題目上海師范大學(xué)商學(xué)院第3章面板數(shù)據(jù)分析拓展主要內(nèi)容3.1

面板二元結(jié)果3.2

面板序數(shù)結(jié)果3.3

面板分類結(jié)果3.4面板計(jì)數(shù)結(jié)果3.5

廣義線性面板模型3.6面板樣本選擇線性模型3.7

面板數(shù)據(jù)協(xié)整檢驗(yàn)3.8面板單位根檢驗(yàn)3.9

面板折線圖3.10面板隨機(jī)前沿模型3.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)3.12 面板門限回歸模型3.13動(dòng)態(tài)面板門限回歸模型3.14面板平滑轉(zhuǎn)換模型2025/4/1433.1面板二元結(jié)果

2025/4/144

3.1面板二元結(jié)果面板logistic回歸模型估計(jì)的Stata命令為：（1）隨機(jī)效應(yīng)(RE)模型：

xtlogitdepvar[indepvars][if][in][weight][,reRE_options]（2）條件固定效應(yīng)(FE)模型：

xtlogitdepvar[indepvars][if][in][weight],fe[FE_options]（3）總體平均(PA)模型

xtlogitdepvar[indepvars][if][in][weight],pa[PA_options]模型設(shè)定選項(xiàng)（options）有：noconstant：無常數(shù)項(xiàng)；re：重復(fù)使用隨機(jī)效應(yīng)估計(jì)法（默認(rèn)值）；3.1面板二元結(jié)果offset(varname)：在系數(shù)約束為1的模型中包含varname；constraints(constraints)：應(yīng)用指定的線性約束；asis：保持完美的預(yù)測(cè)變量。菜單操作：

Statistics>Longitudinal/paneldata>Binaryoutcomes>Logisticregression(FE,RE,PA)xtlogit適用于二元因變量的隨機(jī)效應(yīng)、條件固定效應(yīng)和總體平均logit模型。假設(shè)正結(jié)果的概率由邏輯累積分布函數(shù)確定。結(jié)果可以報(bào)告為系數(shù)或優(yōu)勢(shì)比。3.1面板二元結(jié)果例3.1二元結(jié)果面板logit分析下面使用stata的工會(huì)數(shù)據(jù)集研究美國(guó)婦女的工會(huì)化。（1）*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/union（2）*隨機(jī)效應(yīng)logit模型擬合.xtlogitunionagegradenot_smsasouth##c.year3.1面板二元結(jié)果（3）*等相關(guān)的面板logit模型.xtlogitunionagegradenot_smsasouth##c.year,pa3.1面板二元結(jié)果（4）*通過穩(wěn)健方差計(jì)算得到總體平均logit估計(jì).xtlogitunionagegradenot_smsasouth##c.year,pavce(robust)nolog3.1面板二元結(jié)果（5）*擬合固定效應(yīng)logit模型.xtlogitunionagegradenot_smsasouth##c.year,fe3.1面板二元結(jié)果

3.1面板二元結(jié)果隨機(jī)效應(yīng)與總體平均probit模型估計(jì)的Stata命令為：（1）隨機(jī)效應(yīng)(RE)模型xtprobitdepvar[indepvars][if][in][weight][,reRE_options]（2）總體平均(PA)模型：xtprobitdepvar[indepvars][if][in][weight],pa[PA_options]模型設(shè)定選項(xiàng)（options）同xtlogit命令。xtprobit適用于二元因變量的隨機(jī)效應(yīng)和總體平均probit模型。假設(shè)正性結(jié)果的概率由標(biāo)準(zhǔn)正態(tài)累積分布函數(shù)確定。3.1面板二元結(jié)果菜單操作為：

Statistics>Longitudinal/paneldata>Binaryoutcomes>Probitregression(RE,PA)xtprobit適用于二元因變量的隨機(jī)效應(yīng)和總體平均probit模型。假設(shè)正性結(jié)果的概率由標(biāo)準(zhǔn)正態(tài)累積分布函數(shù)確定。3.1面板二元結(jié)果例3.2二元結(jié)果的面板probit分析下面用Stata自帶數(shù)據(jù)集說明實(shí)現(xiàn)。使用工會(huì)數(shù)據(jù)集研究美國(guó)婦女的工會(huì)化。（1）*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/union（(NLSWomen14-24in1968)）3.1面板二元結(jié)果（2）*擬合隨機(jī)效應(yīng)面板probit回歸模型.xtprobitunionagegradei.not_smsasouth##c.year3.1面板二元結(jié)果（3）*使用非自適應(yīng)求積.xtprobitunionagegradei.not_smsasouth##c.year,intmethod(ghermite)3.1面板二元結(jié)果（4）*等相關(guān)probit模型.xtprobitunionagegradei.not_smsasouth##c.year,pa3.1面板二元結(jié)果（5）*總體平均probit回歸模型.xtprobitunionagegradei.not_smsasouth##c.year,pavce(robust)nolog3.1面板二元結(jié)果（6）*具有穩(wěn)定求積的隨機(jī)效應(yīng)模型*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/chicken3.1面板二元結(jié)果（7）*擬合估計(jì).xtprobitcomplainagegradesouthtenuregenderraceincomegendermburgerchicken,nolog3.2面板序數(shù)結(jié)果

3.2面板序數(shù)結(jié)果

2025/4/14223.2面板序數(shù)結(jié)果隨機(jī)效應(yīng)排序logistic模型估計(jì)的Stata命令為：

xtologitdepvar[indepvars][if][in][weight][,options]模型設(shè)定選項(xiàng)（options）有：offset(varname)：在系數(shù)約束為1的模型中包含varname；constraints(constraints)：應(yīng)用指定的線性約束。2025/4/14233.2面板序數(shù)結(jié)果菜單操作為：

Statistics>Longitudinal/paneldata>Ordinaloutcomes>Logisticregression(RE)xtologit擬合隨機(jī)效應(yīng)有序邏輯模型。盡管假設(shè)較大的值對(duì)應(yīng)于“較高”的結(jié)果，但因變量的實(shí)際值是不相關(guān)的。假設(shè)給定隨機(jī)效應(yīng)的被解釋變量條件分布為多項(xiàng)式，成功概率由logistic累積分布函數(shù)確定。2025/4/14243.2面板序數(shù)結(jié)果例3.3面板排序logit分析下面使用stata的“電視、學(xué)校和家庭吸煙預(yù)防和戒煙項(xiàng)目”的數(shù)據(jù)說明實(shí)現(xiàn)。在該項(xiàng)目中，學(xué)校被隨機(jī)分配到由兩個(gè)處理變量定義的四個(gè)組中的一個(gè)組。每所學(xué)校的學(xué)生都嵌套在班級(jí)中，班級(jí)也嵌套在學(xué)校中。在這個(gè)例子中，我們忽略了學(xué)校內(nèi)班級(jí)的可變性。因變量是煙草和健康知識(shí)得分（thk）折疊成四個(gè)有序的類別。我們回歸了處理變量及其相互作用和預(yù)處理評(píng)分控制的結(jié)果。.clear.use/data/r17/tvsfpors.xtsetschool2025/4/14253.2面板序數(shù)結(jié)果*擬合估計(jì)隨機(jī)效應(yīng)排序logistic模型.xtologitthkprethkcc##tv2025/4/14263.2面板序數(shù)結(jié)果

