面板数据模型与stata软件的应用
连玉君：面板讲义(理论和在STATA中的操作)
3
(8-3)
(8-4)
假设 1 表明干扰项 ε 与解释变量 x 的当期观察值、前期观察值以及未来的观察 值均不相关，也 就是说模型中所有的解释变量都是严格外生的。假设 2 就是一般的同方差假设，在此 假设下模 型 (8-1) 的 OLS 估计是 BLUE 的。当此假设无法满足时，我们就需要处理异方差或序列 相关以 便得到稳健性估计量。 组内估计量 上面我们已经提到，在假设 1 和假设 2 同时成立的情况下，模型 (8-1) 的 OLS 估计是 BLUE 的。 但在实际操作的过程中，如果 N 比较大，那么我们的模型中将包含 ( N + K ) 个解释变量， 4 计算的工作量往往很大，对于 N 相当大的情况 (如 N=10000 ) ，一般的计算机都 无法胜任。所 以我们有必要先进行一些变换以消除固定效应，进而对简化后的模型进行估计，本小节和下一 小节 介绍的这两种方法都是基于此目的进行的。 我们首先将所有观察值进行堆叠，于是模型 (8-1) 可用矩阵形式表示为： y = Da + Xβ + ε (8-5)
目录
第八章 面板数据模型 8.1 8.2 简介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 静态面板数据模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.2.1 8.2.2 8.2.3 8.2.4 8.3 8.3.1 8.3.2 8.3.3 8.4 8.5 8.6 8.7 固定效应模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 随机效应模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 假设检验 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . STATA 实现 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 异方差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 序列相关 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 方差形式未知时的稳健性估计 . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 1 2 7 10 13 25 25 29 33 33 33 33 33
面板数据模型与应用
经济增长的面板数据模型分析通常涉及对国家或地区GDP、人均GDP、工业增加值等经济指标的时间序列数 据进行建模，以揭示经济增长的规律和趋势。通过面板数据模型，可以分析不同国家或地区经济增长的差异
及其原因，探究经济增长与投资、劳动力、技术进步等变量之间的关系，为政策制定提供科学依据。
案例二：劳动力市场的面板数据模型分析
面板数据模型的改进与创新
模型优化
针对现有面板数据模型的不足，未来将不断对其进行 优化，以提高模型的预测精度和稳定性。
新型面板数据模型的提出
随着统计分析技术的发展，将会有更多新型的面板数据 模型被提出，以满足不同领域的数据分析需求。
面板数据模型的应用拓展
跨学科应用
面板数据模型将在更多学科领域得到应用， 如经济学、社会学、生物学等，以解决各学 科领域的实际问题。
特点
面板数据模型能够同时考虑时间和个 体效应对数据的影响，提供更全面的 分析视角，有助于揭示数据背后的复 杂关系。
面板数据模型的适用场景
1 2 3
经济领域
面板数据模型在经济领域应用广泛，如分析国家 、地区或行业的经济增长、消费、投资等数据。
社会学领域
社会学研究常涉及长时间跨度和多个观察对象的 数据，面板数据模型适用于分析社会现象和趋势 。
面板数据模型与应 用
contents
目录
• 面板数据模型概述 • 面板数据模型的类型 • 面板数据模型的估计方法 • 面板数据模型的应用领域 • 面板数据模型的应用案例 • 面板数据模型的未来发展与展望
01
CATALOGUE
面板数据模型概述
定义与特点
定义
面板数据模型是一种统计分析方法， 用于分析时间序列和截面数据的结合 ，即同时包含多个个体在一段时间内 的数据。
stata与面板数据回归
数据可视化
Stata支持多种数据可视化 方法，如直方图、散点图、 箱线图等。
Stata的面板数据处理功能
面板数据导入
01
Stata支持多种格式的面板数据导入，如dta、csv等。
