变量序列之间的协整关系是由Engle和Granger⾸先提出的。
其基本思想在于，尽管两个或两个以上的变量序列为⾮平稳序列，但它们的某种线性组合却可能呈现稳定性，则这两个变量之间便存在长期稳定关系即协整关系。
格兰杰因果关系检验
• 如果一个p阶自回归模型AR(p)生成的时间序列是 平稳的，则该p阶自回归模型AR(p)是平稳的。反 之，则不是平稳的。
• 在p阶自回归模型(5.4.3)中引入滞后算子L：
LX t X t1, L2 X t X t2 , , Lp X t X t p
2020/4/10
2、应用中需要注意的几个问题 ⑴滞后期长度选择问题 检验结果对于滞后期长度的选择比较敏感，不同的滞后期 得到的检验结果可能不同。一般而言，需要进行不同滞后 期长度下的检验，以得到比较稳健的结果，并根据模型中 随机干扰项不存在序列相关时的滞后期长度来选取滞后期。
2020/4/10
10
• ⑵时间序列的平稳性问题
• 结构向量自回归模型(SVAR)
• 结构向量自回归模型中包含了变量间的当期关系。变 量间的当期关系揭示了变量之间的相互影响，实质上 是对向量自回归模型施加了基于经济理论分析的限制 性条件，从而识别变量之间的结构关系。结构向量自 回归模型每个方程左边是内生变量，右边是自身的滞 后和其他内生变量的当期和滞后。
• 理论上格兰杰因果关系检验是针对平稳时间序列的， 但实践上也适用于同阶单整非平稳时间序列。
• ⑶样本容量问题
• 对于两个平稳序列而言，随着样本容量的增大，判断 出存在格兰杰因果关系的概率显著增大。为了提高检 验结果的可靠性，应尽可能使用较大的样本。
• ⑷格兰杰因果关系检验是必要性条件检验，而不是充 分性条件检验
2020/4/10
可见，滞 后4期检验 结果最显 著，说明 格兰杰因 果关系检 验时正确 选择滞后 期非常重 要!
24
17
• 例5.4.3 根据表5.1.1中1980-2013年中国居民实际 总消费支出和实际可支配收入数据进行格兰杰因 果关系检验，验证“消费拉动经济增长，经济增 长增加居民可支配收入，居民可支配收入增加推 动消费增长”的理论观点。
stata使用手册
STATA基本入门前言STATA是一个十分好用而且简单的统计软件包，透过轻松的数据输入方式，而且简单的指令，即可执行一般在计量经济学上常用的计量模型。
除了计量模型外，STATA的软件包中也可执行统计学中的估计和检定，甚至是多变量分析中的各项分析工具。
因此，STATA可以说是一个相当强而有力的统计软件。
一、安装STATA所须的内存容量不大，只有4.03MB。
此外，安装也相当简单，只要在〝SETUP〞上点两下，安装完成后再分别输入”Sn”、”Code”和”Key”即可开始使用。
但是安装过程中有一点必须注意的是，如下图所示，有”Intercooled”和”Small”两个选项。
一般而言，为了方便日后要设定较大的内存容量来处理大笔的资料，通常选择以”Intercooled”进行安装。
以此項進行安裝二、窗口介绍安装完成后，点选桌面上STATA的图标，窗口画面如下图所示。
为了使画面美观，我们可以将画面拉到自己喜欢的地方，如下图所示。
为了保存这个窗口画面，我们必须点选工具列上的”Prefs”下的”Save Windowing Preferences”。
如此一来，以后开启STATA时都会以此窗口画面呈现。
接下来，我们依序介绍四个窗口的功用：左上─Review：此一窗口用于记录在开启STATA后所执行过的所有指令。
因此，若欲使用重复的指令时，只要在该指令上点选两下即可执行相同的指令；若欲使用类似的指令时，在该指令上点一下，该指令即会出现在窗口”Stata Command”上，再进行修改即可。
此外，STATA还可以将执行过的指令储存下来，存在一个do-file内，下次即可再执行相同的指令。
左下─Variables：此一窗口用于呈现某笔数据中的所有变量。
换言之，当数据中的变量都有其名称时，变量名称将会出现在此一窗口中。
只要数据有读进STATA中，变量名称就会出现。
它的优点是(1)确认数据输入无误；(2)只要在某变量上点选两下，该变量即会出现在窗口”Stata Command”上。
Stata软件操作教程 (16)
（四）对样本利用竞争指标CP分类，取前1/5与后1/5的样 本分别进行回归。
对于CP指标前1/5的样本，在命令窗口中输入如下命令进行 回归，可以得到回归结果图17.13。回归结果与本文的假设 是一致的，因为CP值较小说明这部分样本面临的外部市场 环境竞争较小，在这部分样本公司中高管的代理问题较为 严重，IR相比第一个回归总体样本假设对ROA有个更加显 著的正的解释变量，实证结果显示解释力是更加显著了， 说明中国的上市公司的外部竞争性越弱，公司绩效对公司 治理的改善越敏感。
然后对样本按照竞争指标cp进行排序，仍然是取样本的前 1/5，后1/5进行回归，也可以得到相应的回归 结果。
17.3综合案例三：农民焚烧秸秆意 愿的实证研究
17.3.1问题背景 国内由于秸秆焚烧是近年来才出现的一问题，故对这
方面的研究较少。陈新锋（2001）的研究表明，在没 有外部干预和技术突破的条件下，农民收入水平与秸 秆焚烧量成正比。
17.1.2统计方法与Stata实现
（一）模型及变量描述
根据要研究的问题，本文建立模型ROA=α+β1* IR +β2*CP*IR+ε
该模型中系数β1表示独立董事比例对该类公司业绩ROA的 影响的敏感程度，β2表示特定的竞争程度下，IR变化对 ROA的影响的敏感程度。回归中设x=CP*IR.。