2025/4/14273.2面板序數(shù)結(jié)果隨機(jī)效應(yīng)排序probit模型估計(jì)的Stata命令為：

xtoprobitdepvar[indepvars][if][in][weight][,options]模型設(shè)定選項(xiàng)（options）同xtologit。菜單操作為：

Statistics>Longitudinal/paneldata>Ordinaloutcomes>Probitregression(RE)xtoprobit擬合隨機(jī)效應(yīng)有序概率模型。因變量的實(shí)際值是無關(guān)的，盡管假設(shè)較大的值對(duì)應(yīng)于“較高”的結(jié)果。假設(shè)給定隨機(jī)效應(yīng)的因變量的條件分布為多項(xiàng)式，成功概率由標(biāo)準(zhǔn)正態(tài)累積分布函數(shù)確定。2025/4/14283.2面板序數(shù)結(jié)果例3.4面板排序probit分析接著以stata的/tvsfpors數(shù)據(jù)說明隨機(jī)效應(yīng)排序logit模型估計(jì)實(shí)現(xiàn)。*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/tvsfpors(Television,School,andFamilyProject).xtsetschool（Panelvariable:school(unbalanced)）2025/4/14293.2面板序數(shù)結(jié)果.xtoprobitthkprethkcc##tv2025/4/14303.3面板分類結(jié)果

2025/4/14313.3面板分類結(jié)果假設(shè)服從1型極值分布（type-1extremevaluedistribution），則可得隨機(jī)效應(yīng)和條件固定效應(yīng)多項(xiàng)式logit模型（random-effectsandconditionalfixed-effectsmultinomiallogit(MNL)models）MNL模型：(3.29)對(duì)于模型識(shí)別，必須先將結(jié)果變量的其中一個(gè)類別的和uij中的元素都設(shè)置為0，對(duì)上述方程進(jìn)行標(biāo)準(zhǔn)化。不失一般性，我們將基本結(jié)果設(shè)為結(jié)果1，則第i個(gè)個(gè)體在時(shí)間t選擇結(jié)果m的概率為：2025/4/14323.3面板分類結(jié)果對(duì)于模型識(shí)別，必須先將結(jié)果變量的其中一個(gè)類別的和uij中的元素都設(shè)置為0，對(duì)上述方程進(jìn)行標(biāo)準(zhǔn)化。不失一般性，我們將基本結(jié)果設(shè)為結(jié)果1，則第i個(gè)個(gè)體在時(shí)間t選擇結(jié)果m的概率為：

(3.29)這里，F(xiàn)（·）定義為累積logistic分布函數(shù)。2025/4/14333.3面板分類結(jié)果固定效應(yīng)和隨機(jī)效應(yīng)多項(xiàng)式logit模型估計(jì)的Stata命令為：（1）隨機(jī)效應(yīng)（RE）模型

xtmlogitdepvar[indepvars][if][in][weight][,reRE_options]（2）條件固定效應(yīng)（FE）模型

xtmlogitdepvar[indepvars][if][in][weight],fe[FE_options]2025/4/14343.3面板分類結(jié)果模型設(shè)定選項(xiàng)（options）有：noconstant：無常數(shù)項(xiàng)；re：重復(fù)使用隨機(jī)效應(yīng)估計(jì)法（默認(rèn)值）；baseoutcome(#)：將作為基本結(jié)果的depvar的值；constraints(constraints)：應(yīng)用指定的線性約束；covariance(vartype)：隨機(jī)效應(yīng)的方差-協(xié)方差結(jié)構(gòu)；默認(rèn)值為協(xié)方差（獨(dú)立）。2025/4/14353.3面板分類結(jié)果菜單操作為：

Statistics>Longitudinal/paneldata>Categoricaloutcomes>Multinomiallogisticregression(FE,RE)xtmlogit適用于結(jié)果無序的分類因變量的隨機(jī)效應(yīng)和條件固定效應(yīng)多項(xiàng)式logit模型。因變量的實(shí)際值是無關(guān)的。2025/4/14363.3面板分類結(jié)果例3.5隨機(jī)效應(yīng)和條件固定效應(yīng)多項(xiàng)式logit模型下面以stata的一個(gè)（虛構(gòu)的）不平衡的小組數(shù)據(jù)集為例說明實(shí)現(xiàn)，該數(shù)據(jù)集包括第一次采訪時(shí)年齡在18歲至40歲之間的800名女性。我們希望評(píng)估家庭中18歲以下子女對(duì)女性就業(yè)狀況的影響。具體來說，我們希望了解女性是否因?yàn)樵诩依镉泻⒆佣赡懿粎⑴c勞動(dòng)力市場(chǎng)。如果是的話，可能性有多大？

*（1）模型估計(jì)*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/estatus(Fictionalemploymentstatusdata).listidyearestatushhchildagein22/41,sepby(id)noobs2025/4/14373.3面板分類結(jié)果.listidyearestatushhchildagein22/41,sepby(id)noobs2025/4/14383.3面板分類結(jié)果*檢查整個(gè)樣本的就業(yè)狀況分布.tabulateestatus.xtsetid（Panelvariable:id(unbalanced)）2025/4/14393.3面板分類結(jié)果*模型擬合估計(jì).xtmlogitestatusi.hhchildagehhincomei.hhsignoi.bwinner2025/4/14403.3面板分類結(jié)果*系數(shù)的冪運(yùn)算.xtmlogit,rrr2025/4/14413.3面板分類結(jié)果*邊際分析.marginshhchild2025/4/14423.3面板分類結(jié)果*使用對(duì)比度運(yùn)算符r直接計(jì)算這些風(fēng)險(xiǎn)差異。.marginsr.hhchild2025/4/14433.3面板分類結(jié)果（2）*隨機(jī)效應(yīng)的協(xié)方差結(jié)構(gòu)*用非結(jié)構(gòu)化協(xié)方差矩陣擬合我們的模型.xtmlogitestatusi.hhchildagehhincomei.hhsignoi.bwinner,covariance(unstructured)2025/4/14443.3面板分類結(jié)果*觀察標(biāo)準(zhǔn)差和相關(guān)性.estatsd2025/4/14453.3面板分類結(jié)果*似然比檢驗(yàn).estimatesstoreunstr.xtmlogitestatusi.hhchildagehhincomei.hhsignoi.bwinner,baseoutcome(3)2025/4/14463.3面板分類結(jié)果.estimatesstoreindep.lrtestunstrindep2025/4/14473.3面板分類結(jié)果（3）*具有條件固定效應(yīng)的MNL模型*使用條件固定效應(yīng)估計(jì)代替隨機(jī)效應(yīng)估計(jì)來擬合我們的模型.xtmlogitestatusi.hhchildagehhincomei.hhsignoi.bwinner,ferrr2025/4/14483.3面板分類結(jié)果（4）*隨機(jī)置換抽樣的固定效應(yīng)估計(jì).xtsetidyear.xtmlogitestatusi.hhchildagehhincomei.hhsignoi.bwinner,ferrrrsample(10,rseed(123))2025/4/14493.3面板分類結(jié)果（5）*在固定效應(yīng)和隨機(jī)效應(yīng)模型之間選擇.xtmlogitestatusi.hhchildagehhincomei.hhsignoi.bwinner,fe2025/4/14503.3面板分類結(jié)果.estimatesstoreFE.xtmlogitestatusi.hhchildagehhincomei.hhsignoi.bwinner2025/4/14513.3面板分類結(jié)果.estimatesstoreRE.hausmanFERE,alleqs2025/4/14523.3面板分類結(jié)果