面板数据清洗
02
Stata提供了面板数据清洗工具，如缺失值处理、异常值检测等。
面板数据分析
03
Stata支持多种面板数据分析方法，如固定效应模型、随机效应
贡献
本研究详细介绍了Stata软件在面板数据回归分析中的应用，为相关领域的研究者提供了实用的方法 和技巧。同时，本研究还探讨了面板数据回归分析中的一些常见问题，如固定效应和随机效应模型的 选取、异方差性和序列相关性的检验等，为解决这些问题提供了有益的思路。
限制
本研究主要关注了Stata软件在面板数据回归分析中的应用，但未涉及其他统计软件或编程语言在该领 域的应用。此外，本研究主要基于理论介绍和案例分析，缺乏对实际数据的实证分析，这可能限制了 研究结果的实用性和推广性。
强大的数据处理能力
丰富的回归模型
Stata具有强大的数据处理能力，能够处理 大规模的面板数据，并且支持多种数据格 式。
Stata提供了丰富的面板数据回归模型，包 括固定效应模型、随机效应模型、混合效 应模型等，满足不同研究需求。
易于操作和实现
结果解释性
Stata的命令和界面设计简洁明了，易于学 习和操作，可以快速实现面板数据回归分 析。
特点
Stata是一款功能强大的统计和数据分 析软件，适用于各种领域的数据分析 ，具有易用性、灵活性和可扩展性。
Stata的基本操作与功能
01
02
03
数据管理
Stata提供了一系列数据管 理工具，包括数据导入、 清理、合并和转换等。
面板数据模型与stata软件应用
政治学领域
政治学研究中，面板数据模型可用于分析国 家治理、政策效果评估等。
环境科学领域
环境科学研究中，面板数据模型可用于分析 环境变化、生态保护等。
面板数据模型与OLS模型的比较
OLS模型
OLS模型是经典回归分析方法，适用于横截面数据，通过最小化残差平方和来估计参数。OLS模型简单易用，但 无法控制个体和时间固定效应，可能导致估计偏误。
04
Stata软件在面板数据模型中的 应用
数据导入与整理
导入数据
使用`import delimited`命令将数据导入 Stata中，支持多种文件格式，如CSV、 Excel等。
数据清洗
检查数据中的缺失值、异常值和重复值，并进行相 应的处理。
数据转换
对变量进行必要的转换，如对数转换、标准 化等。
面板数据模型的估计
模型选择
01
根据研究目的和数据特点选择合适的面板数据模型，如固定效
应模型、随机效应模型等。
模型估计
02
使用Stata提供的命令（如`xtreg, fe`或`xtreg, re`）对模型进行
估计。
结果解读
03
解释模型估计结果，包括系数、显著性水平等。
模型诊断与检验
异方差性检验
使用Stata提供的命令（如`estat hettest`）对模型进行异方差性 检验。
面板数据模ห้องสมุดไป่ตู้与Stata软件应 用
• 面板数据模型概述 • Stata软件介绍 • 面板数据模型的估计方法 • Stata软件在面板数据模型中的应用 • 面板数据模型的案例分析 • Stata软件在面板数据模型中的进阶
应用
01
面板数据模型概述
面板数据分析与Stata应用_浙江大学中国大学mooc课后章节答案期末考试题库2023年
面板数据分析与Stata应用_浙江大学中国大学mooc课后章节答案期末考试题库2023年1.关于xtabond2这一命令的使用，以下说法错误的是：答案:iv( ) 内放置的是内生的解释变量2.关于门限面板模型的估计，以下说法错误的是：答案:使用 xthreg 命令确定门限值时，是将门限变量的所有值逐一代入进行计算的3.以下哪组数据是短面板数据？答案:N=31，T=214.以下哪个不是非观测效应模型（存在不可观测的个体效应的模型）？答案:混合回归模型5.以下哪个选项符合随机效应模型的设定？答案:不可观测的个体效应与所有解释变量不相关6.使用xtscc命令估计，得到的标准误是：答案:Driscoll-Kraay标准误7.使用聚类稳健的标准误，不能解决以下三大问题中的哪一个？答案:截面相关8.短面板数据模型中的husman检验适用于哪两种模型之间的选择判断？答案:固定效应模型与随机效应模型9.以下命令中，无需其他选项就能够同时处理组内误差自相关、组间异方差和组间相关这三大问题的命令是？答案:xtscc10.以下哪个命令能够检验长面板数据的组间相关问题？答案:xttest211.以下哪个命令没有同时处理三大问题？答案:xtpcse lnc lnp lnpmin lny state2-state10 t, corr(ar1) hetonly12.三阶段最小二乘法的命令是：答案:reg313.以下哪个命令没有同时处理三大问题？