Panel-data回归模型：Stata在广义时间序列的应用 pdf epub mobi txt 电子书 下载 2024

☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

　　●Panel-data回归是大量应用于经济、统计、社会和医学领域的热门分析工具，研究者不可不学。
　　●本书内容结合「理论、方法、统计」，帮助您正确、精准处理Panel-data回归模型。
　　●完整剖析各项统计分析技巧，模型建立好简单，迅速提升研究力！
　　●图解操作流程，跟着老师的指示，无痛学习STATA指令功能。
　　●本书范例结合光碟档案学习，带领读者熟悉软体及统计观念，一步一步深入分析。

　　要真正了解现代经济生活的数量关系，「统计学」、「经济理论」与「数学」皆是不可或缺。「计量经济学」便是整合了这三者，借由统计工具将经济理论付诸实际的实用学科。

　　其中，panal-data回归模型包含样本单位在某一时点上的多项特性，以及在一段时间内的连续观察。这种结合横断面与时间数列的资料型态，不仅可应用于个体、总体经济领域，更能延伸至社会科学、医学及金融领域。

　　本书利用STATA统计软体，帮助研究者正确、精准地使用panel-data回归模型。STATA功能庞大，众多内建（外挂）指令，几乎囊括SPSS、SAS、LISREL/HLM、jMulti、Gretl、AMOS、LIMDEP及Eviews的处理能力。在此则专注在STATA处理panel-data回归模型的各项统计概念及分析技巧。

　　本书各章皆有实际案例分析，配合光碟附档与书中图文指示练习，可让学习者及研究者快速熟悉STATA统计软体的操作、强化统计分析的基本功。

作者简介

张绍勋

　　学历：国立政治大学资讯管理博士
　　现任：国立彰化师大专任教授
　　经历：致理技术专任副教授

研究助理简介

张任坊

　　国立海洋大学商船系

张博一

　　国立台北大学通讯工程学系

Chapter 01 追踪资料／纵横资料(Panel-Data)

1-1 前言
1-1-1　研究设计的类型
1-1-2　各大学兴起建立Panel 资料库

1-2 回归模型之重点整理
1-2-1　简单OLS 回归模型之重点整理
1-2-2　线性：Panel 回归模型之重点整理

1-3 追踪资料(panel-data) 简介
1-3-1　横断面研究之侷限性
1-3-2　纵贯面研究的种类
1-3-3　纵贯面应用在社科研究之策略
1-3-4　Panel 回归模型的优缺点
1-3-5　追踪资料的研究议题

1-4 追踪资料(panel-data) 分析之Stata 相关指令

1-5 追踪资料(panel-data) 之基本模型
1-5-1　Panel 资料型态及其模型分类
1-5-2　追踪资料(panel-data) 模型：线性vs. 非线性模型
1-5-3a　追踪资料(panel-data) 模型认定(identify) 与假设
1-5-3b　 FE、BE、RE 三种追踪资料(panel-data) 分析原理之实例解说
1-5-4　横断面：最小平方虚拟变数(LSDV) 回归模型之实作
1-5-5　 追踪资料(panel-data) 模型认定( 固定vs. 随机效果)的进阶

1-6 线性Panel 模型
1-6-1　xtreg 指令之报表解说
1-6-2　线性Panel 模型：xtreg 指令之五种效果型态
1-6-2a　 范例：xtreg 指令之五种追踪资料(panel-data)效果型态
1-6-2b　 你该选Fixed Effects 或Random Effects 呢？用Hausman (1978) 检定来判定
1-6-3　 Two-Way 效果模型( 固定效果reg、随机／混合效果icc 指令)

1-7 追踪资料模型的效果选择(pooled OLS、固定效果、随机效果?)
1-7-1　 F 检定( 该选pooled OLS vs. 固定效果?)：「xtreg?, fe」指令
1-7-2　 Lagrange 乘数检定(pooled OLS vs. 随机效果?)：随机效果的事后指令xttest0
1-7-3　 F 检定、Lagrange 乘数(multiplier) 检定、Hausman 检定之流程
1-7-4　 该选固定效果或随机效果呢：Hausman 检定(hausman 指令)

