空间面板回归模型(stata操作)

这篇具有很好参考价值的文章主要介绍了空间面板回归模型(stata操作)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

空间面板回归模型(stata操作)

一、莫兰检验

此检验主要检验所研究的变量(或被解释变量)是否存在空间依赖性。首先利用各省份地区的位置坐标使用stata构造空间权重矩阵(距离矩阵),然后导入stata中。

 spatwmat using "C:\Users\86198\Desktop\空间权重矩阵.dta",name(W)    //空间权重矩阵命名为W
 spatgsa var2 var3 var4 var5 var6 var7 var8 var9,weights(W) moran //这里var2-var9为9年被解释变量数据,进行检验 

还可画出莫兰分布图

spatwmat using "C:\Users\86198\Desktop\空间权重矩阵.dta", name(W) standardize   //导入空间权重矩阵,进行标准化
spatlsa var2,weight(W) moran graph(moran) symbol(id) id(var1)  //画出莫兰分布图,并加以标记(var1)省份名

结果如下:
莫兰检验,回归,人工智能
通过P值可知,被解释变量在各8年中存在着空间依赖性,所以继续进行空间模型的构建。

二、LM检验

LM检验主要判断是否可以进一步进行空间面板建模。

xtset dmu year   //设置面板
use "C:\Users\86198\Desktop\空间权重矩阵.dta",name(W) standardize
spmat dta W var1-var30,norm(row) replace  //var1-var30为空间权重矩阵的变量名
drop var1-var30
set matsize 240  //30*8(30个省份,8年数据)
mat TMAT = I(8)  //括号中代表年数
mat Wxt=TMAT#W  //将30*30的截面矩阵与TMAT合并
svmat Wxt
save Wxt.dta,replace  //这里保存LM检验所需要的空间面板权重矩阵
//随后可以重新在原数据stata文件引用空间面板权重矩阵
spatwmat using "C:\Users\86198\Desktop\Wxt.dta",name(ww) standardize
reg lncei lnelecnum lnfina  //先回归,后检验 (reg cei elecnum fina finaelecnum gdp chanquan nengyuan tech)后面又修改的数据
spatdiag,weights(ww)

结果如下
莫兰检验,回归,人工智能
在空间误差模型中,均拒绝原假设,而空间滞后模型中,只有稳健拉格朗日乘数检验未通过,这更进一步可进行空间面板回归建模。

三、Hausman检验

紧接着,为了进一步确定模型类型,判断模型是随机效应还是固定效应,进行LM检验。stata代码如下:

xsmle cei elecnum fina finaelecnum gdp chanquan nengyuan tech,wmat(W) model(sdm) hausman nolog  //被解释变量在前,解释变量在后

莫兰检验,回归,人工智能
由于Prob>=chi2=0.0000,拒绝原假设,所以模型为固定效应。

随后进行LR检验,以SDM模型为基准,判断SDM能否退化为SLM/SEM;Wald检验,判断SDM能否退化未SLM/SEM。

xsmle cei elecnum fina finaelecnum gdp chanquan nengyuan tech,fe model(sdm) wmat(W) type(time) nolog noeffects
est store sdm_a
xsmle cei elecnum fina finaelecnum gdp chanquan nengyuan tech,fe model(sar) wmat(W) type(time) nolog noeffects
est store sar_a
xsmle cei elecnum fina finaelecnum gdp chanquan nengyuan tech,fe model(sem) emat(W) type(time) nolog noeffects
est store sem_a
lrtest sdm_a sar_a
lrtest sdm_a sem_a

结果如下
莫兰检验,回归,人工智能
如果上述均拒绝原假设,则说明sdm模型不能退化,可使用sdm(即空间杜宾模型)进行建模。

四、建模

//sdm模型回归
///时间固定效应模型
xsmle cei elecnum fina finaelecnum gdp chanquan nengyuan tech,fe model(sdm) wmat(W) type(time) nolog noeffects
///个体固定效应模型
 xsmle  cei elecnum fina finaelecnum gdp chanquan nengyuan tech,fe model(sdm) wmat(W)  type(ind) nolog noeffects
///双固定效应模型
 xsmle  cei elecnum fina finaelecnum gdp chanquan nengyuan tech,fe model(sdm) wmat(W)  type(both) nolog noeffects
 //输出结果至word文件
outreg2 using "C:\Users\86198\Desktop\空间杜宾.doc",replace pvalue bdec(3) pdec(2)

具体选择哪个模型,根据自己所需进行选择,也可看哪个适合研究假设、方便解释而定。需要注意的是,模型求解可能不收敛(这样结果不可信),即出现convergence not achieved,需要使用from(,copy)进行调试,直至收敛为止。

五、效应分解

xsmle  cei elecnum fina finaelecnum gdp chanquan nengyuan tech,fe model(sdm) wmat(W) type(time) nolog effects  //效应分解

