Stata: 輸出regression table到word和excel

1. 安裝estout,。最簡單的方式是在stata的指令輸入：
ssc install estout, replace
EST安裝的指導(dǎo)網(wǎng)址是：http:///bocode/e/estout/installation.html
2.跑你的regression
3.寫下這行指令esttab using test.rtf,，然后就會(huì)出現(xiàn)個(gè)漂亮的表格給你（WORD文檔）,。只要再小幅修改,，就可以直接用了,。這個(gè)檔案會(huì)存在my document\stata下。如果你用打開的是一個(gè)stata do file,，結(jié)果會(huì)保存到do文件所在文件夾中,。如果要得到excel文件，就把后綴改為.xls或者.csv就可以了
4.跑多個(gè)其實(shí)也不難,，只要每跑完一個(gè)regression,，你把它取個(gè)名字存起來：est store m1。m1是你要改的,，第一個(gè)model所以我叫m1,，第二個(gè)的話指令就變成est store m2，依次類推,。
5.運(yùn)行指令：esttab m1 m2 ... using test.rtf就行了,。

異方差的檢驗(yàn)：

Breusch-Pagan test in STATA：

其基本命令是：estat hettest var1 var2 var3
其中，var1 var2 var3 分別為你認(rèn)為導(dǎo)致異方差性的幾個(gè)自變量,。是你自己設(shè)定的一個(gè)

滯后項(xiàng)數(shù)量,。

同樣，如果輸出的P-Value 顯著小于0.05,，則拒絕原假設(shè),，即不存在異方差性,。

White檢驗(yàn)：

其基本命令是在完成基本的OLS 回歸之后，輸入

imtest,， white
如果輸出的P-Value 顯著小于0.05,，則拒絕原假設(shè)，即不存在異方差性

 
處理異方差性問題的方法：

方法一：WLS

 WLS是GLS（一般最小二乘法）的一種,，也可以說在異方差情形下的GLS就是WLS,。在WLS下，我們?cè)O(shè)定擾動(dòng)項(xiàng)的條件方差是某個(gè)解釋變量子集的函數(shù),。之所以被稱為加權(quán)最小二乘法,，是因?yàn)檫@個(gè)估計(jì)最小化的是殘差的加權(quán)平方和，而上述函數(shù)的倒數(shù)恰為其權(quán)重,。

在stata中實(shí)現(xiàn)WLS的方法如下：

reg （被解釋變量） （解釋變量1） （解釋變量2）…… [aweight=變量名]

其中,，aweight后面的變量就是權(quán)重，是我們?cè)O(shè)定的函數(shù),。

一種經(jīng)常的設(shè)定是假設(shè)擾動(dòng)項(xiàng)的條件方差是所有解釋變量的某個(gè)線性組合的指數(shù)函數(shù),。在stata中也可以方便地實(shí)現(xiàn)：

首先做標(biāo)準(zhǔn)的OLS回歸，并得到殘差項(xiàng),；

reg （被解釋變量） （解釋變量1） （解釋變量2）……
predict r, resid

生成新變量logusq,，并用它對(duì)所有解釋變量做回歸，得到這個(gè)回歸的擬合值,，再對(duì)這個(gè)擬合值求指數(shù)函數(shù),；

gen logusq=ln(r^2)
reg logusq (解釋變量1) （解釋變量2）……
predict g, xb
gen h=exp(g)

最后以h作為權(quán)重做WLS回歸,；

reg （被解釋變量） （解釋變量1） （解釋變量2）…… [aweight=h]

如果我們確切地知道擾動(dòng)項(xiàng)的協(xié)方差矩陣的形式,，那么GLS估計(jì)是最小方差線性無偏估計(jì)，是所有線性估計(jì)中最好的,。顯然它比OLS更有效率,。雖然GLS有很多好處，但有一個(gè)致命弱點(diǎn)：就是一般而言我們不知道擾動(dòng)項(xiàng)的協(xié)方差矩陣,，因而無法保證結(jié)果的有效性,。

方法二：HC SE

There are 3 kinds of HC SE

（1）Huber-White Robust Standard Errors HC1， 其基本命令是：

reg var1 var2 var3, robust

White（1980）證明了這種方法得到的標(biāo)準(zhǔn)誤是漸進(jìn)可用（asymptotically valid）的,。這種方法的優(yōu)點(diǎn)是簡單,，而且需要的信息少，在各種情況下都通用,。缺點(diǎn)是損失了一些效率,。這種方法在我們?nèi)粘５膶?shí)證研究中是最經(jīng)常使用。

