做面板数据分位数回归模型_面板数据向量自回归模型
該命令主要包括如下內容
help pvarhelp?pvarfevdhelp?pvargrangerhelp pvarirfhelp pvarsochelp pvarstable2面板向量自回歸PVAR配套命令簡介1、PVAR命令
pvar估計面板向量自回歸模型，通過擬合各因變量對其自身、所有其他因變量和外生變量(如果有的話)的滯后的多元面板回歸。采用廣義矩法(GMM)進行估計。命令語法格式為：
pvar depvarlist [if] [in] [, options]語法選項為：
lags(#) ：定義pvar模型的最大滯后期，默認滯后期為1
exog(varlist) ：表示定義在PVAR模型中的內生變量列表
fod and fd：用來指定如何消除面板的固定效果。fod指定使用正向正交偏差或Helmert變換來消除面板固定效應，fod是默認選項。fd規定了使用一階差分而不是正向正交偏差來消除特定于面板的固定效應。
td：表示減去模型中每個變量在估計之前的橫截面均值。這可以用于在任何其他轉換之前從所有變量中刪除固定時間的效果。
gmmstyle指定使用Holtz-Eakin、Newey和Rosen(1988)提出的“GMM-style”工具。
gmmopts(options)覆蓋pvar運行的默認gmm選項。可以使用depvarlist中的變量名作為方程名分別訪問模型中的每個方程。
vce(vcetype[， independent])指定報告的標準誤差類型
overid指定要報告Hansen的J統計量的過度識別限制。此選項僅對過度識別的系統可用。
level(#)指定用于報告置信區間的置信水平(以百分比表示)。默認值是level(95)或按set level設置。
noprint：不匯報系數表
2、pvarsoc
pvarsoc提供各種簡要措施，以幫助面板VAR模型的選擇。它報告了模型總體決定系數，Hansen (1982) J統計量和相應的p值，以及Andrews和Lu(2001)基于J統計量制定的彎矩模型選擇準則。Andrew和Lu的準則都是基于Hansen’s J統計量，它要求模型中的moment conditions數量大于內生變量的數量。
pvarsoc depvarlist [if] [in] [, options語法選項為：
maxlag(#)指定獲得統計信息的最大滯后順序。
pinstlag(numlist) specifies that the numlist-th lag from the highest lag order of depvarlist specified in the panel VAR model implemented using pvar be used. This option cannot be specified with the option
pvaropts(instlag(numlist)). pvaropts(options) passes arguments to pvar. All arguments specified in options are passed to and used by pvar in estimation.
3、pvargranger
pvargranger對面板VAR模型的每個方程進行Granger causality Wald tests.
pvargranger [, estimates(estname)]estimate (estname)請求pvargranger使用之前獲得的一組保存為estname的面板VAR估計。默認情況下，pvargranger使用活動(即最新)結果。
4、pvarstable
后估計命令pvarstable通過計算估計模型各特征值的向量來檢查面板VAR估計的穩定性條件。Lutkepohl(2005)和Hamilton(1994)都表明，如果所有的伴隨矩陣的向量都嚴格小于1，則VAR模型是穩定的。穩定性為估計脈沖響應函數和預測誤差方差分解提供了已知的解釋。
pvarstable [, options]5、pvarirf
后估計命令pvarirf計算并繪制脈沖響應函數(IRF)。根據蒙特卡羅估計的面板VAR模型，采用高斯逼近的方法估計置信度。正交化的IRF基于Cholesky分解，累積的IRF也可以使用pvarirf計算。
pvarirf [, options]3面板向量自回歸PVAR操作應用案例介紹1：
我們通過分析年工作時間和小時收入之間的關系來說明pvar命令集的使用，Holtz-Eakin, Newey和Rosen(1988)在他們關于面板向量自回歸的開創性論文中分析了這一關系。為了將我們的新程序與Stata內置的var命令集進行比較，我們還將新的pvar命令集應用于Lutkephol(1993)的 West Germany 時間序列數據。
