豪斯曼检验stata命令（杜宾吴豪斯曼检验原理）

本文目录

• 杜宾吴豪斯曼检验原理
• 求助STATA面板数据模型分析的详细步骤和命令
• 怎么用stata进行面板数据模型筛选
• 为什么stata安装了xtoverid但是做稳健豪斯曼检验还是弄不了
• 内生性处理：工具变量法
• 急求！！！STATA豪斯曼检验的结果如何使用outreg2指令输出
• stata中用豪斯曼检验解决面板数据多重共线性问题

杜宾吴豪斯曼检验原理

杜宾吴豪斯曼检验原理是:对解释变量内生性的检验有两种方法，一是豪斯曼检验，一是杜宾-吴-豪斯曼检验。hau**an检验的原假设为所有解释变量均为外生变量，如果H0成立，则OLS与工具变量法一致，在大样本下，二者的估计量均收敛到真实的参数值，二者的差依概率收敛到0；如果H0不成立，则工具变量法一致OLS不一致，二者的差不会依概率收敛到0。hau**an检验的缺点是假设在原假设成立的前提下，OLS是最有效率的，未考虑到存在异方差的情况，杜宾-吴-豪斯曼检验来充分考虑到异方差，更为稳健。杜宾-吴-豪斯曼检验的思想为，由二阶段最小二乘回归的第一阶段回归我们可得，“某一个变量为内生变量”的命题与“第一阶段回归的扰动项与原模型的扰动项不相关”等价，故检验二者的相关系数是否为0（t检验）即可。原假设为0，若拒绝原假设，则认为存在内生解释变量，否则认为所有解释变量均外生；考虑到可能存在异方差，则需要在t检验时使用稳健标准误；若存在多个内生解释变量，则可以对原假设进行F检验。6. 弱工具变量检验大致有四种方法。一是偏R-squared，在一阶段回归中，R-squared既可能包含了内生解释变量与工具变量相关性的信息，也可能包含了内生解释变量与其他解释变量的相关性信息，为了过滤掉这个信息，我们首先将内生解释变量对其他解释变量做回归，得到残差a，代表了内生解释变量中不能由其他解释变量解释的部分，接着将工具变量对其他解释变量做回归，得到残差b，代表了工具变量中无法由其他解释变量解释的部分，将残差a对残差b做回归，得到R-squared；二是对第一阶段回归中工具变量的回归系数进行F检验，经验规则是如果F统计量大于10，则可拒绝“存在弱工具变量”的原假设，不必担心弱工具变量问题；在多个内生解释变量的情况下，将有多个第一阶段回归，故有多个F统计量，此时可以使用“最小特征值统计量”，并依据临界值做出判断；三是假设扰动项独立同分布，则可使用“Cragg-Donald Wald F统计量”;四是若不假设独立同分布，则应使用“Kleibergen-Paap Wald rk F”统计量。解决弱工具变量的方法主要有三种。我们可以寻找更强的工具变量；其次，我们可以使用对弱工具变量更不敏感的“有限信息最大似然估计法”(Limited Information Maximum Likelihood Estimation，简称LIML)，在大样本下，LIML与2SLS是渐近等价的，但在存在弱工具变量的情况下，LIML的小样本性质可能优于2SLS。如果有较多工具变量，可舍弃弱工具变量，方法是对工具变量进行冗余检验。7. 在扰动项存在异方差或自相关，则GMM广义矩估计更为有效。GMM过度识别检验检验部分工具变量的正交性（外生性）使用异方差自相关稳健的标准误GMM命令8. 工具变量法的stata命令及实例

求助STATA面板数据模型分析的详细步骤和命令

面板数据回归模型基本操作流程 1单位根检验，用unitroot命令 2豪斯曼检验，用hau**an命令 3回归操作，用xtreg命令

怎么用stata进行面板数据模型筛选

假设因变量是yy，自变量是aa、bb、cc，豪斯曼检验的命令这么写：quixtregyyaabbcc,fe（qui就是quietly，让stata只运算但是不要输出fe的结果）eststorefe（储存fe的结果）quixtregyyaabbcc,reeststorerehau**anfe然后stata就会算出来一个chi2值，然后给出一个prob＞chi2=?的结果（不知道为什么有时候要等半分钟才出来），如果这个p值小于0.05，就用固定效应模型，如果p指比较大，就用随机效应模型。我之前做的结果都用了固定效应模型，随机效应模型的不会。

为什么stata安装了xtoverid但是做稳健豪斯曼检验还是弄不了

安装xtoverid后再输入如下命令：ssc install ivreg2ssc install ranktest

内生性处理：工具变量法

内生性问题是解释变量与扰动项相关导致的，具体的表现形式有遗漏变量、双向因果和测量误差。

OLS能够成立的最重要前提条件是解释变量与扰动项不相关。否则，OLS估计量将是有偏且不一致的。 无偏是指估计量的期望等于真实值。一致性是指，随着样本的增大，估计量无限接近于真实值。

固定效应模型在 一定程度上 可以缓解内生性。因为使用固定效应模型的原因是存在个体效应、时间效应与解释变量相关。此时如果不用固定效应模型，这些个体、时间影响就会溜到扰动项中，就产生了内生性问题。

解决内生性问题常见的做法是使用工具变量。

工具变量：与模型中内生变量（解释变量）高度相关，但却不与误差项相关，估计过程中被作为工具使用，以替代模型中与误差项相关的解释变量的变量。

“找好的工具变量好比寻找一个好的伴侣，ta应该强烈地爱着你（强相关），但不能爱着别人（外生性）。”