答案:xtgls lnc lnp lnpmin lny state2-state10 t,corr(ar1) panels(heteroskedastic) 14.对于解释变量与误差项存在相关性这一内生性问题，以下说法错误的是：答案:其余选项均不正确15.关于两阶段最小二乘法，以下说法错误的是：答案:其余选项均不正确16.以下不属于内生性的三大检验的是：答案:异方差检验17.如果在强相关性检验中，发现当前使用的工具变量是弱工具变量，那么以下说法错误的是：答案:此时不存在任何可以解决的方法，IV方法不再适用18.关于理解DID方法的方式，以下说法错误的是：答案:其余选项均不正确19.以下关于DID模型的设定，表示错误的是:答案:多组多期：20.以下方法中，不属于安慰剂检验的是：答案:可以按照样本的异质性特征，将样本分为不同的小组，在不同组内进行回归21.如果对照组和处理组不满足共同趋势的假定，以下解决方法中不正确的是：答案:不必在意，不满足共同趋势假设也可以继续使用DID方法22.关于合成控制法，以下说法错误的是：答案:合成控制法无法解决选择控制组时存在的主观随意性问题23.关于合成控制法中合成地区的构建，以下说法正确的是：答案:其余三个说法都正确24.下图是上课所举案例在 stata 中运用合成控制法的 synth 命令得到的部分结果：根据上述运行结果，以下说法错误的是：答案:由于预测变量的拟合效果均很好，cigsale(1975)、cigsale(1980)、cigsale(1988) 这三个变量可以省去25.我们可以通过如下目标函数来确定最优带宽：，以下说法错误的是：答案:三角核函数相当于普通 OLS 回归，矩形核函数相当于加权的 OLS 回归26.对动态面板模型使用固定效应方法进行估计时，估计结果一定是有偏且不一致的。
面板空间计量之Stata应用
面板空间计量之Stata应用：学习笔记【同舟共济】更新于2016年4月20日说明目前，在空间计量方面，Stata官方命令语句数量有限且较为零散，尚未形成系统的空间计量工具包。
因此，个人建议空间计量的初学者转向Matlab软件，James P. LeSage、J. P. Elhorst、Donald J. Lacombe等学者所开发的空间计量工具包，其功能相对更加完善，操作起来也比较方便。
本人已经习惯了使用stata，初次自学空间计量方面的操作，参考help文件及相关文献，在学习过程中做了简要总结，仅供初学者交流学习。
其中若有不当之处，敬请批评指正，谢谢！E-mail: ares0825@【Stata】Abd Elmessih Shehata （Econpapers）URL: /RAS/psh494.htmFederico Belotti （Econpapers）URL: /RAS/pbe427.htmP. Wilner Jeanty （Econpapers）URL：/RAS/pje95.htmMaurizio PisatiURL：/people/maurizio-pisatiYihua Yu （Econpapers）URL：/RAS/pyu79.htm目录第一章Stata空间计量命令语句安装 1 第二章中国31省市自治区（不含港澳台、附属岛屿）shp制作 3 第三章Stata空间权重制作8 第四章Stata 空间相关性检验27 第五章Stata 空间面板数据回归39面板空间计量之Stata应用：学习笔记第一章Stata空间计量命令包安装更新于2016-03-151.空间计量-Stata命令包Archive of user-written Stata packagesURL: /statistics/stata-blog/stata-programming/ssc_stata_package_list.php图1 Stata用户自拟命令语句列表另外，在IDEAS（URL: https:///）中可以查询相关命令，顺便推荐几个论坛，大家可以经常逛逛：Stata官方论坛URL: /UCLA-Idre论坛URL: /stat/stata/Stata Daily URL: /index/2.安装单击图1左侧红色框内命令名称，即可下载对应的压缩包，安装过程参考非官方命令手动安装说明（URL：/thread-2420580-1-1.html）；单击图1右侧蓝色框内的各命令所对应的描述性语句，即可看到该命令的详细说明及应用举例。
stata分析面板数据
引言概述面板数据（Paneldata）是一种特殊类型的数据，它同时包含了横向和纵向的信息。
对于研究人员来说，面板数据的分析具有重要的意义，因为它可以对个体、时间和个体在不同时间上的变异进行深入研究。