數據介紹：
我們使用了Stata提供的1968年至1978年全國縱向調查中14-26歲女性的子樣本。我們的子樣本包括2039名女性，她們在至少三輪調查中報告了工資(工資)和年度工作時間(小時)，其中兩輪調查是連續進行的。Holtz-Eakin等人使用了相同的調查，但不同的時間段和不同的工作人員子樣本，因此結果可能不是直接可比的。使用前四個滯后時間和工資作為工具，使用pvarsoc計算一到三階面板VAR模型選擇。
1、導入數據
webuse nlswork2xtset?idcode?yeargenerate?wage?=?exp(ln_wage)2、查看數據如下：
3、Helmert變換擬合面板VAR模型，滯后期選擇默認的
pvar wage hours結果為：
4、與上面相同，但是標準誤按行業分類
egen indocc = group(ind_code occ_code)?pvar?wage?hours,?vce(cluster?indocc)結果為：
5、?Same as first but use the first four lags as instruments
pvar wage hours, instlags(1/4)結果為：
6、?use GMM-style instruments
pvar wage hours, instlags(1/3) gmmstyle結果為：
雖然可以從上面的pvar輸出中推斷出一階面板變量的格蘭杰因果關系，但是我們仍然使用pvargranger作為例子來執行測試。下面的格蘭杰因果檢驗結果表明，在通常的信心水平下，工資格蘭杰導致工作時間，而工作時間格蘭杰導致工資，與Holtz-Eakin等人的發現類似。
7、格蘭杰檢驗
pvargranger8、?Same as above but report overidentification test
pvar wage hours, instlags(1/3) gmmstyle overid面板向量自回歸模型估計本身很少被解釋。在實踐中，研究人員往往對各內生變量的外生變化對面板VAR系統中其他變量的影響感興趣。然而，在估計脈沖響應函數(IRF)和預測誤差方差分解(FEVD)之前，我們首先檢查估計的面板變量的穩定性條件。得到的特征值表和圖證實了估計是穩定的。
9、?穩定性檢驗
?pvarstable,?grap根據Holtz-Eakin等人的理論闡述，我們認為，工資水平的沖擊直接影響同期的工作時間，而當前的工作努力只影響未來的工資。利用這個因果順序，我們計算了使用pvarirf的隱含IRF和使用pvarfevd的隱含FEVD。在估計模型的基礎上，使用200個蒙特卡羅圖計算IRF置信區間。FEVD估計值的標準誤差和置信區間同樣可用，但這里沒有顯示，以節省空間。
10、pvarfevd
pvarfevd,mc(200) save(計量經濟學服務中心.dta)11、pvarirf
pvarirf,mc(200) orif byoption(yrescale)根據FEVD的估計，在我們的例子中，女性工作時間的變化中有40%可以用她們的工資來解釋。另一方面，工作時間只能解釋女性未來工資變化的5%。就水平而言，IRF圖顯示，對實際工資的正面沖擊會導致工作努力減少，這意味著樣本中的女性勞動力供應會向后彎曲。值得注意的是，當前工作努力的沖擊對工作時間和工資都有積極但短暫的影響。另一方面，當前沖擊對工資的影響對未來工資有持續的積極影響。
4參考資料Michael R.M. Abrigo and Inessa Love，Estimation of Panel Vector Autoregression in Stata: a Package of Programs
Akaike, H. (1969). Fitting autoregressive models for prediction. Annals of the Institute of StatisticalMathematics, 21, 243-247.
Akaike, H. (1977). On entropy maximization principle. In:Krishnaiah, P.R. (Ed.), Applications ofStatistics. Amsterdam: North-Holland.
Andrews, D.W.K. and B. Lu (2001). Consistent model and momentselection procedures for GMM estimation with application to dynamic panel datamodels. Journal of Econometrics,101(1), 123-164.