入如下命令，可以得到下图17.11。 xtreg roa IR lev x lna, re 在命令窗口中输入以下命令将以上回归结果存储为 re est store re 然后进行豪斯曼检验，在命令窗口中输入以下命令，可以得到
图17.12的检验结果。 hausman fe re 显然豪斯曼检验的结果是应该对模型使用固定效应模型回归。
格兰杰因果关系检验的步骤
格兰杰因果关系检验的步骤（1)将当前的y对所有的滞后项y以及别的什么变量（如果有的话）做回归，即y对y 的滞后项yt—1，yt-2,…，yt-q及其他变量的回归，但在这一回归中没有把滞后项x包括进来，这是一个受约束的回归。
然后从此回归得到受约束的残差平方和RSSR。
（2）做一个含有滞后项x的回归，即在前面的回归式中加进滞后项x,这是一个无约束的回归，由此回归得到无约束的残差平方和RSSUR。
（3)零假设是H0：α1=α2=…=αq=0，即滞后项x不属于此回归。
（4)为了检验此假设，用F检验，即：它遵循自由度为q和（n-k）的F分布。
在这里，n是样本容量，q等于滞后项x的个数，即有约束回归方程中待估参数的个数，k是无约束回归中待估参数的个数。
（5）如果在选定的显著性水平α上计算的F值超过临界值Fα，则拒绝零假设，这样滞后x项就属于此回归，表明x是y的原因。
（6）同样,为了检验y是否是x的原因，可将变量y与x相互替换，重复步骤(1)～（5）。
首先将选定指标（xxx,xxx)对上证指数收益率及标志性股票收益率进行格兰杰因果检验，确定指标与收益率之间是否有因果关系,并以此作为筛选指标的标准。
为了排除其他其他有效变量对残差的影响，将股票收益率预测的几个常用指标(波动率，var，市净率,巴拉巴拉）加入通过格兰杰因果检验的市场情绪指标，一并进行主成分分析(选择主成分分析的原因是这些常用市场预测指标与市场情绪有符合常识的相关性),并选出解释度高的主成分，推算出关于选定指标的回归方程。
即为情绪指标的预测模型。
将预测模型对一千天的数据进行回顾测试,用方差分析检验二者之间是否存在显著差异；再选择市场情绪发生重大波动的特殊时段进行测试，方差分析检验二者是否存在显著差异。
若存在显著差异，考虑滞后影响和变量形态(比如变量的平方），进一步调整模型,直到得到满意的结果（比如置信度99。
99%）。
stata格兰杰因果关系矩阵
Stata中的格兰杰因果关系矩阵一、介绍在统计学中，因果关系是一个非常重要的概念。
因果关系研究的对象是事物之间的因果联系，即A对B有没有因果影响。
而在Stata中，我们可以使用格兰杰因果关系矩阵来探究变量之间的因果关系。
二、什么是格兰杰因果关系矩阵格兰杰因果关系矩阵是由经济学家格兰杰（James J. Heckman）和斯雅德利（Svend Sandall）于2010年提出的一种分析方法。
其核心思想是利用因果相关性的方法来估计变量之间的因果关系。
在Stata中，我们可以使用ivreg2命令来生成格兰杰因果关系矩阵。
三、如何在Stata中使用ivreg2命令生成格兰杰因果关系矩阵1. 我们需要打开Stata软件，并加载需要分析的数据集。
2. 我们可以使用ivreg2命令来生成格兰杰因果关系矩阵。
该命令的基本语法如下：ivreg2 depvar (endog1 exog1 exog2) (instr1 instr2)其中，depvar表示因变量，endog1表示第一个内生变量，exog1和exog2表示外生变量，instr1和instr2表示工具变量。
通过这些变量的组合，ivreg2命令可以帮助我们生成格兰杰因果关系矩阵。
3. 我们可以通过ivreg2命令输出的结果来进行因果关系的分析和解释。
格兰杰因果关系矩阵可以帮助我们了解变量之间的因果关系，并为进一步的研究提供重要参考。
四、如何解读格兰杰因果关系矩阵在进行格兰杰因果关系矩阵的解读时，我们需要重点关注以下几个方面：1. 格兰杰因果关系矩阵的系数：格兰杰因果关系矩阵中的系数表示了不同变量之间的因果关系强度和方向。
通过分析这些系数，我们可以了解变量之间的因果联系程度。
2. 系数的显著性检验：除了系数的大小和方向，我们还需要对系数的显著性进行检验。
通过显著性检验，我们可以确定格兰杰因果关系矩阵中的系数是否具有统计学意义。
3. 因果效应的解释：我们需要对格兰杰因果关系矩阵中的系数进行解释，从而理解变量之间的因果联系。
格兰杰因果关系检验
格兰杰因果关系检验一、经济变量之间的因果性问题计量经济模型的建立过程，本质上是用回归分析工具处理一个经济变量对其他经济变量的依存性问题，但这并不是暗示这个经济变量与其他经济变量间必然存在着因果关系。
由于没有因果关系的变量之间常常有很好的回归拟合，把回归模型的解释变量与被解释变量倒过来也能够拟合得很好，因此回归分析本身不能检验因果关系的存在性，也无法识别因果关系的方向。
假设两个变量，比如国内生产总值GDP和广义货币供给量M，各自都有滞后的分量GDP （-1），GDP（-2）…，M（-1），M（-2），…，显然这两个变量都存在着相互影响的关系。
但现在的问题是：究竟是M引起GDP的变化，还是GDP引起M的变化，或者两者间相互影响都存在反馈，即M引起GDP的变化，同时GDP也引起M的变化。
这些问题的实质是在两个变量间存在时间上的先后关系时，是否能够从统计意义上检验出因果性的方向，即在统计上确定GDP是M的因，还是M是GDP的因，或者M和GDP互为因果。
因果关系研究的有趣例子是回答“先有鸡还是先有蛋”的问题。