最后根据结果,对应的进行分析。

注:以上仅是这段时间自学结果,只是自己一些拙见分享,欢迎大家批评指正。文章来源地址https://www.toymoban.com/news/detail-851827.html

到了这里,关于空间面板回归模型(stata操作)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Stata中异方差检验(代码直接食用)

    在线性回归模型的经典假设下,运用最小二乘法回归估计得到的才是最优线性无偏估计量(BLUE)。在实际问题中,完全满足基本假设的情况并不多,不满足的基本假设的情况下称为 基本假定违背 ,而 异方差 就是其中一种。 对于异方差的检验有很多种,这里我们介绍3种方法

    2024年02月02日
    浏览(47)
  • 实证论文复刻|stata安慰剂检验

    文章及代码来源:中国工业经济《税收征管数字化与企业内部薪酬差距》 目录 随机抽取对照组和实验组 随机设定政策时点 先po完整代码 接下来逐一解读: forvalue表示循环 sysuse表示使用xx数据,和use区别参考stata中 sysuse和use区别 - 知乎 简单来说use调用数据时,需要加上路径

    2024年02月15日
    浏览(46)
  • Python空间分析| 01 利用Python计算全局莫兰指数(Global Moran‘s I)

    空间自相关(spatial autocorrelation)是指一些变量在同一个分布区内的观测数据之间潜在的相互依赖性。Tobler(1970)曾指出“地理学第一定律:任何东西与别的东西之间都是相关的,但近处的东西比远处的东西相关性更强” 全局莫兰指数(Global Moran’s I)是最常用的空间自相关指

    2024年01月21日
    浏览(36)
  • 面板数据缺失填补-stata实现线性插值法过程

    目录 一、原始数据说明: 二、代码及过程解释 1.设定面板数据 2.内插法填补数据 3.外插法填补数据 三、注意事项 线性插值是指插值函数为一次多项式的插值方式,其在插值节点上的插值误差为零。线性插值相比其他插值方式,如抛物线插值,具有简单、方便的特点。线性插

    2023年04月22日
    浏览(39)
  • Stata 回归结果详解

    使用stata自带的auto数据, 被解释变量(因变量):price(价格) 解释变量(自变量):mpg(里程)、rep78(1978年后的修理记录)、weight(重量)、length(长度)、foreign(本土/国外品牌) 回归结果分两部分,上半部分为回归结果的总体描述信息,下半部分为具体变量信息。

    2024年02月03日
    浏览(39)
  • 多元线性回归分析(Stata)

      本文借鉴了数学建模清风老师的课件与思路,可以点击查看链接查看清风老师视频讲解:清风数学建模:https://www.bilibili.com/video/BV1DW411s7wi 注:本节所有代码 在 regress_stata.do 文件里,复习的时候直接去运行里面的代码即可。 文章内容有点多,可以直接看最后的个人总结。

    2024年04月23日
    浏览(40)
  • 【人工智能】简单线性回归模型介绍及python实现

    简单线性回归是人工智能和统计学中一个基本的预测技术,用于分析两个连续变量之间的线性关系。在简单线性回归中,我们试图找到一个线性方程来最好地描述这两个变量之间的关系。 变量 :简单线性回归涉及两个变量 - 自变量(independent variable)和因变量(dependent vari

    2024年01月17日
    浏览(56)
  • 计量经济学及Stata应用 5.12 多元回归的Stata实例

    Number of obs :样本容量N F(n,N):F统计量,自由度为k(约束条件)、m(N-K)——检验整个方程的联合显著性 ProbF:F统计值对应的P值(0.0000:极小概率事件,显著;0.1,解释方程基本没用,设计有问题不显著) R-squared:所有的解释变量(x)可以解释y的变得约有R2%的变动(可以由x解

    2023年04月22日
    浏览(41)
  • 【人工智能】多元线性回归模型举例及python实现方式

    比如你做了一个企业想要招人,但是不知道月薪应该定在多少,你做了一个月薪和收入的调研,包括年限、学历、地区和月薪 做一个月薪=w1 年限+w2 学历+w3*城市+…+b的工作年限和薪资的多元线性模型,然后找出最适合线性模型的直线-成本函数、梯度下降方式,来预估你可以

    2024年02月19日
    浏览(56)
  • 跨国面板数据(1960-2020)九:企业、创业、进出口成本(excel、stata版)

    跨国面板数据(1960-2020)九:企业、创业、进出口成本(excel、stata版) 数据来源:世界银行 数据范围:1996-2020年,全球264个国家 作者收集整理所得!!! 下载地址:https://bbs.pinggu.org/thread-10896759-1-1.html 具体指标包括: 企业信息披露程度指数(0=信息披露少,10=信息披露多

    2023年04月19日
    浏览(37)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包