2025/4/14533.3面板分類結(jié)果面板混合logit選擇模型估計(jì)的Stata命令為：

cmxtmixlogitdepvar[indepvars][if][in][weight][,options]其中depvar等于1表示選擇的備選方案，而0表示未選擇的備選方案。對(duì)于每種情況，只能選擇一種替代方案。indepvars指定具有固定系數(shù)的替代特定協(xié)變量。2025/4/14543.3面板分類結(jié)果模型設(shè)定選項(xiàng)（options）有：casevars（varlist）：選項(xiàng)設(shè)置特定變量；random（varlist[，distribution]）：指定具有隨機(jī)系數(shù)的變量以及系數(shù)的分布；corrmetric(metric)：相關(guān)隨機(jī)系數(shù)的相關(guān)度量；basealternative（#|lbl|str）：用于規(guī)范化位置的替代方案；noconstant：省略替代的特定常數(shù)項(xiàng)；altwise：使用交替刪除而不是按大小寫刪除；constraints(constraints)：應(yīng)用指定的線性約束。2025/4/14553.3面板分類結(jié)果cmxtmixlogit將混合logit模型（MLM）與決策者在不同時(shí)間段重復(fù)選擇的選擇數(shù)據(jù)相匹配。來自相同單元的重復(fù)案例數(shù)據(jù)也被稱為面板數(shù)據(jù)。面板數(shù)據(jù)混合logit模型使用隨機(jī)系數(shù)來模擬不同選擇之間的相關(guān)性。隨機(jī)系數(shù)是關(guān)于變量的，這些變量在不同的備選方案中有所不同（也可能在個(gè)人和選擇集上有所不同），稱為備選方案特定變量。不同方案之間的選擇相關(guān)性放松了傳統(tǒng)多項(xiàng)式logit模型（通過mlogit擬合）和選擇模型條件logit模型（通過cmclogit擬合）所要求的無關(guān)方案（IIA）假設(shè)的獨(dú)立性。在面板數(shù)據(jù)應(yīng)用的背景下，MLM對(duì)每個(gè)時(shí)間段選擇每個(gè)備選方案的概率進(jìn)行建模，而不是像橫截面數(shù)據(jù)那樣，對(duì)選擇每個(gè)備選方案的單個(gè)概率進(jìn)行建模。橫斷面數(shù)據(jù)的混合logit模型由cmmixlogit擬合。2025/4/14563.3面板分類結(jié)果例3.6面板混合logit選擇模型估計(jì)下面以Stata自帶數(shù)據(jù)集說明實(shí)現(xiàn)。（1）*面板混合logit選擇模型估計(jì)*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/transport(Transportationchoicedata).listin1/12,sepby(t)2025/4/14573.3面板分類結(jié)果*識(shí)別設(shè)定變量.cmsetidtalt2025/4/14583.3面板分類結(jié)果*面板混合logit選擇模型估計(jì).cmxtmixlogitchoicetrcost,random(trtime)casevars(ageincome)2025/4/14593.3面板分類結(jié)果（2）*預(yù)期選擇概率*估計(jì)變量的影響.margins,at(income=(38))2025/4/14603.3面板分類結(jié)果*估計(jì)與前一次相同的平均預(yù)測(cè)，例如，但僅限于第一次.margins,at(income=(38))subpop(ift==1)2025/4/14613.3面板分類結(jié)果（3）*邊際預(yù)測(cè)的對(duì)比上一個(gè)示例估計(jì)了一個(gè)時(shí)間點(diǎn)兩種不同場(chǎng)景的平均值。基于這個(gè)模型，假設(shè)我們有一個(gè)隨機(jī)或其他代表性樣本，我們可以將這些平均概率的差異解釋為收入為80000美元而不是30000美元的影響。我們可以使用contrast（）選項(xiàng)來估計(jì)這種差異。我們通過包含over（t）選項(xiàng)，分別對(duì)每個(gè)時(shí)間點(diǎn)提出此要求：2025/4/14623.3面板分類結(jié)果.margins,at(income=(38))contrast(at(r)nowald)over(t).marginsplot2025/4/14633.3面板分類結(jié)果（4）*具有替代特定變量的邊際預(yù)測(cè)*估計(jì)在兩種情況下選擇每個(gè)結(jié)果的預(yù)期概率.margins,alternative(Car)at(trcost=generate(trcost))at(trcost=generate(1.25*trcost))subpop(ift==1)2025/4/14643.3面板分類結(jié)果（5）*平均邊際效應(yīng)*估算汽車行駛時(shí)間的直接和間接邊際效應(yīng)。.margins,dydx(trtime)alternative(Car)2025/4/14653.4面板計(jì)數(shù)結(jié)果

2025/4/14663.4面板計(jì)數(shù)結(jié)果固定效應(yīng)、隨機(jī)效應(yīng)和總體平均泊松模型估計(jì)的Stata命令為：（1）隨機(jī)效應(yīng)(RE)模型

xtpoissondepvar[indepvars][if][in][weight][,reRE_options]（2）條件固定效應(yīng)(FE)模型

xtpoissondepvar[indepvars][if][in][weight],fe[FE_options]（3）總體平均(PA)模型

xtpoissondepvar[indepvars][if][in][weight],pa[PA_options]2025/4/14673.4面板計(jì)數(shù)結(jié)果模型設(shè)定選項(xiàng)（options）有：noconstant：無常數(shù)項(xiàng)；re：重復(fù)使用隨機(jī)效應(yīng)估計(jì)法（默認(rèn)值）；exposure(varname)：包括ln（varname），系數(shù)限制為1；offset(varname)：在系數(shù)約束為1的模型中包含varname；normal：使用隨機(jī)效應(yīng)的正態(tài)分布，而不是伽馬效應(yīng)；constraints(constraints)：應(yīng)用指定的線性約束。菜單操作為：

