Panel-data迴歸模型：Stata在廣義時間序列的應用 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• 計量經濟學
• 麵闆數據
• Stata
• 時間序列
• 迴歸分析
• 固定效應
• 隨機效應
• 廣義時間序列
• 經濟分析
• 數據分析
• 統計建模

　　●Panel-data迴歸是大量應用於經濟、統計、社會和醫學領域的熱門分析工具，研究者不可不學。
　　●本書內容結閤「理論、方法、統計」，幫助您正確、精準處理Panel-data迴歸模型。
　　●完整剖析各項統計分析技巧，模型建立好簡單，迅速提升研究力！
　　●圖解操作流程，跟著老師的指示，無痛學習STATA指令功能。
　　●本書範例結閤光碟檔案學習，帶領讀者熟悉軟體及統計觀念，一步一步深入分析。

　　要真正瞭解現代經濟生活的數量關係，「統計學」、「經濟理論」與「數學」皆是不可或缺。「計量經濟學」便是整閤瞭這三者，藉由統計工具將經濟理論付諸實際的實用學科。

　　其中，panal-data迴歸模型包含樣本單位在某一時點上的多項特性，以及在一段時間內的連續觀察。這種結閤橫斷麵與時間數列的資料型態，不僅可應用於個體、總體經濟領域，更能延伸至社會科學、醫學及金融領域。

　　本書利用STATA統計軟體，幫助研究者正確、精準地使用panel-data迴歸模型。STATA功能龐大，眾多內建（外掛）指令，幾乎囊括SPSS、SAS、LISREL/HLM、jMulti、Gretl、AMOS、LIMDEP及Eviews的處理能力。在此則專注在STATA處理panel-data迴歸模型的各項統計概念及分析技巧。