1988年有两位学者Walter N. Thurman和Mark E. Fisher用美国1930——1983年鸡蛋产量（EGGS）和鸡的产量（CHICKENS）的年度数据，对此问题进行了统计研究。
他们运用格兰杰的方法检验鸡和蛋之间的因果关系，结果发现，鸡生蛋的假设被拒绝，而蛋生鸡的假设成立，因此，蛋为因，鸡为果，也就是先有蛋。
他们并建议作其他诸如“谁笑在最后谁笑得最好”、“骄傲是失败之母”之类的格兰杰因果检验。
二、格兰杰因果关系检验经济学家开拓了一种可以用来分析变量之间的因果的办法，即格兰杰因果关系检验。
该检验方法为2003年诺贝尔经济学奖得主克莱夫·格兰杰（Clive W. J. Granger）所开创，用于分析经济变量之间的因果关系。
他给因果关系的定义为“依赖于使用过去某些时点上所有信息的最佳最小二乘预测的方差。
stata操作指南
stata操作指南计量经济学stata操作（实验课）第一章stata基本知识1、stata窗口介绍2、基本操作（1）窗口锁定：Edit-preferences-general preferences-windowing-lock splitter （2）数据导入（3）打开文件：use E:\example.dta,clear（4）日期数据导入：gen newvar=date(varname, “ymd”)format newvar %td 年度数据gen newvar=monthly(varname, “ym”)format newvar %tm 月度数据gen newvar=quarterly(varname, “yq”)format newvar %tq 季度数据（5）变量标签Label variable tc ` “total output” ’（6）审视数据describelist x1 x2list x1 x2 in 1/5list x1 x2 if q>=1000drop if q>=1000keep if q>=1000（6）考察变量的统计特征summarize x1su x1 if q>=10000su q,detailsutabulate x1correlate x1 x2 x3 x4 x5 x6（7）画图histogram x1, width(1000) frequency kdensity x1scatter x1 x2twoway (scatter x1 x2) (lfit x1 x2) twoway (scatter x1 x2) (qfit x1 x2) （8）生成新变量gen lnx1=log(x1)gen q2=q^2gen lnx1lnx2=lnx1*lnx2gen larg=(x1>=10000)rename larg largeg large=(q>=6000)replace large=(q>=6000)drop ln*（8）计算功能display log(2)（9）线性回归分析regress y1 x1 x2 x3 x4vce #显示估计系数的协方差矩阵reg y1 x1 x2 x3 x4,noc #不要常数项reg y1 x1 x2 x3 x4 if q>=6000reg y1 x1 x2 x3 x4 if largereg y1 x1 x2 x3 x4 if large==0reg y1 x1 x2 x3 x4 if ～large predict yhatpredict e1,residualdisplay 1/_b[x1]test x1=1 # F检验，变量x1的系数等于1test (x1=1) (x2+x3+x4=1) # F联合假设检验test x1 x2 #系数显著性的联合检验testnl _b[x1]= _b[x2]^2（10）约束回归constraint def 1 x1+x2+x3=1cnsreg y1 x1 x2 x3 x4,c(1)cons def 2 x4=1cnsreg y1 x1 x2 x3 x4,c(1-2)（11）stata的日志File-log-begin-输入文件名log off 暂时关闭log on 恢复使用log close 彻底退出（12）stata命令库更新Update allhelp command第二章有关大样本ols的stata命令及实例（1）ols估计的稳健标准差reg y x1 x2 x3,robust（2）实例use example.dta,clearreg y1 x1 x2 x3 x4test x1=1reg y1 x1 x2 x3 x4,rtestnl _b[x1]=_b[x2]^2第三章最大似然估计法的stata命令及实例（1）最大似然估计help ml（2）LR检验lrtest #对面板数据中的异方差进行检验（3）正态分布检验sysuse auto #调用系统数据集auto.dtahist mpg,normalkdensity mpg,normalqnorm mpg*手工计算JB统计量sum mpg,detaildi (r(N)/6)*((r(skewness)^2)+[(1/4)*(r(kurtosis)-3)^2]) di chi2tail(自由度，上一步计算值)*下载非官方程序ssc install jb6jb6 mpg*正态分布的三个检验sktest mpgswilk mpgsfrancia mpg*取对数后再检验gen lnmpg=log(mpg)kdensity lnmpg, normaljb6 lnmpgsktest