Statistics>Longitudinal/paneldata>Countoutcomes>Poissonregression(FE,RE,PA)xtpoisson擬合隨機(jī)效應(yīng)、條件固定效應(yīng)和總體平均Poisson模型。這些模型通常用于非負(fù)計(jì)數(shù)因變量。2025/4/14683.4面板計(jì)數(shù)結(jié)果例3.7面板泊松回歸下面用五種不同類型船舶的船舶事故數(shù)量數(shù)據(jù)說明實(shí)現(xiàn)。我們希望分析“事故”率是否受這艘船是建造和運(yùn)行的時(shí)間段的影響。我們對(duì)暴露的衡量標(biāo)準(zhǔn)是船上服務(wù)的月數(shù)，在這個(gè)模型中，我們假設(shè)指數(shù)隨機(jī)效應(yīng)是以伽馬分布的均值為1和方差為。*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/ships2025/4/14693.4面板計(jì)數(shù)結(jié)果*擬合隨機(jī)效應(yīng)面板泊松回歸，對(duì)數(shù)gamma分布.xtpoissonaccidentop_75_79co_65_69co_70_74co_75_79,exp(service)irr2025/4/14703.4面板計(jì)數(shù)結(jié)果*固定效應(yīng)泊松回歸估計(jì)，對(duì)數(shù)gamma分布.xtpoissonaccidentop_75_79co_65_69co_70_74co_75_79,exp(service)irrfe2025/4/14713.4面板計(jì)數(shù)結(jié)果*假設(shè)隨機(jī)項(xiàng)服從正態(tài)分布.xtpoissonaccidentop_75_79co_65_69co_70_74co_75_79,exp(service)irrnormalnolog2025/4/14723.4面板計(jì)數(shù)結(jié)果*擬合穩(wěn)健的等相關(guān)總體平均模型.xtpoissonaccidentop_75_79co_65_69co_70_74co_75_79,exp(service)pavce(robust)eform2025/4/14733.4面板計(jì)數(shù)結(jié)果*將其與具有聚集穩(wěn)健方差估計(jì)的集合估計(jì)進(jìn)行比較.poissonaccidentop_75_79co_65_69co_70_74co_75_79,exp(service)vce(clustership)irr2025/4/14743.4面板計(jì)數(shù)結(jié)果

2025/4/14753.4面板計(jì)數(shù)結(jié)果固定效應(yīng)、隨機(jī)效應(yīng)和總體平均負(fù)二項(xiàng)模型估計(jì)的Stata命令為：（1）隨機(jī)效應(yīng)(RE)和條件固定效應(yīng)(FE)過度分散模型：

xtnbregdepvar[indepvars][if][in][weight][,[re|fe]RE/FE_options]

（2）總體平均(PA)模型：

xtnbregdepvar[indepvars][if][in][weight],pa[PA_options]2025/4/14763.4面板計(jì)數(shù)結(jié)果模型設(shè)定選項(xiàng)（options）有：noconstant：無常數(shù)項(xiàng)；不適用于fe；re：重復(fù)使用隨機(jī)效應(yīng)估計(jì)法（默認(rèn)值）；fe：使用固定效應(yīng)估計(jì)法；exposure(varname)：包括ln（varname），系數(shù)限制為1；offset(varname)：在系數(shù)約束為1的模型中包含varname；constraints(constraints)：應(yīng)用指定的線性約束。2025/4/14773.4面板計(jì)數(shù)結(jié)果菜單操作：

Statistics>Longitudinal/paneldata>Countoutcomes>Negativebinomialregression(FE,RE,PA)xtnbreg適用于隨機(jī)效應(yīng)和條件固定效應(yīng)過度分散模型，其中隨機(jī)效應(yīng)或固定效應(yīng)適用于分散參數(shù)的分布。對(duì)于同一小組中的所有觀測(cè)，離散度是相同的。在隨機(jī)效應(yīng)模型中，各組的離散度隨機(jī)變化，因此1加上離散度的倒數(shù)服從貝塔分布。在固定效應(yīng)模型中，群中的分散參數(shù)可以取任意值。xtnbreg也適用于具有過度分散的非負(fù)計(jì)數(shù)因變量的總體平均負(fù)二項(xiàng)模型。2025/4/14783.4面板計(jì)數(shù)結(jié)果例3.8面板負(fù)二項(xiàng)回歸下面用stata關(guān)于20家航空公司在4年中每年發(fā)生的傷害“事件”的數(shù)據(jù)說明實(shí)現(xiàn)（事故范圍從重傷到極輕微）。負(fù)責(zé)監(jiān)管航空公司的政府機(jī)構(gòu)已經(jīng)開展了一項(xiàng)實(shí)驗(yàn)性的安全培訓(xùn)計(jì)劃，每年都會(huì)有一些航空公司參與，有些還沒有。現(xiàn)在，希望分析“事故”率是否受培訓(xùn)項(xiàng)目影響。選擇使用隨機(jī)效應(yīng)負(fù)二項(xiàng)回歸進(jìn)行估計(jì)，由于航空公司具體原因不明，各航空公司之間的差異可能會(huì)有所不同。風(fēng)險(xiǎn)敞口是指各航空公司每年的乘客里程。*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/airacc*擬合隨機(jī)效應(yīng)負(fù)二項(xiàng)分布回歸模型.xtnbregi_cntinprog,exposure(pmiles)irr2025/4/14793.4面板計(jì)數(shù)結(jié)果2025/4/14803.4面板計(jì)數(shù)結(jié)果*擬合固定效果過度分散模型.xtnbregi_cntinprog,exposure(pmiles)irrfenolog2025/4/14813.4面板計(jì)數(shù)結(jié)果*擬合穩(wěn)健的等相關(guān)總體模型.xtnbregi_cntinprog,exposure(pmiles)irrvce(robust)pa2025/4/14823.4面板計(jì)數(shù)結(jié)果*作為對(duì)比.nbregi_cntinprog,exposure(pmiles)irrvce(clusterairline)2025/4/14833.5廣義線性面板模型2025/4/1484廣義線性面板模型為：(3.58)其中，g（·）稱為連接函數(shù)，F(xiàn)稱為分配族。替換不同的g（）和F，會(huì)產(chǎn)生一系列的線性回歸模型。連接函數(shù)選項(xiàng)如表3.1所示。3.5廣義線性面板模型分布函數(shù)選項(xiàng)如表3.2所示。默認(rèn)連接函數(shù)是對(duì)于指定的分布族的典型連接（NBINOMINAL除外）：2025/4/14853.5廣義線性面板模型用GEE擬合人口平均面板數(shù)據(jù)模型的Stata命令為：

xtgeedepvar[indepvars][if][in][weight][,options]模型設(shè)定選項(xiàng)（options）有：family(family)：depvar的分布；link(link)：鏈接函數(shù)；exposure(varname)：包括ln（varname），系數(shù)限制為1；offset(varname)：在系數(shù)約束為1的模型中包含varname；noconstant：無常數(shù)項(xiàng)；asis:保持完美的預(yù)測(cè)變量force:即使觀測(cè)值的時(shí)間間隔不相等，也要進(jìn)行估計(jì)。2025/4/14863.5廣義線性面板模型菜單操作為：