Arellano, M. and O. Bover (1995). Another look at the instrumentalvariable estimation of error-components model. Journal of Econometrics, 68(1), 29-51.
Bun, M.J.G. and M.A. Carree (2005). Bias-corrected estimation indynamic panel data models. Journal ofBusiness & Economic Statistics, 23(2), 200-210.
Canova, F. and M. Ciccarelli (2013). Panel vector autoregressivemodels: A survey. Advance in Econometrics,32,
Carpenter, S. and S. Demiralp (2012). Money, reserves, and thetransmission of monetary policy: Does the money multiplier exist? Journal of Macroeconomics, 34(1), 59-75.
Everaert, G. and L. Pozzi (2007). Bootstrap-based correction fordynamic panels. Journal of EconomicDynamics and Control, 31(4), 1160-1184.
Granger, C.W.J. (1969). Investigating causal relations by econometricmodels and cross-spectral methods. Econometrica,37(3), 424-438.
Hamilton, J.D. (1994). Time Series Analysis. Princeton: PrincetonUniversity Press.
Hannan, E.J. and B.G. Quinn (1979). The determination of the orderof an autoregression. Journal of theRoyal Statistical Society, Series B, 41(2), 190-195.
Hansen, L.P. (1982). Large sample properties of generalized methodof moments estimators. Econometrica,50(4), 1029-1054.
Head, H. H. Lloyd-Ellis and H. Sun (2015). Search, liquidity, andthe dynamics of house prices and construction. The American Economic Review, 104(4), 1172-1210.
Holtz-Eakin, D., W. Newey and H.S. Rosen (1988). Estimating vectorautoregressions with panel data. Econometrica,56(6), 1371-1395.
Judson, R.A., and A.L. Owen. 1999. Estimating dynamic panel datamodels: A guide for macroeconomists. EconomicsLetters, 65(1), 9-15.
Kiviet, J.F. (1995). On bias, inconsistency, and efficiency ofvarious estimators in dynamic panel data models. Journal of Econometrics, 68(1), 53-78.
Love, I. and L. Zicchino (2006). Financial development and dynamicinvestment behavior: Evidence from panel VAR. The Quarterly Review of Economics and Finance, 46(2), 190-210.
Lutkepohl, H. (1993). Introduction to Multiple Time Series Analysis,2nd Ed. New York: Springer.
Lutkepohl, H. (2005). New Introduction to Multiple Time SeriesAnalysis. New York: Springer.
Mora, N. and A. Logan (2012). Shocks to bank capital: Evidence fromUK banks at home and away. AppliedEconomics, 44(9), 1103-1119.
Neumann, T.C., P.V. Fishback and S. Kantor (2010). The dynamics ofrelief spending and the private urban market during the New Deal. The Journal of Economic History, 70(1)195-220.
Nickell,S.J. (1981). Biases in dynamic models with fixed effects. Econometrica, 49(6), 1417-1426.
Risannen, J. (1978). Modeling by shortest data description. Automatica, 14(5), 465-471.
Roodman, D. (2009).? How to doxtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-139.
Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2), 461-464.
Sims, C.A. (1980). Macroeconomics and reality. Econometrica, 48(1), 1-48.
◆◆◆◆
精彩回顧
點擊上圖查看：
《初級計量經濟學及Stata應用：Stata從入門到進階》
點擊上圖查看：
《零基礎|輕松搞定空間計量：空間計量及GeoDa、Stata應用》
點擊上圖查看：
計量經濟學小白必修課--網課《高級計量經濟學及Eviews應用》震撼上架！
點擊上圖查看：
空間計量及Matlab應用課程
總結
以上是生活随笔為你收集整理的做面板数据分位数回归模型_面板数据向量自回归模型的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 尼康复古全画幅相机Z f或1.4万元起售
- 下一篇： 个人博客源码_我的使用Sanic的个人博