Stata是一种流行的统计软件，具备强大的面板数据分析功能，可以处理各种面板数据相关的统计问题。
本文将介绍Stata分析面板数据的方法与技巧。
正文内容一、数据准备与导入1.定义面板变量：在Stata中，我们需要先将面板数据转换为面板变量。
可以使用“xtset”命令来定义面板变量，并指定个体和时间的标识变量。
例如，命令“xtsetidyear”可以将变量“id”作为个体标识变量，“year”作为时间标识变量。
2.导入面板数据：Stata支持多种数据格式的导入，如Excel、CSV等。
可以使用“importdelimited”命令导入CSV格式的面板数据。
命令格式如下：“importdelimitedfilename,varnames(1)”.其中，filename是文件名，varnames(1)表示将第一行作为变量名。
二、面板数据的描述统计分析1.描述性统计：在面板数据分析中，我们首先需要对数据进行描述性统计。
可以使用“summarize”命令计算平均值、标准差、最小值、最大值等统计指标。
例如，“summarizevarname”可以计算变量varname的平均值、标准差等。
2.变量相关分析：面板数据中的变量通常具有时间序列的特征，因此，变量之间的相关性也具有时间相关性。
可以使用“xtcorr”命令来计算面板数据中变量的相关系数矩阵。
命令格式如下：“xtcorrvar1var2,pwcorr”.其中，var1和var2是需要计算相关系数的变量。
三、面板数据的固定效应模型分析1.固定效应模型简介：固定效应模型是一种常见的面板数据分析方法，它考虑了个体固定效应，并通过个体虚拟变量来捕捉个体固定效应对因变量的影响。
STATA面板数据模型操作命令要点
STATA面板数据模型操作命令要点STATA是一种常用的统计分析软件，它提供了强大的面板数据模型操作命令，方便用户进行数据分析和模型构建。
面板数据模型是一种可以通过同时考虑跨个体和跨时间的数据集来分析经济和社会现象的方法。
以下是STATA中面板数据模型操作命令的要点：1.面板数据模型设置：STATA中可以通过设置数据集的面板特征，包括个体维度和时间维度。
个体维度通常表示被观测的个体，如公司、国家等；时间维度通常表示观测的时间周期，如年度、季度等。
可以使用STATA中的面板数据命令，如“xtset”来设置面板数据的个体和时间维度。
2.面板数据统计描述：面板数据模型中，首先需要对数据进行统计描述，了解变量的分布情况和相关性。
可以使用STATA中的“xtsum”命令进行面板数据的统计描述，包括平均值、标准差、最大值、最小值等统计指标，还可以使用“xtcorr”命令计算变量之间的相关系数。
3.面板数据的面板单位固定效应模型：面板单位固定效应模型是面板数据模型中常用的一种方法，可以通过控制个体特定的时间不变因素来估计个体变量对于其他变量的影响。
可以使用STATA中的“xtreg”命令来估计面板单位固定效应模型。
在命令中需要指定固定效应变量，并使用特殊符号“i.”加在变量名称前。
4.面板数据的面板时间固定效应模型：面板时间固定效应模型是面板数据模型中另一种常用的方法，可以通过控制时间特定的个体不变因素来估计时间变量对于其他变量的影响。
可以使用STATA中的“xtreg”命令来估计面板时间固定效应模型。
在命令中需要指定固定效应变量，并使用特殊符号“t.”加在变量名称前。
5.面板数据的随机效应模型：随机效应模型是面板数据模型中一种较为灵活的方法，可以同时估计个体和时间变量的影响。
可以使用STATA中的“xtreg”命令来估计面板数据的随机效应模型。
在命令中需要加入“, re”选项来指定估计随机效应模型。
6.面板数据的固定效应与随机效应比较：面板数据模型中，固定效应和随机效应模型都是常用的方法，但它们对于个体不变因素的处理方式不同。
- 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)。
北京
江苏省
α山西
山西省
基础设施更加完善，受教育程度 较好、经济结构以服务业为主、 法制更健全
X(Invest、edu)
面板模型选择：固定效应还是随机效应
• 对“个体效应”的处理主要有两种方式：一种是视其为不 随时间改变的固定性因素， 相应的模型称为“固定效应” 模型；另一种是视其为随机因素，相应的模型称为“随机 效应”模型 • 固定效应模型中的个体差异反映在每个个体都有一个特定 的截距项上； • 随机效应模型则假设所有的个体具有相同的截距项，个体 的差异主要反应在随机干扰项的设定上
估计结果
Source Model Residual Total gdp invest culture sci _cons