Statistics>Longitudinal/paneldata>Generalizedestimatingequations(GEE)>Generalizedestimatingequations(GEE)xtgee擬合總體平均面板數(shù)據(jù)模型。特別是，xtgee適合廣義線性模型，并允許為面板指定組內(nèi)相關(guān)性結(jié)構(gòu)。2025/4/14873.5廣義線性面板模型例3.9廣義線性面板模型下面以Stata自帶數(shù)據(jù)集說明實(shí)現(xiàn)。（1）*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/nlswork2(NationalLongitudinalSurveyofYoungWomen,14-24yearsoldin1968)2025/4/14883.5廣義線性面板模型（2）*OLS回歸估計(jì).regressln_wgradeagec.age#c.age2025/4/14893.5廣義線性面板模型（3）*廣義估計(jì)方程估計(jì).xtgeeln_wgradeagec.age#c.age,corr(indep)nmp2025/4/14903.5廣義線性面板模型（4）*利用可交換相關(guān)結(jié)構(gòu)，我們得到了一個(gè)等相關(guān)線性回歸估計(jì)量.xtgeeln_wgradeagec.age#c.age,nolog2025/4/14913.5廣義線性面板模型（5）*xtgee與xtreg的對(duì)應(yīng)關(guān)系.xtregln_wgradeagec.age#c.age,mle2025/4/14923.5廣義線性面板模型（5）*xtgee與xtreg的對(duì)應(yīng)關(guān)系.xtgeeln_wgradeagec.age#c.age,vce(robust)nolog2025/4/14933.5廣義線性面板模型（5）*xtgee與xtreg的對(duì)應(yīng)關(guān)系.xtgeeln_wgradeagec.age#c.age,vce(robust)nolog2025/4/14943.5廣義線性面板模型（6）*清理內(nèi)存，下載數(shù)據(jù)集.clear.webuseunion(NLSWomen14-24in1968).xtsetidyear2025/4/14953.5廣義線性面板模型（7）*擬合logit模型.xtgeeunionagegradenot_smsasouth,family(binomial)link(logit)2025/4/14963.5廣義線性面板模型（8）*擬合AR(1)相關(guān)結(jié)構(gòu)的probit模型

.xtgeeunionagegradenot_smsasouth,family(binomial)link(probit)corr(ar1)2025/4/14973.6面板樣本選擇線性模型

2025/4/14983.6面板樣本選擇線性模型內(nèi)生樣本選擇的隨機(jī)效應(yīng)線性回歸估計(jì)的Stata命令為：xtheckmandepvar[indepvars][if][in],select(depvar_s=varlist_s[,sel_options])[options]模型設(shè)定選項(xiàng)（options）有：*select（）：指定選擇方程：因變量和自變量；是否有常數(shù)項(xiàng)和偏移變量或包含隨機(jī)效應(yīng)；noconstant：無常數(shù)項(xiàng)；norecorrelation：約束隨機(jī)效應(yīng)是獨(dú)立的offset(varname_o)：將varname_o包含在系數(shù)約束為1的模型中constraints(numlist)：應(yīng)用指定的線性約束菜單操作為：

Statistics>Longitudinal/paneldata>Sample-selectionmodels>Linearregressionwithsampleselection(RE)2025/4/14993.6面板樣本選擇線性模型例3.10含樣本選擇的面板數(shù)據(jù)分析下面用stata自帶數(shù)據(jù)說明實(shí)現(xiàn)。假設(shè)我們希望研究受過大學(xué)教育的成年人的工資、工作年限和年齡之間的關(guān)系。我們有從2013年到2016年觀察到的600名成年人的虛構(gòu)數(shù)據(jù)。我們使用這些數(shù)據(jù)將小時(shí)工資建模為年齡、年齡平方和工作年限的函數(shù)。然而，個(gè)人的只有當(dāng)他或她工作時(shí)，工資才會(huì)被觀察到，并且不是每個(gè)人都在數(shù)據(jù)日期被雇傭被收集。我們不感興趣的是只對(duì)那些當(dāng)時(shí)受雇于。我們還對(duì)工作任期和年齡與工資的關(guān)系感興趣，如果一個(gè)人被雇傭，他或她就會(huì)得到報(bào)酬。我們懷疑，影響個(gè)人工資的未被觀察因素與未被觀察的影響就業(yè)狀況的因素有關(guān)。這些未被觀察到的因素可能包括人的水平能力等特征以及個(gè)人家庭狀況等時(shí)變因素。我們懷疑我們有一個(gè)內(nèi)生選擇的樣本。我們有當(dāng)?shù)鼐蜆I(yè)市場(chǎng)狀況的數(shù)據(jù)（市場(chǎng)）。該變量與年齡和任期一起用于模擬個(gè)人的就業(yè)狀況。2025/4/141003.6面板樣本選擇線性模型*清理內(nèi)存，下載數(shù)據(jù)集.clear.use/data/r17/wagework(Wagesfor20to77yearolds,2013–2016).xtsetpersonidyear2025/4/141013.6面板樣本選擇線性模型*擬合含樣本選擇的面板線性回歸模型.xtheckmanwagec.age##c.agetenure,select(working=c.age##c.agemarket)2025/4/141023.6面板樣本選擇線性模型*邊際效應(yīng)分析.margins,at(age=(30(5)70)tenure=(05)).marginsplot2025/4/141033.6面板樣本選擇線性模型*考慮內(nèi)生樣本選擇的工資對(duì)年齡和任期的隨機(jī)效應(yīng)回歸.xtheckmanwageagetenure,select(working=agemarket)2025/4/141043.6面板樣本選擇線性模型*同上，但限制工資和選擇方程中的隨機(jī)效應(yīng)是獨(dú)立的.xtheckmanwageagetenure,select(working=agemarket)norecorrelation2025/4/141053.7面板數(shù)據(jù)協(xié)整檢驗(yàn)

2025/4/141063.7面板數(shù)據(jù)協(xié)整檢驗(yàn)2025/4/14107（2）修正DFt檢驗(yàn)統(tǒng)計(jì)量為（3）未調(diào)整DFt檢驗(yàn)統(tǒng)計(jì)量為3.7面板數(shù)據(jù)協(xié)整檢驗(yàn)2025/4/14108（4）未調(diào)整修正DFt檢驗(yàn)統(tǒng)計(jì)量為（5）ADFt檢驗(yàn)統(tǒng)計(jì)量為ADF回歸模型為：ADFt檢驗(yàn)統(tǒng)計(jì)量為3.7面板數(shù)據(jù)協(xié)整檢驗(yàn)3.7.2佩德羅尼（Pedroni）檢驗(yàn)Pedroni（1999）假設(shè)一個(gè)特定于面板的協(xié)整向量，如(3.72)所示，其中所有面板都有單個(gè)斜率系數(shù)。面板協(xié)整檢驗(yàn)是通過單位根檢驗(yàn)獲得的使用(3.78)中的ADF回歸估計(jì)殘差，但允許面板特定的而不是或使用Pedroni（1999）中給出的PP回歸。Pedroni（1999，2004）基于AR參數(shù)為面板特定或與面板相同。Pedroni（1999，2004）稱之為面板特定AR檢驗(yàn)統(tǒng)計(jì)量“組均值統(tǒng)計(jì)”和相同的AR檢驗(yàn)統(tǒng)計(jì)“面板協(xié)整統(tǒng)計(jì)”。面板特定AR檢驗(yàn)統(tǒng)計(jì)量為：2025/4/141093.7面板數(shù)據(jù)協(xié)整檢驗(yàn)經(jīng)過適當(dāng)?shù)臉?biāo)準(zhǔn)化，所有檢驗(yàn)統(tǒng)計(jì)量的漸近分布收斂于N（0，1）。2025/4/141103.7面板數(shù)據(jù)協(xié)整檢驗(yàn)3.7.3韋斯特隆德（Westerlund）檢驗(yàn)Westerlund（2005）假設(shè)面板特定的協(xié)整向量如(3.72)所示，其中所有面板都有單個(gè)斜率系數(shù)。VR檢驗(yàn)統(tǒng)計(jì)數(shù)據(jù)是通過測(cè)試使用(3.73)中的DF回歸預(yù)測(cè)殘差。Westerlund（2005）基于AR參數(shù)為面板特定或與面板相同。面板特定AR檢驗(yàn)統(tǒng)計(jì)量用于檢驗(yàn)非協(xié)整的零假設(shè)，另一種假設(shè)是某些面板是協(xié)整的。同樣的AR檢驗(yàn)統(tǒng)計(jì)用于檢驗(yàn)無協(xié)整的零假設(shè)與所有面板均為零的替代假設(shè)協(xié)整。面板特定AR檢驗(yàn)統(tǒng)計(jì)量為：其中，經(jīng)過適當(dāng)?shù)臉?biāo)準(zhǔn)化，該檢驗(yàn)統(tǒng)計(jì)量的漸近分布收斂于N（0，1）。2025/4/141113.7面板數(shù)據(jù)協(xié)整檢驗(yàn)面板數(shù)據(jù)協(xié)整檢驗(yàn)的Stata命令為：（1）Kao檢驗(yàn)