lnmpg第四章处理异方差的stata命令及实例（1）画残差图rvfplotrvfplot varname*例题use example.dta,clearreg y x1 x2 x3 x4rvfplot # 与拟合值的散点图rvfplot x1 # 画残差与解释变量的散点图（2）怀特检验estat imtest,white*下载非官方软件ssc install whitetst（3）BP检验estat hettest #默认设置为使用拟合值estat hettest,rhs #使用方程右边的解释变量estat hettest [varlist] #指定使用某些解释变量estat hettest,iidestat hettest,rhs iidestat hettest [varlist],iid（4）WLSreg y x1 x2 x3 x4 [aw=1/var]*例题quietly reg y x1 x2 x3 x4predict e1,resgen e2=e1^2gen lne2=log(e2)reg lne2 x2,nocpredict lne2fgen e2f=exp(lne2f)reg y x1 x2 x3 x4 [aw=1/e2f]（5）stata命令的批处理（写程序）Window-do-file editor-new do-file#WLS for examplelog using E:\wls_example.smcl,replaceset more offuse E:\example.dta,clearreg y x1 x2 x3 x4predict e1,resgen e2=e1^2g lne2=log(e2)reg lne2 x2,nocpredict lne2fg e2f=exp(lne2f)*wls regressionreg y x1 x2 x3 x4 [aw=1/e2f]log closeexit第五章处理自相关的stata命令及实例（1）滞后算子/差分算子tsset yearl.l2.D.D2.LD.（2）画残差图scatter e1 l.e1ac e1pac e1（3）BG检验estat bgodfrey（默认p=1）estat bgodfrey,lags(p)estat bgodfrey,nomiss0（使用不添加0的BG检验）（4）Ljung-Box Q检验reg y x1 x2 x3 x4predict e1,residwntestq e1wntestq e1,lags(p)* wntestq指的是“white noise test Q”，因为白噪声没有自相关（5）DW检验做完OLS回归后，使用estat dwatson（6）HAC稳健标准差newey y x1 x2 x3 x4,lag(p)reg y x1 x2 x3 x4,cluster(varname)（7）处理一阶自相关的FGLSprais y x1 x2 x3 x4 （使用默认的PW估计方法）prais y x1 x2 x3 x4,corc （使用CO估计法）（8）实例use icecream.dta, cleartsset timegraph twoway connect consumption temp100 time, msymbol(circle) msymbol(triangle) reg consumption temp price incomepredict e1, resg e2=l.e1twoway (scatter e1 e2) (lfit e1 e2)ac e1pac e1estat bgodfreywntestq e1estat dwatsonnewey consumption temp price income, lag (3)prais consumption temp price income, corcprais consumption temp price income, nologreg consumption temp l.temp price incomeestat bgodfreyestat dwatson第六章模型设定与数据问题（1）解释变量的选择reg y x1 x2 x3estat ic*例题use icecream.dta, clearreg consumption temp price incomeestat icreg consumption temp l.temp price incomeestat ic（2）对函数形式的检验（reset检验）reg y x1 x2 x3estat ovtest （使用被解释变量的2、3、4次方作为非线性项）estat ovtest, rhs （使用解释变量的幂作为非线性项，ovtest-omitted variable test）*例题use nerlove.dta, clearreg lntc lnq lnpl lnpk lnpfestat ovtestg lnq2=lnq^2reg lntc lnq lnq2 lnpl lnpk lnpfestat ovtest（3）多重共线性estat vif*例题use nerlove.dta, clearreg lntc lnq lnpl lnpk lnpfestat vif（4）极端数据reg y x1 x2 x3predict lev, leverage （列出所有解释变量的lev值）gsort –levsum levlist lev in 1/3*例题use