SS 277.493418 44.1514867 321.644904 Coef. -.1601206 .7163308 .5570057 5.392943
df 3 275 278
CP-NMG（内蒙古） 2572.342 CP-SD（山东） CP-SH（上海） CP-SX（山西） CP-TJ（天津） CP-ZJ（浙江） 3440.684 6193.333 2813.336 4293.220 5342.234
表2 上市公司的投资与股票账面价值：N=20,T=4
面板数据模型和stata软件应用
• FE（Fixed Effects) Model
yit = α i + xit β + uit （Replace with dummy variables）
• RE (Random Effects) Model
yit = µ + xit β + α i + uit
• 其中，α i 是截距中的随机变量部分，代表个体的随机 影响
• 二、面板数据模型有以下几个优点: • 第一，Panel Data 模型可以通过设置虚拟变量对个别 差异（非观测效应）进行控制； • 第二，Panel Data 模型通过对不同横截面单元不同时 间观察值的结合，增加了自由度，减少了解释变量之 间的共线性，从而改进了估计结果的有效性； • 第三，Panel Data模型是对同一截面单元集的重复观 察, 能更好地研究经济行为变化的动态性
• 面板数据模型的误差项由两部分组成：
α i + uit
• 一部分是与个体观察单位有关的，它概括了所有影响 被解释变量，但不随时间变化的因素，因此，面板数 据模型也常常被成为非观测效应模型； • 另外一部分概括了随截面随时间而变化的不可观测因 素，通常被成为特异性误差或特异扰动项
GDP
α 北京
α 江苏
回归诊断：
• 是否存在异方差：estat • • • • •
hettest 怀特检验： estat imtest,white 回归信息检验：estat imtest 是否遗漏重要解释变量：estat ovtest 拟合图： rvfplot 单一变量的相关图：cprplot invest
画图
• 菜单与命令结合 • twoway (scatter gdp invest) • twoway (scatter gdp invest||lfit gdp invest)
表1 1996-2002年中国东北、华北、华东15个省 级地区的居民家庭人均消费数据（不变价格）
地区人均消费 CP-AH（安徽） CP-BJ（北京） CP-FJ（福建） CP-HB（河北） CP-HLJ（黑龙江） CP-JL（吉林） CP-JS（江苏） CP-JX（江西） CP-LN（辽宁） 1996 3282.466 5133.978 4011.775 3197.339 2904.687 2833.321 3712.260 2714.124 3237.275 1997 3646.150 6203.048 4853.441 3868.319 3077.989 3286.432 4457.788 3136.873 3608.060 2901.722 3930.574 6634.183 3131.629 5047.672 6002.082 1998 3777.410 6807.451 5197.041 3896.778 3289.990 3477.560 4918.944 3234.465 3918.167 3127.633 4168.974 6866.410 3314.097 5498.503 6236.640 1999 3989.581 7453.757 5314.521 4104.281 3596.839 3736.408 5076.910 3531.775 4046.582 3475.942 4546.878 8125.803 3507.008 5916.613 6600.749 2000 4203.555 8206.271 5522.762 4361.555 3890.580 4077.961 5317.862 3612.722 4360.420 3877.345 5011.976 8651.893 3793.908 6145.622 6950.713 2001 4495.174 8654.433 6094.336 4457.463 4159.087 4281.560 5488.829 3914.080 4654.420 4170.596 5159.538 9336.100 4131.273 6904.368 7968.327 2002 4784.364 10473.12 6665.005 5120.485 4493.535 4998.874 6091.331 4544.775 5402.063 4850.180 5635.770 10411.94 4787.561 7220.843 8792.210