Chapter 02 简易Panel-Data 法( 混合资料OLS 法，reg 指令)
2-1 最小平方法(OLS) 回归之假定(assumption)
2-2 不同年代妇女生育能力有变化吗？
2-3 垃圾焚烧炉的位置对房价影响
2-4 历年犯罪率(Crime Rates in North Carolina)

Chapter 03 时间序列之序列相关：线性动态模型

3-1 认识自我相关(AR)、序列相关(SC)
3-1-1　进行OLS 统计时应注意之事项
3-1-2　Longitudinal data 之序列相关
3-1-3　 干扰项(Disturbances) 带有AR(p) 结构(autoregressive of order p)
3-1-4　侦测序列相关(SC) 之方法：线性动态模型
3-1-4a　Durbin-Watson 检定法：限AR(1) 之侦测法
3-1-4b　更高阶之残差AR(p) 的检定法有三：线性动态模型

3-2 Longitudinal data 序列相关( 先bgodfrey 侦测，再newey/prais指令解决)
3-2-1　 序列相关AR(3)( 先reg、bgodfrey 侦测，再newey 指令解决)
3-2-2　 序列相关AR(4)( 先dwatson、bgodfrey再newey/prais)

3-3 更多时间序列范例：误差项具有AR ？
3-3-1　 时间序列之误差项有AR(1)( 先reg 再newey 指令修正AR1)
3-3-2　 侦测时间序列中误差项AR(3)( 先reg, bgodfrey 再newey 指令)
3-3-3　时间序列中误差项带有AR ( 先reg 再prais 指令)

3-4 Panel-data 序列相关：Wooldridge 检定(xtserial 指令)

3-5 Panel-data 回归中误差项有AR(1)
3-5-1a　自我相关检定方法一：误差带AR(1) 的xtregar 指令
3-5-1b　自我相关检定方法二：xtserial 指令
3-5-1c　自我相关检定方法三：先reg、ivreg2 再abar；直接xtabond2

3-6 Panel 残差之自我相关及残差异质性之实作步骤
3-6-1a　 混合资料(pooled) 效果模型vs. 样本平均(PA)模型谁优？
3-6-1b　单因子个体效果vs. 单因子时间效果
3-6-1c　判定固定效果或随机效果呢？ (hausman 指令)
3-6-1d　误差带AR(1) 之Panel 模型？ (xtregar 指令)
3-6-1e　 侦测Panel 误差异质性(xttest3)、自我相关(xttest2 指令)
3-6-1f　一併处理Panel 误差异质性、自我相关(xtgls 指令)

Chapter 04 误差变异之异质性(xtgls 指令为主流)

4-1 残差之变异数
4-1-1　误差变异σ2εit 的观念
4-1-2　误差变异σ2εit 的侦测法

4-2 侦测误差之异质性(Heteroskedasticity)
4-2-1　横断面OLS 回归：残差异质性诊断(hettest 指令)
4-2-2　残差异质的改善：OLS 改成Robust 回归
4-2-3　 横断面之误差异质性：需ln() 变数变换( 先reg 再whitetst 指令)
4-2-4　纵贯面之误差异质性( 先reg 再bpagan 指令)
4-2-5　 纵贯面(Longitudinal-data) 误差ARCH(先reg 再bpagan 指令)

4-3 Panel-data 误差变异σ2εit 的相依性及异质性
4-3-1　 Panel-data 相依性／同时期相关检定(先xtgls 再xttest2 指令)
4-3-2a　 侦测Panel-data 之σ2εit 异质性(方法一：先xtgls 再lrtest 指令)
4-3-2b　 异质性Panel-data 二种误差相关性(xtgls?, panels(hetero)corr(ar1) 等选项)
4-3-2c　 侦测Panel-data 之σ2εit 异质性(方法二：直接用lmhlrxt 指令)
4-3-3　 FGLS 实作Panel-data 之误差自我相关及误差异质变异(xtgls 指令)