nerlove.dta, clearquietly reg lntc lnq lnpl lnpk lnpfpredict lev, leveragesum levgsort –levlist lev in 1/3（5）虚拟变量gen d=(year>=1978)tabulate province, generate (pr)reg y x1 x2 x3 pr2-pr30（6）经济结构变动的检验方法1：use consumption_china.dta, cleargraph twoway connect c y year, msymbol(circle) msymbol(triangle)reg c yreg c y if year<1992reg c y if year>=1992计算F统计量方法2：gen d=(year>1991)gen yd=y*dreg c y d ydtest d yd第七章工具变量法的stata命令及实例（1）2SLS的stata命令ivregress 2sls depvar [varlist1] (varlist2=instlist)如：ivregress 2sls y x1 (x2=z1 z2)ivregress 2sls y x1 (x2 x3=z1 z2 z3 z4) ,r firstestat firststage,all forcenonrobust （检验弱工具变量的命令）ivregress liml depvar [varlist 1] (varlist2=instlist)estat overid （过度识别检验的命令）*对解释变量内生性的检验（hausman test），缺点：不适合于异方差的情形reg y x1 x2estimates store olsivregress 2sls y x1 (x2=z1 z2)estimates store ivhausman iv ols, constant sigmamore*DWH检验estat endogenous*GMM的过度识别检验ivregress gmm y x1 (x2=z1 z2) （两步GMM）ivregress gmm y x1 (x2=z1 z2),igmm （迭代GMM）estat overid*使用异方差自相关稳健的标准差GMM命令ivregress gmm y x1 (x2=z1 z2), vce (hac nwest[#])（2）实例use grilic.dta,clearsumcorr iq sreg lw s expr tenure rns smsa,rreg lw s iq expr tenure rns smsa,rivregress 2sls lw s expr tenure rns smsa (iq=med kww mrt age),restat overidivregress 2sls lw s expr tenure rns smsa (iq=med kww),r first estat overidestat firststage, all forcenonrobust （检验工具变量与内生变量的相关性）ivregress liml lw s expr tenure rns smsa (iq=med kww),r *内生解释变量检验quietly reg lw s iq expr tenure rns smsaestimates store olsquietly ivregress 2sls lw s expr tenure rns smsa (iq=med kww) estimates store ivhausman iv ols, constant sigmamoreestat endogenous （存在异方差的情形）*存在异方差情形下，GMM比2sls更有效率ivregress gmm lw s expr tenure rns smsa (iq=med kww)estat overidivregress gmm lw s expr tenure rns smsa (iq=med kww),igmm*将各种估计方法的结果存储在一张表中quietly ivregress gmm lw s expr tenure rns smsa (iq=med kww)estimates store gmmquietly ivregress gmm lw s expr tenure rns smsa (iq=med kww),igmmestimates store igmmestimates table gmm igmm第八章短面板的stata命令及实例（1）面板数据的设定xtset panelvar timevarencode country,gen(cntry) （将字符型变量转化为数字型变量）xtdesxtsumxttab varnamextline varname,overlay*实例use traffic.dta,clearxtset state yearxtdesxtsum fatal beertax unrate state yearxtline fatal（2）混合回归reg y x1 x2 x3,vce(cluster id)如：reg fatal beertax unrate perinck,vce(cluster state)estimates store ols对比：reg fatal beertax unrate perinck（3）固定效应xtreg