（2）MacKinnon-White SE HC2,，其基本命令是：

reg var1 var2 var3, hc2

（3）Long-Ervin SE HC3,，其基本命令是：

reg var1 var2 var3, hc3

約束條件檢驗(yàn)：

如果需要檢驗(yàn)兩個(gè)變量,，比如x 與y，之間系

數(shù)之間的關(guān)系,，以檢驗(yàn)兩者系數(shù)相等為例,，我們可以直接輸入命令：

test x=y

再如檢驗(yàn)兩者系數(shù)之和等于1，我們可以直接輸入命令：

test x+y=1

如果輸出結(jié)果對(duì)應(yīng)的P-Value 小于0.05,，則說明原假設(shè)顯著不成立,，即拒絕原假設(shè)。

序列相關(guān)性問題的檢驗(yàn)與處理 
 
序列相關(guān)性問題的檢驗(yàn)： 
首先,，要保證所用的數(shù)據(jù)必須為時(shí)間序列數(shù)據(jù),。如果原數(shù)據(jù)不是時(shí)間序列數(shù)據(jù)，
則需要進(jìn)行必要的處理,，最常用的方法就是： 
gen n=_n 
tsset n 
這兩個(gè)命令的意思是,，首先要生成一個(gè)時(shí)間序列的標(biāo)志變量n（或者t 也可以）；
然后通過tsset 命令將這個(gè)數(shù)據(jù)集定義為依據(jù)時(shí)間序列標(biāo)志變量n定義的時(shí)間序

列數(shù)據(jù),。 
最直觀的檢驗(yàn)方式是通過觀察殘差分布,，其基本步驟是在跑完回歸之后，直接輸
入 
Predict error, stdp 
這樣就得到了殘差值,；然后輸入命令： 
plot error n 
會(huì)得到一個(gè)error 隨n 變化的一個(gè)散點(diǎn)圖,。

D-W檢驗(yàn)——對(duì)一階自相關(guān)問題的檢驗(yàn)： 
D-W檢驗(yàn)是對(duì)一階自相關(guān)問題的常用檢驗(yàn)方法，但是如果實(shí)際問題中存在高階
序列相關(guān)性問題,，則不能用這個(gè)檢驗(yàn)方法,。 
D-W 檢驗(yàn)的命令如下： 
首先，輸入回歸命令,， 
reg Variable1 Variable2 Variable3…VariableM 
輸出一個(gè)簡單的OLS估計(jì)結(jié)果,。然后，再輸入命令：

dwstat 
這時(shí)會(huì)輸出一個(gè)DW  統(tǒng)計(jì)量,。通過與臨界值之間的比較,，可以得出結(jié)論。也可
以執(zhí)行如下命令

estat durbinalt 

直接進(jìn)行Durbin檢驗(yàn),。 
 
Breusch-GodfreyTest in STATA——檢驗(yàn)高階序列相關(guān)性： 
在得到一個(gè)基本回歸結(jié)果和error 之后,，我們假設(shè)這樣一個(gè)關(guān)系： 
et = α0 + α1 et-1 + α2 et-2 …+ αk et-p + β1 x1t + β2 x2t … +βk xkt +εt 
BG  檢驗(yàn)的原假設(shè)是：H0  ：  α1 = α2 = … αp =0。 
其基本命令是： 
bgodfrey , lags(p) 
其中p  是你自己設(shè)定的一個(gè)滯后項(xiàng)數(shù)量,。如果輸出的p-value 顯著小于0.05,，則
可以拒絕原假設(shè)，這就意味著模型存在p  階序列相關(guān)性,；如果輸出的p-value 顯
著大于0.05  甚至很大,，則可以接受原假設(shè)，即不存在p  階序列相關(guān)性。 

處理序列相關(guān)性問題的方法——GLS： 
常用的幾種GLS  方法： 
（1） Cochrane-Orcutt estimator 和Prais-Winsten estimator 
其基本命令是 
prais var1 var2 var3, corc 
（2） Newey-West standard errors 
其基本命令是 
newey var1 var2 var3, lag(3) 
其中,，lag（3）意思是對(duì)三階序列相關(guān)性問題進(jìn)行處理,；如果需要對(duì)p  階序列相