xtcointtestkaodepvarvarlist[if][in][,kao_options]（2）佩德羅尼（Pedroni）檢驗(yàn)

xtcointtestpedronidepvarvarlist[if][in][,pedroni_options]（3）韋斯特隆德（Westerlund）檢驗(yàn)

xtcointtestwesterlunddepvarvarlist[if][in][,westerlund_options]2025/4/141123.7面板數(shù)據(jù)協(xié)整檢驗(yàn)菜單操作為：

Statistics>Longitudinal/paneldata>Cointegrateddata>Testsforcointegrationxtcointettest對(duì)面板數(shù)據(jù)集進(jìn)行Kao（1999）、Pedroni（1999、2004）和Westerlund（2005）協(xié)整檢驗(yàn)。協(xié)整回歸模型中可能包括特定于面板的平均數(shù)（固定效應(yīng)）和特定于面板的時(shí)間趨勢(shì)。所有測(cè)試都有一個(gè)共同的零假設(shè)，即沒有協(xié)整。Kao檢驗(yàn)和Pedroni檢驗(yàn)的另一個(gè)假設(shè)是，變量在所有面板中都是協(xié)整的。在Westerlund檢驗(yàn)的一個(gè)版本中，替代假設(shè)是一些面板中的變量是協(xié)整的。在Westerlund檢驗(yàn)的另一個(gè)版本中，另一個(gè)假設(shè)是所有面板中的變量都是協(xié)整的。2025/4/141133.7面板數(shù)據(jù)協(xié)整檢驗(yàn)例3.11面板協(xié)整檢驗(yàn)下面用Stata自帶數(shù)據(jù)說明實(shí)現(xiàn)。*清理內(nèi)存，下載數(shù)據(jù)集.clear.webusextcoint*在生產(chǎn)率、國(guó)內(nèi)生產(chǎn)總值和國(guó)外生產(chǎn)總值之間進(jìn)行無協(xié)整的Kao測(cè)試.xtcointtestkaoproductivityrddomesticrdforeign2025/4/141143.7面板數(shù)據(jù)協(xié)整檢驗(yàn)*對(duì)生產(chǎn)率、國(guó)內(nèi)生產(chǎn)總值和國(guó)外生產(chǎn)總值之間不存在協(xié)整關(guān)系進(jìn)行Predoni檢驗(yàn).xtcointtestpedroniproductivityrddomesticrdforeign2025/4/141153.7面板數(shù)據(jù)協(xié)整檢驗(yàn)*在一些面板中，使用協(xié)整的替代假設(shè)，對(duì)生產(chǎn)率、國(guó)內(nèi)生產(chǎn)總值和國(guó)外生產(chǎn)總值進(jìn)行韋斯特隆德檢驗(yàn)，檢驗(yàn)它們之間是否存在協(xié)整關(guān)系.xtcointtestwesterlundproductivityrddomesticrdforeign2025/4/141163.7面板數(shù)據(jù)協(xié)整檢驗(yàn)*同上，但在所有面板都是協(xié)整的替代假設(shè)下

.xtcointtestwesterlundproductivityrddomesticrdforeign,allpanels2025/4/141173.8面板單位根檢驗(yàn)

2025/4/141183.8面板單位根檢驗(yàn)

2025/4/141193.8面板單位根檢驗(yàn)2025/4/14120

3.8面板單位根檢驗(yàn)

2025/4/141213.8面板單位根檢驗(yàn)2025/4/141223.8面板單位根檢驗(yàn)3.8.3Breitung檢驗(yàn)

LLC檢驗(yàn)與HT檢驗(yàn)的共同特點(diǎn)是，直接用OLS估計(jì)回歸方程，然后再對(duì)自回歸系數(shù)或T統(tǒng)計(jì)量進(jìn)行校正，以消除動(dòng)態(tài)面板偏差。Breitung檢驗(yàn)基本思路與LC檢驗(yàn)類似。區(qū)別在于，首先對(duì)數(shù)據(jù)進(jìn)行向前正交變換，即減去未來各期的平均值，然后再進(jìn)行回歸，使得回歸后不再需要偏差校正。所得的檢驗(yàn)統(tǒng)計(jì)量服從接近標(biāo)準(zhǔn)正態(tài)分布，再進(jìn)行左側(cè)檢驗(yàn)。沒有設(shè)定趨勢(shì)項(xiàng)時(shí)：Breitung檢驗(yàn)統(tǒng)計(jì)量為：2025/4/141233.8面板單位根檢驗(yàn)

2025/4/141243.8面板單位根檢驗(yàn)3.8.5費(fèi)希爾型(Fisher-type)檢驗(yàn)費(fèi)希爾型(Fisher-type)檢驗(yàn)的基本思路類似于IPS檢驗(yàn)，即對(duì)每位個(gè)體分別進(jìn)行檢驗(yàn)，然后再將這些檢驗(yàn)信息綜合起來。具體講，先對(duì)面板數(shù)據(jù)中每位個(gè)體分別進(jìn)行單位根檢驗(yàn)，如ADF檢驗(yàn)或PP檢驗(yàn),得到n個(gè)檢驗(yàn)統(tǒng)計(jì)量及相應(yīng)的P值。再通過4種方法將這些P值綜合成費(fèi)希爾型(Fisher-type)檢驗(yàn)統(tǒng)計(jì)量。3.8.6HL乘數(shù)平穩(wěn)性檢驗(yàn)HL(Hadri-Lagrange)檢驗(yàn)把KPSS平穩(wěn)性檢驗(yàn)推廣到面板數(shù)據(jù)的平穩(wěn)性檢驗(yàn)，提出了檢驗(yàn)面板數(shù)據(jù)平穩(wěn)性的LM檢驗(yàn)。2025/4/141253.8面板單位根檢驗(yàn)面板單位根檢驗(yàn)的Stata命令句式為：（1）Levin-Lin-Chu檢驗(yàn)

xtunitrootllcvarname[if][in][,LLC_options]（2）Harris-Tzavalis檢驗(yàn)

xtunitroothtvarname[if][in][,HT_options]（3）Breitung檢驗(yàn)

xtunitrootbreitungvarname[if][in][,Breitung_options]