y x1 x2 x3,fe vce(cluster id)xi:reg y x1 x2 x3 i.id,vce(cluster id) （LSDV法）xtserial y x1 x2 x3,output （一阶差分法，同时报告面板一阶自相关）estimates store FD*双向固定效应模型tab year, gen (year)xtreg fatal beertax unrate perinck year2-year7, fe vce (cluster state)estimates store FE_TWtest year2 year3 year4 year5 year6 year7（4）随机效应xtreg y x1 x2 x3,re vce(cluster id) （随机效应FGLS）xtreg y x1 x2 x3,mle （随机效应MLE）xttest0 （在执行命令xtreg, re 后执行，进行LM检验）（5）组间估计量xtreg y x1 x2 x3,be（6）固定效应还是随机效应：hausman testxtreg y x1 x2 x3,feestimates store fextreg y x1 x2 x3,reestimates store rehausman fe re,constant sigmamore （若使用了vce(cluster id)，则无法直接使用该命令，解决办法详见P163）estimates table ols fe_robust fe_tw re be, b se （将主要回归结果列表比较）第九章长面板与动态面板（1）仅解决组内自相关的FGLSxtpcse y x1 x2 x3 ,corr(ar1) （具有共同的自相关系数）xtpcse y x1 x2 x3 ,corr(psar1) （允许每个面板个体有自身的相关系数）例题：use mus08cigar.dta,cleartab state,gen(state)gen t=year-62reg lnc lnp lnpmin lny state2-state10 t,vce(cluster state)estimates store OLSxtpcse lnc lnp lnpmin lny state2-state10 t,corr(ar1) (考虑存在组内自相关，且各组回归系数相同)estimates store AR1xtpcse lnc lnp lnpmin lny state2-state10 t,corr(psar1) (考虑存在组内自相关，且各组回归系数不相同)estimates store PSAR1xtpcse lnc lnp lnpmin lny state2-state10 t, hetonly (仅考虑不同个体扰动性存在异方差，忽略自相关)estimates store HETONL Yestimates table OLS AR1 PSAR1 HETONL Y, b se（2）同时处理组内自相关与组间同期相关的FGLSxtgls y x1 x2 x3,panels (option/iid/het/cor) corr(option/ar1/psar1) igls注：执行上述xtpcse、xtgls命令时，如果没有个体虚拟变量，则为随机效应模型；如果加上个体虚拟变量，则为固定效应模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
F( 1, 522) = Prob > F =
chi2(1) = Prob > chi2 =
l . estat ic
2.04 0.1541
2.05 0.1524
(asymptotic) (asymptotic)
Model
Obs ll(null) ll(model)
df
AIC
BIC
ria .
525 -1409.439 -414.5251
vargranger
⊼ᛣ˖ǃབᵰᅲ䰙Ẕ偠䖛Ё $,& %,& 䍞ᴹ䍞ᇣˈⳈࠄϡ㛑ݡ⒲ৢ˄ᯊ䯈ᑣ ߫䭓ᑺ᠔䰤˅DŽ䖭ḋⱘ䆱ˈৃ㛑᭄⹂ᅲᄬ催䰊㞾Ⳍ݇DŽ䖭辵ᚙމϟˈৃҹ
䰤 ࠊ S ⱘ প ؐ ˈ ↨ བ প ᳔ ⱘ p = min {floor(n / 2)- 2, 40} p = n1/4 ˈ
.ze ᵰϡ㗗㰥䴲㒓ᗻⱘᵰ݇㋏˅DŽˈḐ݄ᵄᵰ݇㋏гৃ㛑⬅ϝϾব䞣᠔ᓩ
D w 䍋DŽ P ww 㒣⌢ᄺⱘᅲ䆕ⷨおЁˈ⬅Ѣ䗮ᐌϡৃ㛑䖯㸠Āࠊᅲ偠āˈ㛑᳔᳝䇈᳡ n ഄ䇈ᯢᵰ݇㋏ⱘᔧሲĀ䱣ᴎᅲ偠āDŽ
o ֝cVWDWD গࠚ Ze ອڑԅ VWDWD গࢶྻပసᄵd
ᮍ⊩ϔ˖
reg y L.y L.x ˄⒲ৢ1 ᳳ˅
t P>|t|
[95% Conf. Interval]
24.12 -4.10
4.50 -4.20
0.90
0.000 0.000
0.000 0.000 0.368
1.068764 -.2922954
.1959614 -.4765313 -.0689333
1.258261 -.102832
.4999845 -.1729281
Sample:
1952m5 to 1995m12
obs =
524
F( 2, 519) = Prob > F =
11.05 0.0000
r chi2(2) =
Prob > chi2 =
22.32 0.0000
(asymptotic) (asymptotic)
e . estat ic
Model
Obs ll(null) ll(model)
[R] BIC note
.