　　本書各章皆有實際案例分析，配閤光碟附檔與書中圖文指示練習，可讓學習者及研究者快速熟悉STATA統計軟體的操作、強化統計分析的基本功。

Panel-data迴歸模型：Stata在廣義時間序列的應用 導言：駕馭復雜經濟數據的利器 在經濟學、金融學、社會學乃至許多自然科學領域，研究者麵對的數據往往具有多維度、多層次的復雜結構。傳統的截麵數據分析或單一時間序列分析難以充分捕捉數據中蘊含的異質性和動態關聯。麵闆數據（Panel Data），作為同時包含個體維度（如國傢、企業、個人）和時間維度（如年份、季度、月份）的數據結構，為我們提供瞭一個更豐富、更精細的視角來審視因果關係和結構效應。 本書《Panel-data迴歸模型：Stata在廣義時間序列的應用》並非專注於麵闆數據本身的理論構建，而是緻力於提供一個全麵、實用的操作指南，重點闡述如何運用業界領先的統計軟件Stata，在處理具有時間序列特性的麵闆數據時，有效地實施和解釋復雜的迴歸模型。本書旨在跨越理論與實踐之間的鴻溝，使讀者能夠熟練地駕馭那些看似棘手的廣義時間序列問題，從而得齣穩健且具有解釋力的研究結論。 第一部分：麵闆數據基礎與Stata環境搭建 本部分將為讀者打下堅實的基礎，確保讀者能夠正確地理解麵闆數據的結構，並熟練地在Stata環境中進行數據準備和管理。 1. 麵闆數據結構解析與Stata基礎命令 我們將從最基本的層麵探討麵闆數據的結構特點，區分橫截麵（Cross-section）、時間序列（Time Series）以及麵闆數據（Panel Data）的差異。重點介紹Stata中用於定義和識彆麵闆的關鍵命令，如`xtset`和`tsset`。理解如何正確設置“個體標識符”和“時間標識符”是後續所有分析的前提。 2. 數據處理與初步探索 在進行任何復雜迴歸之前，數據清洗和預處理至關重要。本部分將詳述Stata中處理缺失值、異常值的方法，並介紹如何進行麵闆數據的閤並、重塑（`reshape`命令的靈活運用）。同時，我們將展示如何利用圖形化工具（如`xtline`或`twoway scatter`結閤`by`選項）對麵闆數據進行初步的探索性分析（EDA），初步觀察個體間的差異和時間趨勢的共性與異性。 第二部分：經典麵闆模型及其Stata實現 本部分是全書的核心，詳細介紹瞭處理麵闆數據時最常用且最基礎的估計方法，並強調Stata在這些方法中的具體實現細節。 3. 混閤效應模型（Pooled OLS）與檢驗 首先介紹最簡單的處理方式——假定所有個體間無顯著差異的混閤迴歸模型（Pooled OLS）。隨後，我們將引入關鍵的檢驗步驟，即如何使用`xttest1`或F檢驗來判斷是否存在個體異質性，為後續更復雜的模型選擇提供依據。 4. 固定效應模型（Fixed Effects, FE）與個體異質性處理 固定效應模型是麵闆數據分析的基石，它能有效控製不隨時間變化的個體特定效應。本章將深入講解FE模型的兩種實現方式：一是通過“虛擬變量法”（LSDV）展示其直觀性；二是通過“去均值法”（Within Transformation）展示其效率和理論基礎。重點介紹如何使用`xtreg, fe`命令，以及如何利用`estat`命令提取和檢驗個體效應的顯著性。 5. 隨機效應模型（Random Effects, RE）與有效性假設 隨機效應模型假設個體效應是隨機擾動項的一部分。本部分將闡述RE模型的理論基礎，並詳細介紹Stata中的`xtreg, re`命令。 6. 固定效應與隨機效應的選擇：Hausman檢驗 模型選擇的科學性至關重要。本章將詳述Hausman檢驗的原理，即檢驗個體效應是否與解釋變量相關。我們將演示如何在Stata中使用`xtreg`配閤`hausman`命令進行嚴謹的比較，並討論當檢驗結果不理想時（例如，模型設定無效或存在序列相關）的應對策略。 第三部分：廣義時間序列的挑戰與高級應用 本部分著眼於麵闆數據的時間序列特性，探討如何處理時間序列模型中常見的內生性、自相關、異方差等“廣義時間序列”問題。 7. 麵闆數據中的序列相關與異方差處理 當麵闆數據同時存在截麵相關的異方差和時間序列的自相關時，標準的OLS估計將失效。本章將重點介紹如何使用穩健標準誤（Robust Standard Errors）來應對截麵相關的異方差（使用`vce(cluster group)`）。更進一步，我們將探討如何在FE或RE框架下處理序列自相關，介紹使用FGLS（Feasible Generalized Least Squares）或Newey-West修正的標準誤在麵闆數據中的應用場景。 8. 動態麵闆模型：處理滯後效應與內生性 在許多經濟學問題中，被解釋變量的滯後項會作為解釋變量齣現在模型中，這直接導緻瞭“動態麵闆偏誤”。本章將係統介紹處理這類問題的核心方法——廣義矩估計（GMM）。重點講解如何運用Arellano-Bond（差分GMM）和Blundell-Bond（係統GMM）估計器。我們將詳述工具變量的選擇、滯後階數的設定（基於Arellano-Bond檢驗和Sargan/Hansen檢驗），並指導讀者如何在Stata中正確使用`xtabond`命令。 9. 麵闆數據的協整與長期關係 對於非平穩的時間序列數據，麵闆數據的協整分析提供瞭檢驗長期均衡關係的強大工具。本部分將介紹麵闆單位根檢驗（如Im-Pesaran-Shin檢驗）和麵闆協整檢驗（如Pedroni檢驗）。最後，我們將展示如何在Stata中實現麵闆嚮量自迴歸（PVAR）或麵闆誤差修正模型（PEM），以揭示短期動態調整與長期均衡關係。 第四部分：特定問題與模型拓展 本部分將拓展到一些在實際研究中經常遇到的特定情境和更前沿的模型應用。 10. 異質性與非綫性：混閤效應模型與Logit/Probit 當被解釋變量為二元或計數變量時，傳統的綫性模型不再適用。本章將介紹麵闆Logit和Probit模型（如Fixed Effects Logit），並討論在Stata中如何估計和解釋這些非綫性模型的參數。同時，也將探討如何使用隨機係數模型來捕捉個體間迴歸係數的異質性。 11. 空間麵闆模型簡介（作為拓展） 鑒於地理和空間因素在許多領域的重要性，本部分將對空間計量模型的概念進行簡要介紹，特彆是如何在麵闆數據框架下引入空間滯後或空間誤差項，並簡要介紹相關的Stata命令（如`spml`或第三方命令）的應用前景。 結語：從數據到洞察 本書旨在提供一個從基礎操作到高級模型應用的完整藍圖。掌握麵闆數據分析的關鍵在於理解模型背後的經濟學邏輯，並能根據數據自身的特性——尤其是其廣義時間序列的性質——選擇最閤適的Stata工具進行估計和檢驗。通過對本書內容的學習和實踐，讀者將能夠自信地處理復雜的麵闆數據，有效規避常見的統計陷阱，最終將原始數據轉化為具有說服力的實證洞察。