= = = = = =
279 576.13 0.0000 0.8627 0.8612 .40069
Std. Err. .0491087 .0613741 .0510007 .4420519
[95% Conf. Interval] -.2567974 .595508 .4566044 4.522707 -.0634438 .8371536 .6574071 6.263179
• 3、在实证分析中，一般通过hausman检验判断：由
于随机效应模型把个体效应设定为干扰项的一部分， 所以就要求解释变量与个体效应不相关，而固定效应 模型并不需要这个假设条件 • 因此，我们可以通过检验该假设条件是否满足，如果 满足，那么就应该采用随机效应模型，反之，就需要 采用固定效应模型
• Hausman检验的基本思想是：在固定效应u_i和其他 解释变数不相关的原假设下，用OLS估计的固定效应 模型和用GLS估计的随机效应模型的参数估计都是一 致的。反之，OLS是一致的，但GLS则不是 • 因此，在原假设下，二者的参数估计应该不会有系统 的差异，我们可以基于二者参数估计的差异构造统计 检验量。如果拒绝了原假设，我们就认为选择固定效 应模型是比较合适的。
四、stata软件简介
• STATA软件估计与应用：
• 打开数据库： • use "E:\Program Files\Stata10.0绿色软件\Stata10\东 部.dta“ • 或者重新输入数据：edit • 相关系数：cor gdp invest edu sci health • 简单回归：regress gdp invest culture sci regress • 无常数：regress gdp invest culture sci,noconstant 无常数：
• 例如,在研究中国地区经济增长的过程中，以全国28 个省区为研究对象，可以认为这28 个省区几乎代表 了整个总体 • 同时假设在样本区间内，各省区的 • 经济结构 • 人口素质 • 等不可观测的特质性因素是固定不变的，因此采用固 定效应模型是比较合适的
随机效应模型
• 2、而当我们研究某个县市居民的消费行为时，由于 样本数相对于江苏省几千万人口是个很小的样本，此 时，可以认为个体居民在个人能力、消费习惯等方面 的差异是随机的，采用随机效应模型较为合适 • 随机效应模型：yit
举例
• • • • • • 交通死亡率与酒后驾车人数（一段时间内江苏省各市） 其他的非观测（潜在）因素：南京与苏州 汽车本身状况 道路质量 当地的饮酒文化 单位道路的车辆密度
• 非观测效应导致估计结果不准确，面板数据可以控制 和估计非观测效应
• 面板数据模型形式：
yit = α i + xit β + uit
sheng = 2/sheng = 1 7 sheng = 4/sheng = 1 9 sheng = 6/sheng = 2 1 sheng = 8/sheng = 2 3 sheng = 10 /sheng = 25 sheng = 12 /sheng = 27 sheng = 14 /sheng = 29
固定效应模型
• 1、例如，在研究财政支出与经济增长的关系，运用全国 的时间序列数据来检验财政支出与经济增长的关系可能存 在设定误差并且受统计资料的制约，仅用时间序列资料不 能够满足大样本的要求 • 同时，由于我国不同地区的体制变革和财政政策的不断调 整，造成各个地区财政支出结构随时间而不断变化 • 面板数据（Panel Data ）从某种程度上克服了这一困难。 考虑到中国各省份财政支出结构与经济增长的关系存在明 显的地区差异，从时间序列的角度，考虑各省差异的动态 性，是面板数据模型的优势
14 10
16
18
20
11
12 invest gdp
13 Fitted values
14
15
基本建设支出与GDP的相关关系图
11 1998
12
ed u 13 14
15
2000
2002 t
Hale Waihona Puke 20042006sheng = 1/sheng = 1 6/sheng = 31 sheng = 3/sheng = 1 8 sheng = 5/sheng = 2 0 sheng = 7/sheng = 2 2 sheng = 9/sheng = 2 4 sheng = 11 /sh eng = 26 sheng = 13 /sh eng = 28 sheng = 15 /sh eng = 30