關(guān)性問題進(jìn)行處理，則為lag（p） 

t因變量,，g,f,c是自變量,，_26存放了弟26個(gè)觀測值，為需要預(yù)測的值

reg t g f c if _n!=26

點(diǎn)預(yù)測

predict taxpredict if _n==26

均值的區(qū)間預(yù)測

predictnl py=predict(xb),ci(lb ub) l(95)

因變量的區(qū)間預(yù)測

adjust g=117251.9 f=24649.95 c=99.9,stdf ci level(95)

Hausman檢驗(yàn)是檢驗(yàn)內(nèi)生性的最常用的方法,。它是通過比較一致估計(jì)量與有效估計(jì)量的Wald統(tǒng)計(jì)量,。
命令格式為：

  .hausman name-constistent [name-efficent] [,options]

其中，name-cosistent指一致估計(jì)的結(jié)果,， name-efficent 指有效估計(jì)的結(jié)果,。注意，一致,、有效估計(jì)量的先后順序不能改變,。

Option選項(xiàng)：

constant  計(jì)算檢驗(yàn)統(tǒng)計(jì)量將常數(shù)也包括在內(nèi)，默認(rèn)值為排除常數(shù)
allegs 利用所有方程進(jìn)行檢驗(yàn),，默認(rèn)只對(duì)第一個(gè)方程進(jìn)行檢驗(yàn)
skipeqs(eqlist) eqlist只能以方程名稱而不能以方程序號(hào)表示
equation(matchlist) 比較設(shè)定的方程,。
force 即使假設(shè)條件不滿足仍進(jìn)行檢驗(yàn)
df(#) 默認(rèn)值為一致估計(jì)與有效估計(jì)的協(xié)方差矩陣的差的估計(jì)
sigmamore 協(xié)方差矩陣采用有效估計(jì)量的協(xié)方差矩陣
sigmaless   協(xié)方差矩陣采用一致估計(jì)量的協(xié)方差矩陣
tconsistent(string)  一致估計(jì)量的標(biāo)題
tefficient(string) 有效估計(jì)量的標(biāo)題

工具變量估計(jì)
命令格式：
.ivregress esitimator depvar [varlist1] [varlist2=varlist_iv] [if] [in] [weight][,options]
其中，estimator包括2sls,gmm,liml三種,。varlist1為模型中的外生變量,，varlist2為模型中的內(nèi)生變量，varlist_iv為模型中的工具變量,。

Nonconstant  不包括常數(shù)項(xiàng)
Hascons  用戶自己設(shè)定常數(shù)項(xiàng)
CMM 選項(xiàng)：
  wmatrix(wmtype)  robust,cluster clustvar,hac kernel, unadjusted
  center  權(quán)數(shù)矩陣采用中心矩
  igmm 采用迭代GMM估計(jì)
  eps(#) 參數(shù)收斂標(biāo)準(zhǔn),。默認(rèn)值為eps（le-6）
  weps(#)  權(quán)數(shù)矩陣的收斂標(biāo)準(zhǔn)。默認(rèn)值為w eps(le-6)
Vce(vcetype) unajusted,robust,cluster clustvar,bootstrap,jackknife,hac kernel
level(#)置信區(qū)間
First 輸出第一階段的估計(jì)結(jié)果
Small 小樣本下的自由度調(diào)整

.estat firststage [,all forcenonrobust]

        該命令給出第一階段的估計(jì)結(jié)果以及各種統(tǒng)計(jì)量,，包括排除外生變量的相關(guān)性檢驗(yàn),。All選項(xiàng)給出所有的擬合優(yōu)度統(tǒng)計(jì)量。如果模型存在多個(gè)內(nèi)生變量,，則stata給出R2,、偏R2、調(diào)整的R2 ,、F統(tǒng)計(jì)量；如果模型存在多個(gè)內(nèi)生變量,，則stata給出Shea偏R2和調(diào)整的偏R2,。
       forcenonrobust給出最小特征值統(tǒng)計(jì)量及其臨界值，即使采用穩(wěn)健估計(jì)（這一檢驗(yàn)的假設(shè)條件是誤差項(xiàng)為獨(dú)立正態(tài)分布）,。