作者簡介

張紹勛

　　學曆：國立政治大學資訊管理博士
　　現任：國立彰化師大專任教授
　　經曆：緻理技術專任副教授

研究助理簡介

張任坊

　　國立海洋大學商船係

張博一

　　國立颱北大學通訊工程學係

Chapter 01 追蹤資料／縱橫資料(Panel-Data)

1-1 前言
1-1-1　研究設計的類型
1-1-2　各大學興起建立Panel 資料庫

1-2 迴歸模型之重點整理
1-2-1　簡單OLS 迴歸模型之重點整理
1-2-2　綫性：Panel 迴歸模型之重點整理

1-3 追蹤資料(panel-data) 簡介
1-3-1　橫斷麵研究之侷限性
1-3-2　縱貫麵研究的種類
1-3-3　縱貫麵應用在社科研究之策略
1-3-4　Panel 迴歸模型的優缺點
1-3-5　追蹤資料的研究議題

1-4 追蹤資料(panel-data) 分析之Stata 相關指令

1-5 追蹤資料(panel-data) 之基本模型
1-5-1　Panel 資料型態及其模型分類
1-5-2　追蹤資料(panel-data) 模型：綫性vs. 非綫性模型
1-5-3a　追蹤資料(panel-data) 模型認定(identify) 與假設
1-5-3b　 FE、BE、RE 三種追蹤資料(panel-data) 分析原理之實例解說
1-5-4　橫斷麵：最小平方虛擬變數(LSDV) 迴歸模型之實作
1-5-5　 追蹤資料(panel-data) 模型認定( 固定vs. 隨機效果)的進階

1-6 綫性Panel 模型
1-6-1　xtreg 指令之報錶解說
1-6-2　綫性Panel 模型：xtreg 指令之五種效果型態
1-6-2a　 範例：xtreg 指令之五種追蹤資料(panel-data)效果型態
1-6-2b　 你該選Fixed Effects 或Random Effects 呢？用Hausman (1978) 檢定來判定
1-6-3　 Two-Way 效果模型( 固定效果reg、隨機／混閤效果icc 指令)

1-7 追蹤資料模型的效果選擇(pooled OLS、固定效果、隨機效果?)
1-7-1　 F 檢定( 該選pooled OLS vs. 固定效果?)：「xtreg?, fe」指令
1-7-2　 Lagrange 乘數檢定(pooled OLS vs. 隨機效果?)：隨機效果的事後指令xttest0
1-7-3　 F 檢定、Lagrange 乘數(multiplier) 檢定、Hausman 檢定之流程
1-7-4　 該選固定效果或隨機效果呢：Hausman 檢定(hausman 指令)

Chapter 02 簡易Panel-Data 法( 混閤資料OLS 法，reg 指令)
2-1 最小平方法(OLS) 迴歸之假定(assumption)
2-2 不同年代婦女生育能力有變化嗎？
2-3 垃圾焚燒爐的位置對房價影響
2-4 曆年犯罪率(Crime Rates in North Carolina)

Chapter 03 時間序列之序列相關：綫性動態模型

3-1 認識自我相關(AR)、序列相關(SC)
3-1-1　進行OLS 統計時應注意之事項
3-1-2　Longitudinal data 之序列相關
3-1-3　 乾擾項(Disturbances) 帶有AR(p) 結構(autoregressive of order p)
3-1-4　偵測序列相關(SC) 之方法：綫性動態模型
3-1-4a　Durbin-Watson 檢定法：限AR(1) 之偵測法
3-1-4b　更高階之殘差AR(p) 的檢定法有三：綫性動態模型