4-4 Panel-data 有误差自我相关且异质的误差变异(xtpcse 指令)

Chapter 05 追踪资料(Panel-Data) 回归之进阶

5-1 追踪资料／纵横资料(panel-data)
5-1-1　追踪资料之回归模型(panel-data Regression Model)
5-1-2　Stata 在追踪资料(panel-data) 的应用

5-2 Panel「wide form」转成「long form」: wages 范例

5-3 长型(Long) panels
5-3-1　长型(Long) panels 特性
5-3-2　长型(Long) panels 的指令

5-4 线性panel 之六种估计法
5-4-1　混合资料OLS 法(reg 指令)
5-4-2　混合资料OLS 法(reg, vce(cluster i) 指令)
5-4-3　 混合资料OLS 法(「xtgee, corr(ar 2) vce(robust)」指令)
5-4-4　 组间之广义最小平方(Between GLS) 估计(xtreg, be 指令)
5-4-5　固定效果(or within) 之估计(xtreg, fe 指令)
5-4-6　随机效果之估计(xtreg, re 指令)
5-4-7　带有单根，一阶差分估计 (reg, vce(cluster i) 指令)
5-4-8　线性panel 各估计法之se 比较

5-5 固定效果vs. 随机效果之选择

5-6 Panel IV( 工具变数)：xtivreg 指令之一阶差分

5-7 随机系数(Random coefficients) 模型(xtrc 指令)

Chapter 06 联立方程式( 内生的共变)：工具变数及两阶段最小平方法(2SLS)

6-1 工具变数及两阶段最小平方法(2SLS)
6-1-1　进行OLS 统计分析时应注意之事项
6-1-2　工具变数(IV) 之重点整理
6-1-3　 随机解释变数X(random regressor) 与工具变数Z(instrumental variable)
6-1-4a　单一工具变数及单一内生变数：内生性检定
6-1-4b　 两阶段最小平方法回归：Wu-Hausman 内生性检定(「estat endogenous」指令)
6-1-5　为何需要多个工具变数？
6-1-6　工具变数(instrumental variables) 在教育的应用
6-1-7　两阶段回归vs. 最小平方法回归之范例

6-2 横断面／ panel：如何侦测需要工具变数呢？
6-2-1　为何「教育水准」需要多个工具变数Z 呢？
6-2-2　 横断面Hausman 检定：OLS vs. 2SLS 谁优？(hausman 指令)
6-2-3　 Panel-data Hausman-Taylor 法：需工具变数吗？(xthtaylor)
6-2-4　 横断面：双工具变数之两阶段回归(ivregress 2sls 指令)
6-2-5　 横断面：单一工具变数之二阶probit 回归(ivprobit?, twostep 指令)

6-3 Panel-data：工具变数及两阶段最小平方法(xtivreg 指令)
6-3-1　线性panel 资料进阶问题的处理：内生性／多层次
6-3-2　侦测panel 资料之内生性(xtivreg 指令)
6-3-2a　 Panel 固定效果：无工具变数xtreg vs. 有工具变数xtivreg 指令谁优？
6-3-2b　 Panel 随机效果有IV「G2SLS、EC2SLS 法」会比无IV 优吗(xtivreg 指令)
6-3-2c　 Panel-data 一阶差分之估计：两阶段回归合(xtivreg?, fd 指令)

Chapter 07 Panel-data 单根检定及共整合

7-1 时间序列：单根检定(unit root test)
7-1-1　时间序列：单根检定法之解说
7-1-2　单根检定之流程
7-1-3　认识常用的单根检定法
7-1-4　时间序列：ADF 单根检定
7-1-5　Augmented Dickey-Fuller(ADF) 单根检定法