（4）Im-Pesaran-Shin檢驗(yàn)

xtunitrootipsvarname[if][in][,IPS_options]2025/4/141263.8面板單位根檢驗(yàn)（5）Fisher-type檢驗(yàn)(combiningp-values)xtunitrootfishervarname[if][in],{dfuller|pperron}lags(#)[Fisher_options]（6）Hadri-Lagrange乘數(shù)平穩(wěn)性檢驗(yàn)

xtunitroothadrivarname[if][in][,Hadri_options]菜單操作為：

Statistics>Longitudinal/paneldata>Unit-roottests2025/4/141273.8面板單位根檢驗(yàn)xtunitrot對(duì)面板數(shù)據(jù)集中的單位根（或平穩(wěn)性）進(jìn)行各種測(cè)試。LevinLin-Chu（2002年）、HarrisTzavalis（1999年）、Breitung（2000年；Breitung和Das2005年）、ImPesaranShin（2003年）和Fisher類型（Choi2001年）檢驗(yàn)的原假設(shè)為所有面板都包含單位根。Hadri（2000）Lagrange乘數(shù)（LM）檢驗(yàn)的原假設(shè)為所有面板（趨勢(shì)）平穩(wěn)。每個(gè)測(cè)試的輸出頂部都會(huì)顯式顯示null和其他假設(shè)。選項(xiàng)允許您在數(shù)據(jù)生成過程的模型中包括特定于面板的方式（固定效果）和時(shí)間趨勢(shì)。2025/4/141283.8面板單位根檢驗(yàn)例3.12面板單位根檢驗(yàn)下面用Stata自帶數(shù)據(jù)說明實(shí)現(xiàn)。*清理內(nèi)存，下載數(shù)據(jù)集.clear.webusepennxrate2025/4/141293.8面板單位根檢驗(yàn)*LLC檢驗(yàn)，使用AIC選擇回歸的滯后數(shù)，并使用基于Bartlett核的HAC方差估計(jì)法，以及使用Newey和West方法選擇的滯后數(shù)

.xtunitrootllclnrxrateifoecd,demeanlags(aic10)kernel(bartlettnwest)2025/4/141303.8面板單位根檢驗(yàn)*HT檢驗(yàn)，從數(shù)據(jù)中刪除橫截面平均值

.xtunitroothtlnrxrate,demean2025/4/141313.8面板單位根檢驗(yàn)*對(duì)OECD國(guó)家子集進(jìn)行的穩(wěn)健Breitung檢驗(yàn)，預(yù)設(shè)個(gè)滯后

.xtunitrootbreitunglnrxrateifg7,lags(3)robust2025/4/141323.8面板單位根檢驗(yàn)*IPS檢驗(yàn)，使用AIC選擇回歸的滯后數(shù).xtunitrootipslnrxrate,lags(aic5)2025/4/141333.8面板單位根檢驗(yàn)*基于ADF測(cè)試的Fisher類型檢驗(yàn)，有3個(gè)滯后，允許每個(gè)面板中有一個(gè)漂移項(xiàng).xtunitrootfisherlnrxrate,dfullerlags(3)drift2025/4/141343.8面板單位根檢驗(yàn)*HadriLM平穩(wěn)性檢驗(yàn)，使用基于5個(gè)滯后的Parzen核的HAC方差估計(jì).xtunitroothadrilnrxrate,kernel(parzen5)2025/4/141353.9面板折線圖Stata命令xtline為面板數(shù)據(jù)繪制線形圖。其句式為：（1）按面板繪制圖表：

xtlinevarlist[if][in][,panel_options]（2）組合面板：

xtlinevarname[if][in],overlay[overlaid_options]

菜單操作為：

Statistics>Longitudinal/paneldata>Lineplots2025/4/141363.9面板折線圖例3.13面板折線圖假設(shè)Tess,Sam,和Arnold在整個(gè)日歷年里都記錄著卡路里。在年底，如果他們將數(shù)據(jù)匯集在一起，他們將擁有一個(gè)數(shù)據(jù)集（例如，xtline1.dta），其中包含了一年所消耗的卡路里量。他們每人365天。然后，他們可以使用xtset識(shí)別日期變量，并將每個(gè)人作為一個(gè)面板，然后使用xtline分別繪制每個(gè)人的卡路里和時(shí)間。.clear.use/data/r17/xtline1.xtsetpersonday2025/4/141373.9面板折線圖.xtlinecalories,tlabel(#3)2025/4/141383.9面板折線圖*指定覆蓋選項(xiàng)，以便將值繪制在同一圖表上；這將更好地比較Tess,Sam,和Arnold。.xtlinecalories,overlay2025/4/141393.10面板隨機(jī)前沿模型

2025/4/141403.10面板隨機(jī)前沿模型2025/4/14141

3.10面板隨機(jī)前沿模型

2025/4/141423.10面板隨機(jī)前沿模型對(duì)于時(shí)變衰變模型，對(duì)數(shù)似然函數(shù)推導(dǎo)如下：2025/4/141433.10面板隨機(jī)前沿模型面板隨機(jī)前沿模型估計(jì)的Stata命令為：（1）時(shí)不變模型

xtfrontierdepvar[indepvars][if][in][weight],ti[ti_options]（2）時(shí)變衰變模型

xtfrontierdepvar[indepvars][if][in][weight],tvd[tvd_options]

菜單操作為：

Statistics>Longitudinal/paneldata>Frontiermodels2025/4/141443.10面板隨機(jī)前沿模型xtfrontier適用于面板數(shù)據(jù)的隨機(jī)生產(chǎn)或成本前沿模型，其中干擾項(xiàng)是無效項(xiàng)和特殊誤差的混合物。xtfrontier可以擬合一個(gè)時(shí)不變模型，其中假設(shè)無效項(xiàng)具有截?cái)嗾龖B(tài)分布，或者一個(gè)時(shí)變衰減模型，其中無效項(xiàng)被建模為截?cái)嗾龖B(tài)隨機(jī)變量乘以時(shí)間函數(shù)。xtfrontier期望因變量和自變量在自然對(duì)數(shù)標(biāo)度上；這種轉(zhuǎn)換必須在進(jìn)行估計(jì)之前進(jìn)行。2025/4/141453.10面板隨機(jī)前沿模型例3.14面板隨機(jī)前沿模型*清理內(nèi)存，下載數(shù)據(jù)集.clear.webusextfrontier1*時(shí)不變模型.xtfrontierlnwidgetslnmachineslnworkers,ti2025/4/141463.10面板隨機(jī)前沿模型*時(shí)變衰變模型.xtfrontierlnwidgetslnmachineslnworkers,tvd2025/4/141473.10面板隨機(jī)前沿模型*帶約束的時(shí)變衰減模型

.constraint1[eta]_cons=0.xtfrontierlnwidgetslnmachineslnworkers,tvdconstraints(1)2025/4/141483.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)