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

3-3 更多時間序列範例：誤差項具有AR ？
3-3-1　 時間序列之誤差項有AR(1)( 先reg 再newey 指令修正AR1)
3-3-2　 偵測時間序列中誤差項AR(3)( 先reg, bgodfrey 再newey 指令)
3-3-3　時間序列中誤差項帶有AR ( 先reg 再prais 指令)

3-4 Panel-data 序列相關：Wooldridge 檢定(xtserial 指令)

3-5 Panel-data 迴歸中誤差項有AR(1)
3-5-1a　自我相關檢定方法一：誤差帶AR(1) 的xtregar 指令
3-5-1b　自我相關檢定方法二：xtserial 指令
3-5-1c　自我相關檢定方法三：先reg、ivreg2 再abar；直接xtabond2

3-6 Panel 殘差之自我相關及殘差異質性之實作步驟
3-6-1a　 混閤資料(pooled) 效果模型vs. 樣本平均(PA)模型誰優？
3-6-1b　單因子個體效果vs. 單因子時間效果
3-6-1c　判定固定效果或隨機效果呢？ (hausman 指令)
3-6-1d　誤差帶AR(1) 之Panel 模型？ (xtregar 指令)
3-6-1e　 偵測Panel 誤差異質性(xttest3)、自我相關(xttest2 指令)
3-6-1f　一併處理Panel 誤差異質性、自我相關(xtgls 指令)

Chapter 04 誤差變異之異質性(xtgls 指令為主流)

4-1 殘差之變異數
4-1-1　誤差變異σ2εit 的觀念
4-1-2　誤差變異σ2εit 的偵測法

4-2 偵測誤差之異質性(Heteroskedasticity)
4-2-1　橫斷麵OLS 迴歸：殘差異質性診斷(hettest 指令)
4-2-2　殘差異質的改善：OLS 改成Robust 迴歸
4-2-3　 橫斷麵之誤差異質性：需ln() 變數變換( 先reg 再whitetst 指令)
4-2-4　縱貫麵之誤差異質性( 先reg 再bpagan 指令)
4-2-5　 縱貫麵(Longitudinal-data) 誤差ARCH(先reg 再bpagan 指令)

4-3 Panel-data 誤差變異σ2εit 的相依性及異質性
4-3-1　 Panel-data 相依性／同時期相關檢定(先xtgls 再xttest2 指令)
4-3-2a　 偵測Panel-data 之σ2εit 異質性(方法一：先xtgls 再lrtest 指令)
4-3-2b　 異質性Panel-data 二種誤差相關性(xtgls?, panels(hetero)corr(ar1) 等選項)
4-3-2c　 偵測Panel-data 之σ2εit 異質性(方法二：直接用lmhlrxt 指令)
4-3-3　 FGLS 實作Panel-data 之誤差自我相關及誤差異質變異(xtgls 指令)

4-4 Panel-data 有誤差自我相關且異質的誤差變異(xtpcse 指令)

Chapter 05 追蹤資料(Panel-Data) 迴歸之進階

5-1 追蹤資料／縱橫資料(panel-data)
5-1-1　追蹤資料之迴歸模型(panel-data Regression Model)
5-1-2　Stata 在追蹤資料(panel-data) 的應用

5-2 Panel「wide form」轉成「long form」: wages 範例

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

5-4 綫性panel 之六種估計法
5-4-1　混閤資料OLS 法(reg 指令)
5-4-2　混閤資料OLS 法(reg, vce(cluster i) 指令)
5-4-3　 混閤資料OLS 法(「xtgee, corr(ar 2) vce(robust)」指令)
5-4-4　 組間之廣義最小平方(Between GLS) 估計(xtreg, be 指令)
5-4-5　固定效果(or within) 之估計(xtreg, fe 指令)
5-4-6　隨機效果之估計(xtreg, re 指令)
5-4-7　帶有單根，一階差分估計 (reg, vce(cluster i) 指令)
5-4-8　綫性panel 各估計法之se 比較

5-5 固定效果vs. 隨機效果之選擇

5-6 Panel IV( 工具變數)：xtivreg 指令之一階差分

5-7 隨機係數(Random coefficients) 模型(xtrc 指令)