IV法可以视为2SLS的特例。 当内生变量个数=工具变量个数时，称为IV法；当内生变量个数《工具变量个数时，称为2SLS

2SLS思路如下： y=α+βx1+γx2+u，其中x1是严格外生的，x2是内生的，则至少需要1个工具变量，z1为工具变量。 第一阶段回归：内生变量和工具变量 x2=a+bz1+cx1+e 第二阶段回归：内生变量的预测值和被解释变量 y=α+βx1+γx2’+v

2SLS背后逻辑： 将内生解释变量分为两部分，有工具变量造成的外生部分和与扰动项相关的内生部分。 第一阶段：通过外生变量的预测回归，得到这些变量的外生部分。 第二阶段：把被解释变量对解释变量中的外生部分进行回归，消除偏误得到一致估计。

注意：为了保证2SLS的一致性，必须把原方程中所有的外生解释变量都放入第一阶段回归。

2SLS的难点在于恰当的工具变量选择。若存在N个内生解释变量，则至少需要N个工具变量。

假设回归模型

stata命令如下：

以上命令ivregress 2sls 和 ivreg2是等价的，只是 ivreg2显示的内容更为丰富。xtivreg2 相较于ivreg2，就是OLS和FE/FD模型的差别，ivreg2 ... i.Year i.id等价于xtivreg2 ... i.Year, fe。

针对工具变量有三大检验：

以上三大检验，优先做相关性检验。这是由于弱工具变量会对估计结果以及外生性检验结果产生影响。

（1）相关性检验

a.不可识别检验 不可识别检验的原假设是秩条件不成立，即工具变量与解释变量不相关。不可识别检验在一定程度上可以验证是否存在弱工具变量，但不能取代对弱工具变量的检验。关于弱工具变量的检验，可以分为单个内生变量和多个内生变量。

b.弱工具变量检验 如果方程中有一个内生变量，一个经验规则是在第一阶段回归中，如果F统计量》10，则可拒绝“存在弱工具变量”的原假设，不必担心弱工具变量的问题。

如果方程中有多个内生变量，Stock & Yogo给出了检验规则：如果弱识别检验的最小特征值统计量》15% maximal IV size对应的临界值，就可以认为工具变量不存在弱相关问题。

如果发现是弱工具变量，解决的方法有：

（2）内生性检验 首先假定内生性进行2SLS回归，然后假定不存在内生性进行OLS回归，最后使用豪斯曼检验。 当p值《0.1时，表明两个回归的系数存在显著的系统性差异，及关注的核心变量有内生性。

（3）外生性检验 在恰好识别的情况下，即工具变量数=内生变量数，此时公认无法检验工具变量的外生性，即工具变量与扰动项不相关。在这种情况下，只能进行定性讨论或依赖于专家的意见。在过度识别的情况下，可以进行“过度识别检验”。当p》0.1，接受原假设，说明工具变量具有外生性。

注意，如果误差项存在异方差或自相关，那么2SLS的估计虽然是一致估计量，但不是有效估计量。更有效的方法是“广义矩估计”GMM。 某种意义上，GMM之于2SLS，正如GLS之于OLS，前者可以获得有效估计量，后者只能获得一致估计量。

该方法的前提条件是：工具变量数》内生变量数，且2SLS存在异方差或自相关

综上，在使用stata进行2SLS时，推荐使用ivreg2或xtivreg2。

对于面板数据，建议先对模型进行变换，然后对变换后的模型使用2SLS：

参考资料： 《高级计量经济学及stata应用》 面板数据分析与Stata应用 测量误差及其对统计分析的影响 有人能讲讲工具变量和2SLS之间的关系吗？ 工具变量法（五）: 为何第一阶段回归应包括所有外生解释变量 xtivreg2和它的山寨者

急求！！！STATA豪斯曼检验的结果如何使用outreg2指令输出

stata code：

cd E:stataresults

use "E:statadata盈余管理新版.dta", clear

reg dacc rid tm size debt14 eps, robust

outreg2 using 计量经济学服务中心.doc, replace ctitle(Model 1)、

注意adds命令面向的是成对的对象，因此不能直接把保存在e()中的结果adds，而是要把结果的名称写在前面后再添加结果。

扩展资料：

注意事项：

1、在对实际问题进行回归和检验之后，如图所示进行了BG检验，得到了图片中的结果。拒绝原假设。prob》chi2estat bgodfrey，就可以对自相关问题进行处理。

2、需要考虑到HAC标准误，对截断参数p很敏感，我们将截断参数增大到5，进行重新估计newey y x1 x2 x3,lag(5)，同过发现即便将截断参数增大到5，变化仍然不大，说明对截断参数不敏感。

3、在实际进行操作中，也需要对截断参数的数值进行增大，来考察截断参数的对回归变化的敏感性。

stata中用豪斯曼检验解决面板数据多重共线性问题

豪斯曼检验是能来判断固定效应模型和随机效应模型那个更合理的。多重共线性你只需要做一个vif就可以了。reg y x1 x2.....x9vif如果结果大于10，那么就说明存在严重的多重共线性，这时候需要减少解释变量来降低共线性。之后再做豪斯曼检验。首先是面板数据xtreg y x1 x2...x7,fe 固定效应模型estimates store fe将标准误存储为fextreg y x1 x2..x7,re随机效应模型分析estimates store re讲标准误存储为rehau**an re fe 就可以看结果了，如果 chic》0，p值几乎为0，则否定原假设，用固定效应模型；反之，用随机效应模型。