estat overid[,lag(#) forceweights forcenonrobust]
該命令給出了過度識(shí)別約束檢驗(yàn),。如果使用2sls估計(jì)估計(jì)，則Stata給Sargan’s(1958)和Basman’s(1960)卡方統(tǒng)計(jì)量，這也是Wooldridge’(1995）穩(wěn)健得分檢驗(yàn),。如果采用liml估計(jì)方法,，則stata給出Anderson and Rubin’s(1950) 卡方統(tǒng)計(jì)量以及Basmann F統(tǒng)計(jì)量；如果采用GMM估計(jì),，則stata給出hansen’s(1982)J統(tǒng)計(jì)量,。Lags(#)用于計(jì)算得分檢驗(yàn)的HAC（異方差自相關(guān)一致）統(tǒng)計(jì)量的過程中進(jìn)行去噪時(shí)設(shè)定滯后階數(shù)。如果設(shè)定lag(0),則表示不進(jìn)行去噪處理,。默認(rèn)選擇為lag(1),。這一選擇僅使用于2sls估計(jì)方法和設(shè)定vce(hac)選項(xiàng)情況。
Forceweight    表示即使采用aweights,pweights或iweights也進(jìn)行檢驗(yàn),。Stata僅對(duì)于fweights的情況進(jìn)行檢驗(yàn),，其他權(quán)數(shù)所得到臨界值可能不準(zhǔn)確。

Forcenonrobust  指在2sls或LIML估計(jì)中即使采用穩(wěn)健標(biāo)準(zhǔn)差也進(jìn)行Sargan and Basmann檢驗(yàn)（這一檢驗(yàn)的假設(shè)的假設(shè)條件是誤差項(xiàng)為獨(dú)立正態(tài)分布）,。

例子：

log(wage)=a+b*educ+c*exper+d*expersq+u

懷疑模型教育（educ）具有內(nèi)生性問題,，利用父母接受教育的年數(shù)（fatheduc,motheduc）作educ的工具變量估計(jì)上述模型。
（1）利用2SLS估計(jì)模型
.ivregress 2sls lwage exper expersq (educ=fatheduc motheduc),first

第一階段回歸結(jié)果為：
  educhat=9.1+0.19fatheduc+0.16motheduc+0.05exper
              (21.34)      (5.62)       (4.39)       (1.12)
         - 0.001expersq
             (-0.84)
第二階段的估計(jì)結(jié)果為：
 lwagehat=0.05+0.06educ+0.04exper-0.001expersq
              (0.12)     (1.95)      (5.29)       (-2.24)

（2）檢驗(yàn)educ的內(nèi)生性
.quietly  ivreg  iwage exper expersq {educ=fatheduc motheduc}
.est store IV_reg
.quietly regress lwage exper expersq educ
.est store LS_reg
.hausman IV_reg LS_reg
可以得到hausman估計(jì)量=2.7,，P值=0.44,。接受原假設(shè)，即educ是外生的,。

(3)進(jìn)行過度識(shí)別的約束檢驗(yàn)
.estat overid 
可得Sargan統(tǒng)計(jì)量=0.38,，P值=0.54接受原假設(shè)。

 面板數(shù)據(jù)估計(jì)

首先對(duì)面板數(shù)據(jù)進(jìn)行聲明：
前面是截面單元,，后面是時(shí)間標(biāo)識(shí)：
tsset company year
tsset industry year
產(chǎn)生新的變量：gen newvar=human*lnrd
產(chǎn)生滯后變量Gen fiscal(2)=L2.fiscal
產(chǎn)生差分變量Gen fiscal(D)=D.fiscal

描述性統(tǒng)計(jì)：
xtdes ：對(duì)Panel Data截面?zhèn)€數(shù),、時(shí)間跨度的整體描述
Xtsum：分組內(nèi)、組間和樣本整體計(jì)算各個(gè)變量的基本統(tǒng)計(jì)量
xttab 采用列表的方式顯示某個(gè)變量的分布

Stata中用于估計(jì)面板模型的主要命令：xtreg
xtreg depvar [varlist] [if exp] , model_type [level(#) ]

Model  type              模型
be             Between-effects estimator
fe              Fixed-effects estimator
re             GLS Random-effects estimator
pa           GEE population-averaged estimator
mle        Maximum-likelihood Random-effects estimator