Chapter 06 聯立方程式( 內生的共變)：工具變數及兩階段最小平方法(2SLS)

6-1 工具變數及兩階段最小平方法(2SLS)
6-1-1　進行OLS 統計分析時應注意之事項
6-1-2　工具變數(IV) 之重點整理
6-1-3　 隨機解釋變數X(random regressor) 與工具變數Z(instrumental variable)
6-1-4a　單一工具變數及單一內生變數：內生性檢定
6-1-4b　 兩階段最小平方法迴歸：Wu-Hausman 內生性檢定(「estat endogenous」指令)
6-1-5　為何需要多個工具變數？
6-1-6　工具變數(instrumental variables) 在教育的應用
6-1-7　兩階段迴歸vs. 最小平方法迴歸之範例

6-2 橫斷麵／ panel：如何偵測需要工具變數呢？
6-2-1　為何「教育水準」需要多個工具變數Z 呢？
6-2-2　 橫斷麵Hausman 檢定：OLS vs. 2SLS 誰優？(hausman 指令)
6-2-3　 Panel-data Hausman-Taylor 法：需工具變數嗎？(xthtaylor)
6-2-4　 橫斷麵：雙工具變數之兩階段迴歸(ivregress 2sls 指令)
6-2-5　 橫斷麵：單一工具變數之二階probit 迴歸(ivprobit?, twostep 指令)

6-3 Panel-data：工具變數及兩階段最小平方法(xtivreg 指令)
6-3-1　綫性panel 資料進階問題的處理：內生性／多層次
6-3-2　偵測panel 資料之內生性(xtivreg 指令)
6-3-2a　 Panel 固定效果：無工具變數xtreg vs. 有工具變數xtivreg 指令誰優？
6-3-2b　 Panel 隨機效果有IV「G2SLS、EC2SLS 法」會比無IV 優嗎(xtivreg 指令)
6-3-2c　 Panel-data 一階差分之估計：兩階段迴歸閤(xtivreg?, fd 指令)

Chapter 07 Panel-data 單根檢定及共整閤

7-1 時間序列：單根檢定(unit root test)
7-1-1　時間序列：單根檢定法之解說
7-1-2　單根檢定之流程
7-1-3　認識常用的單根檢定法
7-1-4　時間序列：ADF 單根檢定
7-1-5　Augmented Dickey-Fuller(ADF) 單根檢定法

7-2 常見panel-data 單根檢定法
7-2-1　Panel-data: Levin and Lin Test (xtunitroot llc 指令)
7-2-2　Panel-data: IPS 檢定(xtunitroot ips 指令)
7-2-3　Panel-data: Fisher Test 檢定(xtunitroot fisher 指令)

7-3 Panel-data 單根檢定之實例

7-4 時間序列之共整閤分析
7-4-1　cointegration 分析步驟
7-4-2　Stata 實例：時間序列之共整閤分析

7-5 Panel 共整閤之解說

7-6 以誤差修正為基礎之panel-data 共整閤檢定
7-6-1　以誤差修正為基礎之共整閤檢定公式
7-6-2a　共整閤檢定方法一：group-mean 檢定法
7-6-2b　共整閤檢定方法二：panel 檢定法
7-6-2c　漸進檢定分配(asymptotic test distribution)
7-6-2d　橫斷麵之相依性(cross-sectional dependence)

7-7 誤差修正為基礎之panel-data 共整閤的實證研究
7-7-1　xtwest 指令語法
7-7-2　Error-correction-based 之panel 共整閤分析(xtwest 指令)

Chapter 08 非綫性：計數型panel 模型

8-1 非綫性panel models 之應用領域
8-1-1　非綫性：Panel 迴歸模型之分類
8-1-2　計數型(Count) 模型：Zero-inflated Poisson 迴歸之解說
8-1-3　非綫性：Panel 迴歸模型之重點整理
8-1-4　非綫性panel models 的指令

8-2 非綫性Panel 四種估計法
8-2-1　非綫性Panel：Pooled 法或Population-averaged 估計法
8-2-2　非綫性Panel：隨機效果估計
8-2-3　非綫性Panel：隨機斜率估計
8-2-4　非綫性Panel：固定效果(FE) 估計

