面板数据主成分分析分析时怎么确定是re还是fe

来源：蜘蛛抓取(WebSpider) 时间：2016-04-11 03:45 标签： stata面板数据分析
苹果/安卓/wp
苹果/安卓/wp
积分 124, 距离下一级还需 21 积分
权限: 自定义头衔
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板, 金钱卡, 显身卡下一级可获得
道具: 匿名卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
难过签到天数: 2 天连续签到: 1 天[LV.1]初来乍到
哪位大神可以帮忙解决下这个问题，感激涕零啊。本人手上有4个变量，95个省（外国数据），时间序列是00,这五年的数据，想要做回归分析，结果做出来的不论是FE还是RE都拟合度很低，r-square很低，0.04-0.01。。。
我个人觉得是数据的问题，有时间间隔的数据平稳性差，单位根都存在，我也将95个省分成了5个地区（五组）分别进行回归，结果差别不大。
现在不知道应该用什么方法处理这种有时间间隔的数据合适，或者模型里可以再加一个解释变量？或者使用一阶差分来回归，但是本人不会再stata里做一阶差分。。。所以求助哪位大神给出出主意，小女子跪谢跪谢啊~~~
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
5年的数据属于大N小T，不需要做单位根。另外，你不能仅仅通过可绝系数判断模型优劣，特别是当你的N很大的时候。
本帖被以下文库推荐
& |主题: 8163, 订阅: 32
求帮顶贴~急求啊~谢谢大家啦~
求高手指点啊~
论坛扫地人员
5年的数据属于大N小T，不需要做单位根。另外，你不能仅仅通过可绝系数判断模型优劣，特别是当你的N很大的时候。
热心帮助其他会员
总评分:&经验 + 10&
论坛币 + 10&
二级伯乐勋章
二级伯乐勋章
一级伯乐勋章
一级伯乐勋章
初级热心勋章
初级热心勋章
初级学术勋章
初级学术勋章
中级热心勋章
中级热心勋章
初级信用勋章
初级信用勋章
中级学术勋章
中级学术勋章
中级信用勋章
中级信用勋章
高级热心勋章
高级热心勋章
高级学术勋章
高级学术勋章
高级信用勋章
高级信用勋章
特级热心勋章
高级热心勋章
特级学术勋章
特级学术勋章
论坛好贴推荐
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
为做大做强论坛，本站接受风险投资商咨询，请联系（010-）
邮箱：service@pinggu.org
合作咨询电话：(010)
广告合作电话：（刘老师）
投诉电话：(010)
不良信息处理电话：(010)
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
Stata面板数据的统计分析
下载积分：2000
内容提示：Stata面板数据的统计分析
文档格式：DOC|
浏览次数：108|
上传日期： 18:53:17|
文档星级：
该用户还上传了这些文档
Stata面板数据的统计分析
官方公共微信苹果/安卓/wp
苹果/安卓/wp
积分 148, 距离下一级还需 112 积分
权限: 自定义头衔
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板, 金钱卡, 显身卡, 匿名卡下一级可获得
权限: 签名中使用图片
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
从Beck和Katz(1995)介绍该方法之后，PCSE（pannel corrected standard errors）被广泛用于大N和小T的面板数据模型估计。从现有实证应用来看，尤其是在估计国家和省地类型的面板数据时被大量使用，以处理复杂的面板误差结构。
在stata中，直接使用PCSE进行估计的话，实际上是在OLS的估计结果上对回归系数的标准误进行了修正。也就是说，实际上是OLS方法，只不过通过调整置信区间对系数的显著性进行了修正。想请教的是，可不可以在使用PCSE的同时，区分固定效应和随机效应（目前看到的pcse方法实证研究中均未对此进行区分）（例如，对固定效应模型使用PCSE进行修正）？如果可以的话，在stata中可如何让实现？
请高手解答，多谢！
载入中......
首先声名，我不是高手，探讨一下。
我的理解：
1、xtpcse主要适合N和T都适用的面板数据，即是一个方块的数据结构；
2、既然xtpcse是在考虑了异方差和序列相关的影响后，修正了标准误，那么无论是fe还是re的个体效应还需要关照吗？这部分信息应该体现到了OLS估计中了吧！
总评分:&论坛币 + 10&
学术水平 + 1&
热心指数 + 1&
善待你一生！
让网络基于真人的故事！
sewind_tj 发表于
首先声名，我不是高手，探讨一下。
我的理解：
1、xtpcse主要适合N和T都适用的面板数据，即是一个方块的数 ...谢谢关注，欢迎探讨。
我的理解及疑问是：
1、PCSE没有考虑个体效应，这是和RE、FE在模型设定上的差异，但并不说明个体效应在此就不需要考虑，这种假定究竟是否合理？
2、如果PCSE的同时不能区分RE和FE的话，如何对之进行取舍？毕竟用得最多的还是通过hausman在FE、RE间进行选择。
