stata第二讲

inft 0 1unemt ut
例三：我国某地区1955---1984农产品收购量
sg、库存量kc存放在文件warehouse.dta中 估计如下方程： Sgt=a+b0kct+b1kct-1+u
回归后预测值的获得
Predict
1。拟合值的获得： predict yhat, xb 或者 predict yhat
2。残差的获得
predict e , residuals 或者 predict e, res
回归的假设检验
Test命令
例一 sysuse auto, clear reg price mpg weight length
1。检验参数的联合显著性
2。分别检验各参数的显著性
3。三个参数对被解释变量的影响相同
入(Forward hierarchical selection) 1。逐步加入 stepwise, pe(显著性水平): 回归方程 例如：对auto数据 Stepwise,pe(0.05):reg price mpg rep78 headroom trunk weight length turn displacement gear_ratio foreign
Regress命令详解：
regress depvar [indepvars] [if] [in] [weight] [,
options]
1。要求方程省略常数项(自己设置常数项)
reg price mpg weight foreign, nocons(hascons) 2。稳健性估计（一般用于大样本OLS） reg price mpg weight foreign, vce(robust) 或者：reg price mpg weight foreign, r 3。设置置信区间（默认95%） reg price mpg weight foreign, level(99)
4。标准化系数
reg price mpg weight foreign, beta 5。部分数据回归
reg price mpg weight length foreign in 1/30
（为什么foreign被drop掉？）
reg price mpg weight length if foreign==0
2。逐个分层加入 Stepwise,pe(0.05) hier:reg price mpg rep78 headroom
trunk weight length turn displacement gear_ratio foreign
残差点的图形表示

rvfplot：残差拟合值图 可以加参数yline(0) 将e 与ˆy 画在一起 rvpplot x1:残差预测值图 将e 与x1 画在一起 avplot avplots lvr2plot
对数 平方项 n次方
指数 交乘项 虽然对函数形式的选择有检验方法，但最好 还是从“经济意义”角度确定。
例题
例一：利用wage2的数据检验明瑟(mincer)工
资方程的简单形式： Ln(wage)=b0+b1*educ+b2*exper +b3*exper^2+ u
例二：利用phillips的数据拟合预期增强的菲
件编号)
约束回归
例一：打开production cons def 1 lnl+lnk = 1 cnsreg lny lnl lnk, c (1)
例二：sysuse auto,clear cons def 1 price = weight cons def 2 displacement = weight cons def 3 gear_ratio = -foreign cnsreg mpg price weight displacement gear_ratio foreign
例三：生产函数production
use production,clear reg lny lnl lnk



test lnl lnk test (lnl=0.8) (lnk=0.2) test lnk+lnl=1
非线性检验：testnl
例一



. sysuse auto gen weight2 = weight^2 reg price mpg trunk length weight weightsq foreign testnl _b[mpg] = 1/_b[weight] testnl (_b[mpg] = 1/_b[weight]) (_b[trunk] = 1/_b[length])
利普斯曲线为
e
inft inft 1 (unemt 0 ) ut
其中，unemt表示第t期的失业率（%），inft
表示第t期的通货膨胀率（%），infte表示预 期通货膨胀率，μ0表示自然失业率（%）。 按照适应性预期理论，infte = inft-1。 令Δinft=inft - inft-1，上述模型可以简化为：
mat dir 显示矩阵内容
Mat list 矩阵变量
常用矩阵运算： C=A+B A-B A*B Kronecker乘积 ：C=A#B

常用矩阵函数： trace(m1) m1的迹 Diag(v1) 向量的对角矩阵 inv(m1) m1的逆矩阵
2。还可以将变量转换为矩阵
Stata上机实验
作业解答
作业1答案
作业2答案
添加标签
1。为整个数据添加标签：例如，将数据命名



为“工资表”。 菜单：Data->Labels->Label dataset 命令：label data “工资表“ 2。为变量增加标签，例如，给变量wage增 加标签“年工资总额” 菜单：Data->Labels->Label variables 命令 label variable wage “年工资总额"
小样本OLS
小样本OLS假设条件较为严格



假设1: 二者之间存在线性关系 y = a0 + a1*x1 + a2*x2 + ... + ak*xk +ε y = Xb +ε 假设2: X 是满秩的，i.e. rank(X) = k 假设3: 干扰项的条件期望为零（严格外生性） * E[ε| X] = 0
例二：打开production
reg lny lnl lnk testnl _b[lnl] * _b[lnk] = 0.25
testnl _b[lnl] * _b[lnk] = 0.5

大样本OLS
大样本OLS经常采用稳健标准差估计(robust)
稳健标准差是指其标准差对于模型中可能存
length, c(1-3) (本题没有什么经济意义，只是让大家熟悉这种方法)
矩阵运算
1。手动建立矩阵命令：matrix Matrix input 矩阵变量名=（矩阵） 同一行元素用，分隔
不同行元素用\分割
建立矩阵 ：

3 5 2
6 8 11 7 18 16
显示矩阵变量
例二： use wage2, clear reg lnwage educ tenure exper expersq 1。教育（educ）和工作时间（tenure）对工资的
影响相同。 test educ=tenure 2。工龄（exper）对工资没有影响 test exper 或者 test exper =0 3。检验 educ和 tenure的联合显著性 test educ tenure 或者 test (educ=0) (tenure=0)
2。逐个分层剔除 Stepwise,pr(0.05) hier:reg price mpg rep78 headroom trunk weight
length turn displacement gear_ratio foreign 去掉foreign 重新做一遍
逐步加入又分为逐步加入(Forward selection)和逐步分层加
自己练习：为下列变量增加标签
educ：受教育年限。 exper：工龄。
tenure：现有岗位任期。
为变量值增加标签 例如：为变量marrid添加数值标签marry：

1=married; 0=Unmarried 菜单：Data->Labels->Label values->Define or modify label values Data->Labels->Label values->Assign label values to variable 命令： . label define marry 1 “married” 0 “unmarried" . label values married marry
我们可以利用矩阵运算的方法将回归结果展
现的所有统计量都手动计算出来。 大家有兴趣回去做一遍，可以加深你对这些 知识的理解。
逐步回归法
逐步回归法分为逐步剔除和逐步加入。 逐步剔除又分为逐步剔除(Backward selection)和逐步分层剔除

(Backward hierarchical selection) 1。逐步剔除 stepwise, pr(显著性水平): 回归方程 例如：对auto数据 Stepwise,pr(0.05):reg price mpg rep78 headroom trunk weight length turn displacement gear_ratio foreign