8-3 非綫性Panel：計數型(count data) 迴歸之範例
8-3-1　Nonlinear panel：計數型(count) 迴歸之各指令
8-3-2　 Count data 過度分散(over dispersed) 範例(xtsum 指令)

8-4 概似為基礎(Likelihood-based) 之Count 模型各種指令的解說
8-4-1　 Panel Poisson 方法一：pooled Poisson 迴歸(poisson 指令)
8-4-2　 Panel Poisson 方法二：樣本平均(PA)Poisson 迴歸(xtgee 指令)
8-4-3a　 Panel Poisson 方法三：隨機效果(RE) 之gamma 隨機效果(xtpoisson, re 指令)
8-4-3b　 Panel Poisson 方法四：隨機效果(RE) 之normal 隨機效果(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　 上述五種「帶cluster-robust 標準誤之Poisson 估計」的比較
8-4-6　動差為基礎，固定效果計數型panel (FE count panel)
8-4-7　Panel Poisson 方法六：廣義動差法(GMM)
8-4-7a　橫斷麵、綫性：廣義動差法(GMM) 估計
8-4-7b　 綫性兩階段最小平方(ivregress 2sls)：廣義動差法(GMM) 估計
8-4-7c　帶Lag 項CAPM 模型：廣義動差法(GMM) 的估計
8-4-7d　 帶Endogenous regressor 之Poisson 模型：廣義動差法(GMM)
8-4-7e　Logit Panel 模型：使用xtgee、xtlogit 指令

8-5 多層次混閤(Multilevel mixed) 模型
8-5-1a　分層隨機抽樣
8-5-1b　偵測兩個敵對模型，誰比較適配你的樣本？
8-5-2a　 綫性、橫斷麵：多層次混閤迴歸(xtmixed 指
8-5-2b　 綫性、縱貫麵：Mixed 或multilevel 或hierarchical model(xtmixed 指令)
8-5-2c　綫性、縱貫麵：多層成長模型(xtmixed 指令)
8-5-2d　 追蹤(panel) 資料：多層隨機截距／隨機斜率模型(xtmixed 指令)
8-5-2e　 追蹤(panel) 資料：三層之隨機截距／隨機斜率模型(xtmixed 指令)
8-5-3　 綫性：廣義估計方程式(GEE) 分析Panel-data(xtgee 指令)
8-5-4a　非綫性：雙層次混閤Logistic 迴歸(xtmelogit 指令)
8-5-4b　非綫性：三層次Logistic 迴歸(xtmelogit 指令)
8-5-5　 非綫性計數型迴歸：三層次Poisson 迴歸(xtmepoisson 指令)
8-5-6　 異質性誤差之隨機截距或混閤效果模型(xtmixed 指令)
8-5-7　潛在成長麯綫(xtmixed+ nlcom 指令)

8-6 群聚的資料(clustered data)
8-6-1　 群聚資料之panel 模型( 指令「xtreg?, vce (cluster)」)
8-6-2　群聚資料(clustered data) 之Stata 估計
8-6-3　群聚資料(clustered data) 實作( 各種迴歸模型)

Chapter 09 綫性：動態Panel-Data 模型

9-1 經濟數學模型

9-2 綫性：動態(dynamic) panel 模型
9-2-1　 綫性動態panel 模型：廣義動差法(xtabond、xtdpd 指令)
9-2-2a　GMM 應用於動態Panel Data 模型
9-2-2b　 綫性動態panel 模型：廣義動差法(xtdpdsys、gmm 指令)
9-2-3　 Arellano-Bond 綫性動態panel-data 估計(xtabond 指令)
9-2-3a　Arellano-Bond 一階差分動態模型(xtabond 指令)
9-2-3b　 比較Arellano-Bond 一階差分動態四種模型(xtabond 指令)
9-2-4　Arellano-Bond 綫性動態panel-data 估計(xtdpd 指令)

參考文獻

Chapter 01 追蹤資料／ 縱橫資料(Panel-Data)

當你要使用本書CD 所附資料檔，你可以先將資料copy 到硬碟之任一資料夾中。在Stata 畫麵再設定工作目錄，為剛纔復製的資料夾路徑，即「File >Chang working directory」。例如，作者自定「D:_ 廣義時間序列：追蹤資料(panel-data) 分析」為工作目錄。接著再選「File > Open」，開啓任一「*.dta」資料檔，即可進行資料分析。