2025/4/141493.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)隨機(jī)效應(yīng)面板分位數(shù)回歸模型為：控制個(gè)體效應(yīng)的固定效應(yīng)模型為：該模型的高斯懲罰最小二乘法為：2025/4/141503.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)的Stata命令為：（1）面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)qregpddepvarindepvars[if][in][weight],[quantile(#)instruments(varlist)identifier(varlist)fix(varlist)optimize(string)MCMCoptionsGrid-searchoptions]qregpd可用于擬合Powell（2015）開發(fā)的面板數(shù)據(jù)分位數(shù)回歸（QRPD）估計(jì)法。該估計(jì)法解決了替代固定效應(yīng)分位數(shù)估計(jì)法提出的一個(gè)基本問題：個(gè)體固定效應(yīng)的包含改變了處理變量上估計(jì)系數(shù)的解釋。如Powell（2016）所述，QRPD估計(jì)法是genqreg實(shí)現(xiàn)的廣義分位數(shù)估計(jì)法的特例。2025/4/141513.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（2）廣義分位數(shù)回歸（GQR）genqregdepvarindepvars[if][in][weight],[quantile(#)instruments(varlist)proneness(varlist)technique(string)optimize(string)MCMCoptionsGrid-searchoptions]genqreg可用于擬合Powell（2016）開發(fā)的廣義分位數(shù)回歸估計(jì)法。廣義分位數(shù)估計(jì)解決了傳統(tǒng)分位數(shù)估計(jì)的一個(gè)基本問題：包含額外的協(xié)變量改變處理變量上估計(jì)系數(shù)的解釋。如Powell（2016）所述，genqreg實(shí)施的廣義分位數(shù)估計(jì)法解決了這個(gè)問題，并產(chǎn)生無條件分位數(shù)處理效應(yīng)，即使存在額外的控制變量。廣義分位數(shù)回歸的一個(gè)特例是帶有面板數(shù)據(jù)的分位數(shù)回歸（見Powell（2015））；帶有面板數(shù)據(jù)的分位數(shù)回歸也可以使用genqreg進(jìn)行估計(jì)。數(shù)值優(yōu)化通過Nelder-Mead算法進(jìn)行。由于標(biāo)準(zhǔn)誤差的估計(jì)和計(jì)算有時(shí)會(huì)帶來數(shù)值挑戰(zhàn)，用戶可以使用馬爾可夫鏈蒙特卡羅方法或網(wǎng)格搜索方法。2025/4/141523.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（3）固定效應(yīng)面板模型的分位數(shù)估計(jì)

xtqregdepvarindepvars[if][in][,options]xtqreg使用Machado和SantosSilva（2019）的方法估計(jì)具有固定效應(yīng)的分位數(shù)回歸。（4）MM分位數(shù)估計(jì)

mmqregdepvarindepvars[if][in][,options]mmqreg使用Machado和SantosSilva（2019）中描述的矩量法估計(jì)分位數(shù)回歸。與xtqreg相比，mmqreg為此類模型的估計(jì)增加了三個(gè)特征：1.當(dāng)沒有固定效應(yīng)時(shí)，它允許估計(jì)位置-尺度分位數(shù)回歸。2.使用命令hdfe，它允許估計(jì)吸收多重固定效應(yīng)的LS分位數(shù)回歸3.它聯(lián)合報(bào)告了各種分位數(shù)的估計(jì)，這有助于使用重采樣方法（如Bootstrap）跨分位數(shù)測(cè)試系數(shù)。2025/4/141533.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)例3.15面板數(shù)據(jù)模型的分位數(shù)估計(jì)（1）*清理內(nèi)存，下載數(shù)據(jù)集.clear.webusenlswork（2）*面板數(shù)據(jù)的穩(wěn)健分位數(shù)回歸估計(jì),考察該面板數(shù)據(jù)下，聘期(tenure)和是否加入工會(huì)(union)這兩個(gè)變量與對(duì)數(shù)工資的關(guān)系：.qregpdln_wagetenureunion,id(idcode)fix(year)2025/4/141543.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（3）*同上，但使用MCMC方法.qregpdln_wagetenureunion,id(idcode)fix(year)optimize(mcmc)noisydraws(1000)burn(100)arate(.5).matliste(gamma)2025/4/141553.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（4）*面板數(shù)據(jù)的穩(wěn)健工具變量分位數(shù)回歸。MCMC優(yōu)化。考慮到tenure可能存在內(nèi)生性，因此我們使用工具變量法處理內(nèi)生變量，并利用馬爾科夫鏈蒙特卡洛方法(MCMC)估計(jì)結(jié)果。.qregpdln_wagetenureunion,id(idcode)fix(year)optimize(mcmc)noisydraws(1000)burn(100)arate(.5)instruments(ttl_expwks_workunion)2025/4/141563.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)利用ttl_exp、wks_work兩個(gè)工具變量重新估計(jì)，解決tenure內(nèi)生性后，可以發(fā)現(xiàn)tenure對(duì)工資的正向影響有所增加，且同樣在1%水平上顯著。.matliste(gamma)2025/4/141573.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（5）*清理內(nèi)存，下載數(shù)據(jù)集.clear.use"/repec/bocode/j/jtpa.dta".keepifsex==12025/4/141583.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（6）*穩(wěn)健分位數(shù)回歸.qregearningstraininghsorgedblackhispanicmarriedwkless13class_trojt_jsaage2225age2629age3035age3644age4554f2sms,q(85)vce(robust)2025/4/141593.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（7）*同上，但使用MCMC方法.genqregearningstraininghsorgedblackhispanicmarriedwkless13class_trojt_jsaage2225age2629age3035age3644age4554f2sms,q(85)optimize(mcmc)noisydraws(10000)burn(3000)arate(.5)2025/4/141603.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（8）*穩(wěn)健的工具變量分位數(shù)回歸。MCMC優(yōu)化。.genqregearningstraininghsorgedblackhispanicmarriedwkless13class_trojt_jsaage2225age2629age3035age3644age4554f2sms,q(85)optimize(mcmc)noisydraws(10000)burn(3000)arate(.5)instruments(assignmthsorgedblackhispanicmarriedwkless13class_trojt_jsaage2225age2629age3035age3644age4554f2sms)2025/4/141613.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（9）*將控制變量指定為傾向性變量。MCMC優(yōu)化。.genqregearningstraining,q(85)proneness(hsorgedblackhispanicmarriedwkless13class_trojt_jsaage2225age2629age3035age3644age4554f2sms)optimize(mcmc)noisydraws(10000)burn(3000)arate(.5)2025/4/141623.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（10）*與上面相同，但使用IV.MCMC優(yōu)化。.genqregearningstraining,q(85)instrument(assignmt)proneness(hsorgedblackhispanicmarriedwkless13class_trojt_jsaage2225age2629age3035age3644age4554f2sms)optimize(mcmc)noisydraws(10000)burn(3000)arate(.5)2025/4/141633.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（11）*和上面一樣，但是有一個(gè)IV.網(wǎng)格搜索優(yōu)化。.genqregearningstraining,q(85)instrument(assignmt)proneness(hsorgedblackhispanicmarriedwkless13class_trojt_jsaage2225age2629age3035age3644age4554f2sms)optimize(grid)grid1(1000(50)3500)2025/4/141643.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（12）*清理內(nèi)存，下載數(shù)據(jù)集.clear.sysuseauto（13）*headroom固定效應(yīng)的中值回歸.xtqregpriceweightlengthi.foreign,i(headroom)2025/4/141653.11面板數(shù)據(jù)模型的分位數(shù)回歸估計(jì)（14）*估計(jì)0.25分位數(shù)，具有固定的凈空效應(yīng).xtqregpriceweightlengthi.foreign,i(headroom)quantile(.25)2025/4/141663.11面板數(shù)據(jù)模型的分位數(shù)回歸估