主要估計(jì)方法：
xtreg：   Fixed-, between- and random-effects, and population-averaged linear models
xtregar：Fixed- and random-effects linear models with an AR(1) disturbance
xtpcse ：OLS or Prais-Winsten models with panel-corrected standard errors
xtrchh ：Hildreth-Houck random coefficients models
xtivreg ：Instrumental variables and two-stage least squares for panel-data models

xtabond：Arellano-Bond linear, dynamic panel data estimator
xttobit ：Random-effects tobit models
xtlogit ： Fixed-effects, random-effects, population-averaged logit models
xtprobit ：Random-effects and population-averaged probit models
xtfrontier ：Stochastic frontier models for panel-data
xtrc gdp invest culture edu sci health social admin,beta

xtreg命令的應(yīng)用：
聲明面板數(shù)據(jù)類型：tsset  sheng t
描述性統(tǒng)計(jì)：xtsum gdp invest sci admin
1.固定效應(yīng)模型估計(jì)：
xtreg  gdp invest culture sci health admin techno,fe
固定效應(yīng)模型中個(gè)體效應(yīng)和隨機(jī)干擾項(xiàng)的方差估計(jì)值(分別為sigma u 和sigma e）,，二者之間的相關(guān)關(guān)系(rho)
最后一行給出了檢驗(yàn)固定效應(yīng)是否顯著的F 統(tǒng)計(jì)量和相應(yīng)的P 值

2.隨機(jī)效應(yīng)模型估計(jì)：
xtreg  gdp invest culture sci health admin techno,re
檢驗(yàn)隨機(jī)效應(yīng)模型是否優(yōu)于混合OLS 模型：
在進(jìn)行隨機(jī)效應(yīng)回歸之后,，使用xttest0
檢驗(yàn)得到的P 值為0.0000，表明隨機(jī)效應(yīng)模型優(yōu)于混合OLS 模型
3. 最大似然估計(jì)Ml：
xtreg  gdp invest culture sci health admin techno,mle

Hausman檢驗(yàn)
Hausman檢驗(yàn)究竟選擇固定效應(yīng)模型還是隨機(jī)效應(yīng)模型：
第一步：估計(jì)固定效應(yīng)模型,，存儲(chǔ)結(jié)果
xtreg  gdp invest culture sci health admin techno,fe
est store fe
第二步：估計(jì)隨機(jī)效應(yīng)模型,，存儲(chǔ)結(jié)果
xtreg  gdp invest culture sci health admin techno,re
est store re
第三步：進(jìn)行hausman檢驗(yàn)
hausman fe
Hausman檢驗(yàn)量為：
H=(b-B)′[Var(b)-Var(B)]-1(b-B)～x2(k)
Hausman統(tǒng)計(jì)量服從自由度為k的χ2分布。當(dāng)H大于一定顯著水平的臨界值時(shí),，我們就認(rèn)為模型中存在固定效應(yīng),，從而選用固定效應(yīng)模型，否則選用隨機(jī)效應(yīng)模型
如果hausman檢驗(yàn)值為負(fù),，說明的模型設(shè)定有問題,，導(dǎo)致Hausman 檢驗(yàn)的基本假設(shè)得不到滿足，遺漏變量的問題,，或者某些變量是非平穩(wěn)等等
可以改用hausman檢驗(yàn)的其他形式：
hausman fe, sigmaless

對(duì)于固定效應(yīng)模型的異方差檢驗(yàn)和序列相關(guān)檢驗(yàn)：
Xtserial gdp invest culture sci health admin techno
異方差檢驗(yàn)：
    xtreg  gdp invest culture sci health admin techno,fe
xttest3 (Modified Wald statistic for groupwise heteroskedasticity in fixed effect model)

隨機(jī)效應(yīng)模型的序列相關(guān)檢驗(yàn)：
xtreg  gdp invest culture sci health admin techno,re
Xttest1
Xttest1用于檢驗(yàn)隨機(jī)效應(yīng)(單尾和雙尾) ,、一階序列相關(guān)以及兩者的聯(lián)合顯著
檢驗(yàn)結(jié)果表明存在隨機(jī)效應(yīng)和序列相關(guān),，而且對(duì)隨機(jī)效應(yīng)和序列相關(guān)的聯(lián)合檢驗(yàn)也非常顯著
可以使用廣義線性模型xtgls對(duì)異方差和序列相關(guān)進(jìn)行修正：
xtgls  gdp invest culture sci health admin techno, panels(hetero)，修正異方差
xtgls  gdp invest culture sci health admin techno, panels(correlated),，修正依橫截面而變化的異方差
xtgls  gdp invest culture sci health admin techno, panels(hetero) corr(ar1),，修正異方差和一階序列相關(guān)ar(1)