1-1 前言

一、希臘字母大小寫之意義
　　
在傳統之統計學裏，習慣上，大小寫a, b, c 代錶常數(constant) 或係數(coefficient)；f, g, h 代錶函數；i, j, k 代錶整數；小寫x, y, z 代錶變數；大寫X, Y,　Z 代錶矩陣。樣本的參數( 平均數M、標準差S⋯⋯) 慣用大寫英文字母；母群體樣本的參數( 平均數μ、標準差σ⋯⋯) 慣用小寫希臘字母。倘若這些英文字母「符號」仍不夠用，統計學傢會納入希臘字母。
　　
在多變量統計、計量經濟之時間序列裏，由於它包含多個迴歸式，這多個迴歸「恆等式」同時求解，就叫聯立方程式，又稱嚮量迴歸。人們為瞭簡化這種波動性「嚮量迴歸」的預測或共整閤關係式，就改用「矩陣形式」恆等式來求該係數矩陣的特徵值(Eigen value)、特徵嚮量(Eigen vector)，進而求齣「聯立迴歸式」的解。為瞭統閤這些代錶矩陣的符號，於是，數學傢就以「小寫英文字」代錶變數( 序列)。「大寫希臘字」代錶係數嚮量／係數矩陣(coefficientmatrix)，它是(m×n) 矩陣。「小寫希臘字」代錶單一係數(coefficient)。

二、何謂Panel 迴歸？
　　
迴歸分析與相關分析著重在兩個或是多個變數之間的綫性關係。一般來說在此兩種分析模型當中，我們通常會利用自變數x 來預測依變數y，而在時間序列分析當中，通常會把時間當作是自變數來分析依變數，亦即探討依變數y 在不同時間點的變化，並且利用過去依照時間排列的數據來預測未來的資訊。此類數據即為一時間序列，時間序列的分析則著重於研究數據序列的相互依賴關係。時間序列的資料在經過分析之後，藉由瞭解其相互關係來發展齣適閤的預測模型。

评分☆☆☆☆☆

這本《Panel-data迴歸模型：Stata在廣義時間序列的應用》的齣現，對我來說簡直是及時雨！我一直以來在研究中都麵臨一個睏境，就是如何有效地結閤麵闆數據的多維信息和時間序列的動態演化特性。傳統的麵闆數據模型固然重要，但很多經濟現象，特彆是金融領域的，其背後往往隱藏著復雜的序列相關性和異方差性，而這些正是廣義時間序列模型所擅長處理的。我曾嘗試閱讀一些專門討論廣義時間序列模型或者麵闆數據模型的書籍，但總覺得它們之間缺乏一個有機的聯係，難以形成一個完整的分析框架。這本新書的標題就直接點明瞭主題，讓我看到瞭希望。聽說書中不僅會深入淺齣地講解麵闆數據模型和廣義時間序列模型的理論，更重要的是，會詳細介紹如何在 Stata 這一強大的計量軟件平颱上實現這些模型的估計和檢驗。我非常期待書中關於如何利用 Stata 的各種命令，來構建和分析動態麵闆模型、具有序列相關性的麵闆模型，甚至是麵闆 GARCH 模型等。這樣的實踐指導，對於我們這些在實際研究中需要大量數據處理和模型分析的研究者來說，是彌足珍貴的。

评分☆☆☆☆☆

這本《Panel-data迴歸模型：Stata在廣義時間序列的應用》真是解開瞭我長久以來的疑惑！作為一名在學術界摸爬滾打多年的研究者，我一直覺得麵闆數據分析跟廣義時間序列模型是兩個獨立但又息息相關的領域，卻很難找到一本既能係統講解麵闆數據模型，又能深入剖析其在廣義時間序列模型中應用的專著。這迴終於碰上這本寶藏瞭！打開書的目錄，看到“麵闆數據模型基礎”、“廣義時間序列模型的理論框架”、“麵闆數據在廣義時間序列中的應用”這幾個大篇章，我就知道我的投資值瞭。特彆是“麵闆數據在廣義時間序列中的應用”這部分，聽說會涵蓋 GARCH、ARCH、ARIMA 等模型在麵闆數據上的拓展，以及如何用 Stata 實際操作，這簡直是為我們這些想把理論知識轉化為實戰能力的讀者量身定做的。我平常做研究，數據經常是多維度、跨時間的，麵闆數據是最適閤不過的瞭，但有時候又需要考慮序列相關的特性，比如金融市場的高波動性，這時候廣義時間序列模型就派上用場瞭。這本書的齣現，無疑為我提供瞭一個強大的理論與實踐的橋梁，期待能通過它，讓我的研究更上一層樓！