3、既然PCSE没有考虑个体效应，那可否认为：如果检验证明存在固定效应，则不能使用PCSE？
希望知道的朋友予以解惑，有类似疑问的朋友一起探讨。
济民经世 发表于
谢谢关注，欢迎探讨。
我的理解及疑问是：
1、PCSE没有考虑个体效应，这是和RE、FE在模型设定上的差异， ...我的意思是说既然已经考虑了截面（个体）上的异方差和每一个截面（个体）内在时间维度上的相关性，干嘛非要从干扰项中“提取”个体效应来考察其是fe或re呢？
请蓝色版主看看。
善待你一生！
让网络基于真人的故事！
sewind_tj 发表于
我的意思是说既然已经考虑了截面（个体）上的异方差和每一个截面（个体）内在时间维度上的相关性，干嘛非 ...但是PCSE只是在对方差修正时考虑了异方差和自相关，回归系数的估计中并没有考虑也没有区分个体效应。这样的话就只能在对回归系数的假设检验上起作用，但估计结果本身可能存在较大的大小乃至方向上的偏差。& &
济民经世 发表于
但是PCSE只是在对方差修正时考虑了异方差和自相关，回归系数的估计中并没有考虑也没有区分个体效应。这样 ...个体效应是可识别但不能观测的，既然在OLS中个体效应在干扰项之中，在fe或re中，个体效应从干扰项中分离出来，在PCSE中考虑了异方差和自相关，即异方差和自相关中已经（至少部分的）含有了个体效应，那么在单独提取出来是代表何种意义呢？
善待你一生！
让网络基于真人的故事！
sewind_tj 发表于
个体效应是可识别但不能观测的，既然在OLS中个体效应在干扰项之中，在fe或re中，个体效应从干扰项中分离出 ...问一下哈，如果用PCSE对双向固定效应模型进行修正，是不是回归时还要保留着时间效应即 yr*呢？
这种有意义的讨论，没有人继续下去，实在很遗憾
sewind_tj 发表于
个体效应是可识别但不能观测的，既然在OLS中个体效应在干扰项之中，在fe或re中，个体效应从干扰项中分离出 ...关键是，如果个体效应与X相关，那么OLS的回归结果是有偏且不一致的（遗漏变量问题），这也是FE模型采用LSDV的原因。
stata默认的xtpcse命令计算的PSCE模型是基于OLS回归系数，没有加入个体固定效应项，只在SE上做的修正，确实不能解决上述问题。
论坛好贴推荐
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
为做大做强论坛，本站接受风险投资商咨询，请联系（010-）
邮箱：service@pinggu.org
合作咨询电话：(010)
广告合作电话：（刘老师）
投诉电话：(010)
不良信息处理电话：(010)
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师面板数据是用pooled ols 还是固定随机效应的stata操作_百度知道
面板数据是用pooled ols 还是固定随机效应的stata操作
提问者采纳
help xtreg面板数据回归的时候加个fe选项就可以做固定效应啦加个re选项就可以做随机效应啦
其他类似问题
为您推荐：
stata的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁如何理解面板数据回归中控制的地域、时间的虚拟变量？不控制会怎样？
谢邀。控制地域虚拟变量是为了控制地域一些不随时间改变的特征，比如某地区的地理位置、气候、文化等等，而时间虚拟变量是为了控制宏观环境的变化，比如每年的经济形势等等。如果不控制，可能会有遗漏变量的问题。比如你做每个地方小麦产量的回归，想要看水利设施对小麦产量的影响，那么控制地区的dummy就意味着你控制了地区的气候、土壤等随时间不变的变量，你所用的variation仅仅是地区内不同时间的差别以及地区内各组成部分（比如控制了省的变量则看的是不同市的）差别。如果你不控制地区dummy，可能南方的水利设施比较好，但是南方因为气候问题本来种小麦就少，那么你就低估了水利设施对小麦产量的影响。举一个极端的例子，用面板数据fixed effect(相当于加每个个体的dummy)与OLS、RE（不控制每个个体的dummy）的结果符号可能都是反的：clear
set more off
set obs 1000
gen x1=rnormal(0,1)
gen x2=rnormal(0,2)
gen z1=runiform()-0.5
gen z2=rchi2(1)-0.5
gen alphas=-2*(x1+x2)-(z1+z2)+runiform()-0.5
gen y1=x1*1+z1*1+alphas+rnormal(0,1)
gen y2=x2*1+z2*1+alphas+rnormal(0,1)
drop alphas
reshape long x y z, i(id) j(t)
tsset id t
reg y x z, vce(cl id)
xtreg y x z, re vce(cl id)
xtreg y x z, fe vce(cl id)
数据生产过成上面写的很清楚了。由于OLS和re忽略了个体效应，会发现估计出来的符号都反了，但是fe的结果是对的：OLS：RE:RE:FE:FE:
已有帐号？
无法登录？
社交帐号登录

我要回帖

更多关于 stata面板数据分析 的文章

 

随机推荐