7-2 常见panel-data 单根检定法
7-2-1　Panel-data: Levin and Lin Test (xtunitroot llc 指令)
7-2-2　Panel-data: IPS 检定(xtunitroot ips 指令)
7-2-3　Panel-data: Fisher Test 检定(xtunitroot fisher 指令)

7-3 Panel-data 单根检定之实例

7-4 时间序列之共整合分析
7-4-1　cointegration 分析步骤
7-4-2　Stata 实例：时间序列之共整合分析

7-5 Panel 共整合之解说

7-6 以误差修正为基础之panel-data 共整合检定
7-6-1　以误差修正为基础之共整合检定公式
7-6-2a　共整合检定方法一：group-mean 检定法
7-6-2b　共整合检定方法二：panel 检定法
7-6-2c　渐进检定分配(asymptotic test distribution)
7-6-2d　横断面之相依性(cross-sectional dependence)

7-7 误差修正为基础之panel-data 共整合的实证研究
7-7-1　xtwest 指令语法
7-7-2　Error-correction-based 之panel 共整合分析(xtwest 指令)

Chapter 08 非线性：计数型panel 模型

8-1 非线性panel models 之应用领域
8-1-1　非线性：Panel 回归模型之分类
8-1-2　计数型(Count) 模型：Zero-inflated Poisson 回归之解说
8-1-3　非线性：Panel 回归模型之重点整理
8-1-4　非线性panel models 的指令

8-2 非线性Panel 四种估计法
8-2-1　非线性Panel：Pooled 法或Population-averaged 估计法
8-2-2　非线性Panel：随机效果估计
8-2-3　非线性Panel：随机斜率估计
8-2-4　非线性Panel：固定效果(FE) 估计

8-3 非线性Panel：计数型(count data) 回归之范例
8-3-1　Nonlinear panel：计数型(count) 回归之各指令
8-3-2　 Count data 过度分散(over dispersed) 范例(xtsum 指令)

8-4 概似为基础(Likelihood-based) 之Count 模型各种指令的解说
8-4-1　 Panel Poisson 方法一：pooled Poisson 回归(poisson 指令)
8-4-2　 Panel Poisson 方法二：样本平均(PA)Poisson 回归(xtgee 指令)
8-4-3a　 Panel Poisson 方法三：随机效果(RE) 之gamma 随机效果(xtpoisson, re 指令)
8-4-3b　 Panel Poisson 方法四：随机效果(RE) 之normal 随机效果(xtpoisson, re 指令)
8-4-4　 Panel Poisson 方法五：固定效果(「xtpoisson, fe」、「xtpqml,fe」指令)
8-4-5　 上述五种「带cluster-robust 标准误之Poisson 估计」的比较
8-4-6　动差为基础，固定效果计数型panel (FE count panel)
8-4-7　Panel Poisson 方法六：广义动差法(GMM)
8-4-7a　横断面、线性：广义动差法(GMM) 估计
8-4-7b　 线性两阶段最小平方(ivregress 2sls)：广义动差法(GMM) 估计
8-4-7c　带Lag 项CAPM 模型：广义动差法(GMM) 的估计
8-4-7d　 带Endogenous regressor 之Poisson 模型：广义动差法(GMM)
8-4-7e　Logit Panel 模型：使用xtgee、xtlogit 指令

8-5 多层次混合(Multilevel mixed) 模型
8-5-1a　分层随机抽样
8-5-1b　侦测两个敌对模型，谁比较适配你的样本？
8-5-2a　 线性、横断面：多层次混合回归(xtmixed 指
8-5-2b　 线性、纵贯面：Mixed 或multilevel 或hierarchical model(xtmixed 指令)
8-5-2c　线性、纵贯面：多层成长模型(xtmixed 指令)
8-5-2d　 追踪(panel) 资料：多层随机截距／随机斜率模型(xtmixed 指令)
8-5-2e　 追踪(panel) 资料：三层之随机截距／随机斜率模型(xtmixed 指令)
8-5-3　 线性：广义估计方程式(GEE) 分析Panel-data(xtgee 指令)
8-5-4a　非线性：双层次混合Logistic 回归(xtmelogit 指令)
8-5-4b　非线性：三层次Logistic 回归(xtmelogit 指令)
8-5-5　 非线性计数型回归：三层次Poisson 回归(xtmepoisson 指令)
8-5-6　 异质性误差之随机截距或混合效果模型(xtmixed 指令)
8-5-7　潜在成长曲线(xtmixed+ nlcom 指令)