评分☆☆☆☆☆

我是一名對計量經濟學充滿熱情的在讀博士生，在我的研究領域，數據往往具有時間和空間的雙重維度，而且時間序列的動態特徵對於理解經濟現象至關重要。長期以來，我一直在尋找一本能夠係統梳理麵闆數據模型與廣義時間序列模型之間聯係，並且提供實用操作指導的書籍。這本《Panel-data迴歸模型：Stata在廣義時間序列的應用》的問世，無疑滿足瞭我的迫切需求。從書名就可以看齣，它精準地捕捉瞭當前計量研究的前沿方嚮，將兩個關鍵領域融閤在一起，並以 Stata 這一業界廣泛使用的軟件為工具，這簡直是為我們提供瞭完整的解決方案。我尤其關注書中對“廣義時間序列”的定義和在麵闆數據情境下的拓展，比如如何處理麵闆中的自相關、異方差等問題，以及是否存在針對這些問題的特定模型和 Stata 命令。我相信，通過研讀這本書，我不僅能深化對麵闆數據模型和廣義時間序列模型理論的理解，更能掌握在 Stata 中進行實際操作的技巧，從而為我的論文研究注入新的活力和深度。

评分☆☆☆☆☆

這本《Panel-data迴歸模型：Stata在廣義時間序列的應用》絕對是為那些渴望在計量經濟學領域深入鑽研的讀者量身打造的。我曾接觸過一些關於麵闆數據分析的教材，也學習過一些時間序列的經典模型，但總覺得它們各自為政，難以將兩者的精髓融會貫通，尤其是在麵對實際的、復雜的經濟數據時，往往顯得力不從心。這本書的齣現，恰好彌補瞭這一遺憾。它不僅理論紮實，而且非常注重實踐操作。我知道，很多時候，理論上的模型再完美，如果不能在具體的軟件中實現，或者實現過程中遇到各種問題無法解決，那也隻是紙上談兵。這本書以 Stata 為平颱，詳細講解如何在麵闆數據框架下應用廣義時間序列模型，這對於我們這些需要將理論轉化為實際研究成果的研究者來說，簡直是福音。我期待看到書中關於如何處理麵闆數據中常見的異質性、序列相關性以及如何選擇和估計閤適的廣義時間序列模型（例如 GARCH、EGARCH 等）的 Stata 實現方法，相信這會極大地提升我的研究效率和深度。

评分☆☆☆☆☆

坦白說，剛拿到這本《Panel-data迴歸模型：Stata在廣義時間序列的應用》，我第一反應是“會不會太理論化，或者太難上手？”畢竟，麵闆數據和時間序列模型本身就是計量經濟學中比較進階的部分，再加上 Stata 這個工具，對於初學者來說，門檻確實不低。然而，翻開第一頁，我驚喜地發現，作者在理論講解上，並沒有一味地堆砌公式，而是通過清晰的邏輯鏈條和生動的案例，將復雜的概念層層剝開。比如，在講解固定效應和隨機效應模型時，他不僅交代瞭理論的推導，還通過 Stata 的命令示例，直觀地展示瞭模型的選擇過程和結果解讀。更讓我驚喜的是，書中關於廣義時間序列模型的部分，並沒有止步於理論，而是重點放在瞭如何將其與麵闆數據相結閤，以及在 Stata 中如何實現。我知道，很多時間序列模型在麵對麵闆數據時，會麵臨一些挑戰，比如個體異質性、序列相關性等問題，而這本書似乎就專門針對這些痛點，給齣瞭係統的解決方案。尤其是聽到裏麵包含瞭如何在 Stata 中處理一些復雜的廣義時間序列麵闆模型，我簡直迫不及待想立刻開始學習！