˄2˅ ᇍѢ p=q=3ˈℸᯊˈF Ẕ偠वᮍẔ偠㒧ᵰᕫߎϔ㟈㒧䆎ˈফॳ؛䆒ˈ
第 3 页，共 5 页
2011-06-18
ेⷁᳳ߽⥛˄rs˅ϡᰃ䭓ᳳ߽⥛˄r20˅ⱘḐ݄ᵄDŽ
˄3˅ ৠ⧚ˈẔ偠 r20 ᰃϡᰃ rs ⱘḐ݄ᵄDŽ⬅䕧ߎ㒧ᵰᕫⶹ p=q=2 ᯊ AIC
D w . estat ic
P w Model
Obs ll(null) ll(model)
df
AIC
BIC
w .
523 -1352.379 -135.7134
7
285.4268 315.2439
Note: N=Obs used in calculating BIC; see
[R] BIC note
n . gcause r20 rs,lags(4)
SS
6440.40643 130.886841
6571.29327
df
MS
4 1610.10161 519 .252190446
523 12.5646143
Number of obs =
F( 4, 519) =
Prob > F
=
R-squared
=
Adj R-squared =
Root MSE
=
524 6384.47
Sample:
1952m5 to 1995m12
obs =
524
F( 2, 519) = Prob > F =
11.05 0.0000
chi2(2) = Prob > chi2 =
22.32 0.0000
(asymptotic) (asymptotic)
Source
Model Residual
Total
Ḑ݄ᵄᵰ݇㋏Ẕ偠 Stata10.0 ᪡ᣛफ
ྡྷc ၐस߅ࠚ
㒣⌢ᄺЁᐌᐌ㽕⹂ᅮᵰ݇㋏おコᰃҢ x ࠄ yˈ䖬ᰃҢ y ࠄ xˈ䖬ᰃঠ
ᵰ݇㋏DŽClive-Granger ᦤߎⱘẔ偠ᮍ⊩Ѣҹϟᗱᛇ˖བᵰ x ᰃ y ⱘˈԚ y ϡ ᰃ x ⱘˈ߭ x ⱘ䖛এؐৃҹᐂࡽ乘⌟ y ⱘᴹؐˈԚ y ⱘ䖛এؐैϡ㛑ᐂࡽ
H0: rs does not Granger-cause r20
Sample:
1952m6 to 1995m12
obs =
523
F on F( 3, 516) = Prob > F =
0.77 0.5105
.ze chi2(3) =
Prob > chi2 =
2.34 0.5040
(asymptotic) (asymptotic)
BIC ᳔ᇣˈℸপ p=q=2DŽℸᯊˈF Ẕ偠वᮍẔ偠㒧ᵰഛЎᢦ㒱ॳ؛䆒ˈ
े䅸Ў䭓ᳳ߽⥛ᰃⷁᳳ߽⥛ব࣪ⱘḐ݄ᵄDŽ
. gcause rs r20,lags(1)
Granger causality test
Sample:
1952m4 to 1995m12
obs =
525
H0: r20 does not Granger-cause rs
m HVWDW LF ˄ᰒ冫 $,& Ϣ %,& পؐˈҹ֓䗝ᢽ᳔Շ⒲ৢᳳ˅
F Don.co උιഊੜēၽ༪Շᄬ܊܊ēճဟ࿙ڑڴຂིēֺ֥؞ඔ٢ ) ֺིۤ
.ze ིdఢڴ०ّིࠒৢϢྡྷᄡēၐ႕౨ဈ ) ིٗۚ໔d࿙นֺིಾྡྷّ
D w Ӗྂ·ིē֗ಬᄃིൎટݦԄԅྂ·ఘ२ඹШωϢӖēఢڴϰဈԅಾӖྂ·ē P ww ႕ྻֺིࠒڴนᅹdϢڶēඹШெࣣຏēӖྂ·ຏ०ّིࠒৢྡྷᄡēൎྻ n ϢဈӤdᆘ౨ē) ིುဈֳถٗڜd o ᮍ⊩ϝ˖ Ze var y x ˄䞣㞾ಲᔦ˅