8-6 群聚的资料(clustered data)
8-6-1　 群聚资料之panel 模型( 指令「xtreg?, vce (cluster)」)
8-6-2　群聚资料(clustered data) 之Stata 估计
8-6-3　群聚资料(clustered data) 实作( 各种回归模型)

Chapter 09 线性：动态Panel-Data 模型

9-1 经济数学模型

9-2 线性：动态(dynamic) panel 模型
9-2-1　 线性动态panel 模型：广义动差法(xtabond、xtdpd 指令)
9-2-2a　GMM 应用于动态Panel Data 模型
9-2-2b　 线性动态panel 模型：广义动差法(xtdpdsys、gmm 指令)
9-2-3　 Arellano-Bond 线性动态panel-data 估计(xtabond 指令)
9-2-3a　Arellano-Bond 一阶差分动态模型(xtabond 指令)
9-2-3b　 比较Arellano-Bond 一阶差分动态四种模型(xtabond 指令)
9-2-4　Arellano-Bond 线性动态panel-data 估计(xtdpd 指令)

参考文献

Chapter 01 追踪资料／ 纵横资料(Panel-Data)

当你要使用本书CD 所附资料档，你可以先将资料copy 到硬碟之任一资料夹中。在Stata 画面再设定工作目录，为刚才复制的资料夹路径，即「File >Chang working directory」。例如，作者自定「D:_ 广义时间序列：追踪资料(panel-data) 分析」为工作目录。接着再选「File > Open」，开启任一「*.dta」资料档，即可进行资料分析。

1-1 前言

一、希腊字母大小写之意义
　　
在传统之统计学里，习惯上，大小写a, b, c 代表常数(constant) 或系数(coefficient)；f, g, h 代表函数；i, j, k 代表整数；小写x, y, z 代表变数；大写X, Y,　Z 代表矩阵。样本的参数( 平均数M、标准差S⋯⋯) 惯用大写英文字母；母群体样本的参数( 平均数μ、标准差σ⋯⋯) 惯用小写希腊字母。倘若这些英文字母「符号」仍不够用，统计学家会纳入希腊字母。
　　
在多变量统计、计量经济之时间序列里，由于它包含多个回归式，这多个回归「恆等式」同时求解，就叫联立方程式，又称向量回归。人们为了简化这种波动性「向量回归」的预测或共整合关系式，就改用「矩阵形式」恆等式来求该系数矩阵的特征值(Eigen value)、特征向量(Eigen vector)，进而求出「联立回归式」的解。为了统合这些代表矩阵的符号，于是，数学家就以「小写英文字」代表变数( 序列)。「大写希腊字」代表系数向量／系数矩阵(coefficientmatrix)，它是(m×n) 矩阵。「小写希腊字」代表单一系数(coefficient)。

二、何谓Panel 回归？
　　
回归分析与相关分析着重在两个或是多个变数之间的线性关系。一般来说在此两种分析模型当中，我们通常会利用自变数x 来预测依变数y，而在时间序列分析当中，通常会把时间当作是自变数来分析依变数，亦即探讨依变数y 在不同时间点的变化，并且利用过去依照时间排列的数据来预测未来的资讯。此类数据即为一时间序列，时间序列的分析则着重于研究数据序列的相互依赖关系。时间序列的资料在经过分析之后，借由了解其相互关系来发展出适合的预测模型。

None

Panel-data回归模型：Stata在广义时间序列的应用 电子书 下载 mobi epub pdf txt 2024

类似图书 点击查看全场最低价

查看全网最低价