資源描述：
《stata第三講【山大陳波】.ppt》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、Stata上機(jī)實(shí)驗(yàn)大樣本OLS大樣本OLS經(jīng)常采用穩(wěn)健標(biāo)準(zhǔn)差估計(jì)(robust)穩(wěn)健標(biāo)準(zhǔn)差是指其標(biāo)準(zhǔn)差對(duì)于模型中可能存在的異方差或自相關(guān)問題不敏感，基于穩(wěn)健標(biāo)準(zhǔn)差計(jì)算的穩(wěn)健t統(tǒng)計(jì)量仍然漸進(jìn)分布t分布。因此，在Stata中利用robust選項(xiàng)可以得到異方差穩(wěn)健估計(jì)量。Nerlove（1963）的一篇著名文章為了檢驗(yàn)美國電力行業(yè)是否存在規(guī)模經(jīng)濟(jì)，Nerlove（1963）收集了1955年145家美國電力企業(yè)的總成本(TC)、產(chǎn)量(Q)、工資率(PL)、燃料價(jià)格(PF)及資本租賃價(jià)格(PK)的數(shù)據(jù)（nerlove.
2、dta）。假設(shè)第個(gè)企業(yè)的生產(chǎn)函數(shù)為Cobb-Douglas：其中分別為生產(chǎn)率、勞動(dòng)力、資本與燃料。記為規(guī)模效應(yīng)（degreeofreturnstoscale）。假設(shè)企業(yè)追求成本最小化，可證明其成本函數(shù)也為Cobb-Douglas：其中是的函數(shù)。取對(duì)數(shù)后得到如下模型。為了簡(jiǎn)單起見，我們將模型的方程設(shè)定為：分別使用普通OLS和穩(wěn)健的標(biāo)準(zhǔn)差OLS進(jìn)行估計(jì)。結(jié)果可以看到：穩(wěn)健標(biāo)準(zhǔn)差與普通標(biāo)準(zhǔn)差的估計(jì)的系數(shù)相同，但標(biāo)準(zhǔn)差和t值存在著較大的差別，尤其是lnq的標(biāo)準(zhǔn)差。約束回歸定義約束條件constraintdefinen
3、條件約束回歸語句Cnsreg被解釋變量解釋變量,constraints(條件編號(hào))約束回歸例一：useproduction，clearconsdef1lnl+lnk=1cnsreglnylnllnk,c(1)例二：usenerlove,clearconsdef1lnpl+lnpk+lnpf=1.consdef2lnq=1.cnsreglntclnqlnpllnpklnpf,c(1-2)矩陣運(yùn)算1。手動(dòng)建立矩陣命令：matrixMatrixinput矩陣變量名=（矩陣）同一行元素用，分隔不同行元素用分割建立矩
4、陣：368511721816顯示矩陣變量matdir顯示矩陣內(nèi)容Matlist矩陣變量常用矩陣運(yùn)算：C=A+BA-BA*BKronecker乘積：C=A#B常用矩陣函數(shù)：trace(m1)m1的跡Diag(v1)向量的對(duì)角矩陣inv(m1)m1的逆矩陣2。還可以將變量轉(zhuǎn)換為矩陣mkmat變量名表，mat(矩陣名)練習(xí)：sysuseautoregpricempgweightforeign要求：利用矩陣運(yùn)算手動(dòng)計(jì)算出參數(shù)gencons=1mkmatprice,mat(y)mkmatmpgweightforeign
5、cons,mat(X)matb=inv(X'*X)*X'*ymatlistb（還可以看一下矩陣x與y的值）我們可以利用矩陣運(yùn)算的方法將回歸結(jié)果展現(xiàn)的所有統(tǒng)計(jì)量都手動(dòng)計(jì)算出來。大家有興趣回去做一遍，可以加深你對(duì)這些知識(shí)的理解。逐步回歸法逐步回歸法分為逐步剔除和逐步加入。逐步剔除又分為逐步剔除(Backwardselection)和逐步分層剔除(Backwardhierarchicalselection)1。逐步剔除stepwise,pr(顯著性水平):回歸方程例如：對(duì)auto數(shù)據(jù)Stepwise,pr(0.05
6、):regpricempgrep78headroomtrunkweightlengthturndisplacementgear_ratioforeign2。逐個(gè)分層剔除Stepwise,pr(0.05)hier:regpricempgrep78headroomtrunkweightlengthturndisplacementgear_ratioforeign去掉foreign重新做一遍逐步加入又分為逐步加入(Forwardselection)和逐步分層加入(Forwardhierarchicalselecti
7、on)1。逐步加入stepwise,pe(顯著性水平):回歸方程例如：對(duì)auto數(shù)據(jù)Stepwise,pe(0.05):regpricempgrep78headroomtrunkweightlengthturndisplacementgear_ratioforeign2。逐個(gè)分層加入Stepwise,pe(0.05)hier:regpricempgrep78headroomtrunkweightlengthturndisplacementgear_ratioforeign極大似然估計(jì)優(yōu)點(diǎn)：1。在所有一致的、漸
8、近正態(tài)的估計(jì)量中，MLE是漸進(jìn)最優(yōu)的。2。大樣本數(shù)據(jù)，特別是非線性回歸的估計(jì)具有優(yōu)勢(shì)。缺點(diǎn)：1。需要假設(shè)特定的概率密度形式。2。小樣本性質(zhì)一般。極大似然估計(jì)MLEMLE的基本步驟1.推導(dǎo)最大似然函數(shù)2.編寫似然函數(shù)的stata程序(可選：似然函數(shù)的一階和二階導(dǎo)數(shù)d1,d2)3.設(shè)定解釋變量和被解釋變量：mlmodel命令4.估計(jì)最大似然函數(shù)：mlmaximize命令我們舉一個(gè)最簡(jiǎn)單的多元線形回歸的例