උιഊੜēҮ҉ S ۤ T ԅᄔ௦ࢶྻϢලē֗ய؞ϢලēუྂϬટݦԄ ᆫပഊॏԅࠒڴēუྙಾူֺ֥؞ୣ०ֺّ֥ອΑԅᆫӖညԤēֺ֥؞௬Ԥ ಾগڶဟ֮ോd
rial ֺ֥֝ġ
VVF LQVWDOO JFDXVH ˄ϟ䕑Ḑ݄ᵄᵰẔ偠ᑣ JFDXVH˅
T JFDXVH \ [ODJV ˄⒲ৢ ᳳ˅ r HVWDW LF ˄ᰒ冫 $,& Ϣ %,& পؐˈҹ֓䗝ᢽ᳔Շ⒲ৢᳳ˅ rive.tw JFDXVH \ [ODJV ˄⒲ৢ ᳳ˅
l ⬅ϟ䴶㒧ᵰৃⶹˈp=q=3 ᯊˈAIC BIC ᳔ᇣˈгৃҹ㒧ড়ᮍ⊩ϔˈᇍ p
ria q 䌟ќϡৠؐˈᴀ՟ᕫࠄϔ㟈㒧䆎DŽ
. gcause r20 rs,lags(2) Granger causality test
T H0: rs does not Granger-cause r20
F( 2, 519) = Prob > F =
df
AIC
BIC
.
524 -1355.457 -140.4339
5
290.8679 312.1753
m Note: N=Obs used in calculating BIC; see
[R] BIC note
D o . gcause r20 rs,lags(3)
.c Granger causality test
Prob > chi2 = 0.5402
(asymptotic)
. estat ic
Model
Obs ll(null) ll(model)
df
AIC
BIC
.
522 -1349.387 -134.7472
9
287.4945 325.8135
Note: N=Obs used in calculating BIC; see
df
AIC
BIC
riv .tw .
524 -1406.115 -380.0883
5
770.1765
791.484
Note: N=Obs used in calculating BIC; see
[R] BIC note
. gcause rs r20,lags(3)
m Granger causality test
0.97 0.3800
r chi2(2) =
Prob > chi2 =
1.96 0.3758
e . estat ic
Sample:
(asymptotic) (asymptotic)
1952m5 to 1995m12
obs =
524
riv .tw Model
Obs ll(null) ll(model)
第 2 页，共 5 页
2011-06-18
p = 0.75n1/3 DŽ ǃಲᔦ㒧ᵰЁᳳ㋏᭄ᰒ㨫ᗻϡৠˈ᳝ⱘϡᰒ㨫᳝ⱘᰒ㨫ˈབᅲ∛ህৃ
ҹDŽ᳔དܼ䚼∛DŽϡᰒ㨫ⱘᳳ᭄ৃ㛑ᛣੇⴔ䙷ϔᳳⱘ㞾Ⳍ݇ᕜᔅDŽ
సcಬैЀᆴᄗ
ҹ“ukrates.dta”Ў՟ˈ䞛⫼ĀgcauseāੑҸ䖯㸠Ⳍ݇᪡DŽ
˄1˅ ⫼ AIC BIC ⹂ᅮ⒲ৢᳳ
.tw ৺ᰃ x ⱘḐ݄ᵄDŽ m 䳔㽕ᣛߎⱘᰃˈḐ݄ᵄᵰ݇㋏˄Granger causality˅ᑊ䴲ⳳℷᛣНϞⱘᵰ
D .co ݇㋏DŽᅗ݊ܙ䞣াᰃϔ辵ࡼᗕⳌ݇݇㋏ˈ㸼ᯢⱘᰃϔϾব䞣ᰃ৺ᇍϔব䞣᳝Ā乘 F on ⌟㛑ā˄predictability˅DŽҢᶤ辵ᛣНϞᴹ䇈ˈ乊ᰃᵰ݇㋏ⱘᖙ㽕ᴵӊ˄བ