高级计量经济学及stata应用_Stata实训：应用计量经济学的常见问题
点击蓝字 ｜关注我们
Winter .
庐山
节气知多少
注明：以下内容来源于陈强老师官方微信平台
1、在什么情况下，应将变量取对数再进行回归？
答：可以考虑以下几种情形。
在理论模型中若变量采用对数形式，则意味着应当取其自然对数值作为分析指标。例如，在劳动经济学领域中探讨教育投资回报率的影响因素时, 通常会将工资数据转换为其对数值作为被解释变量. 因此, 这一方法源于Mincer模型的推导.
第二步，在分析中遇到呈指数增长的趋势（如GDP）时，则通常会采取对数处理。具体而言，在这种情况下进行数据转换后发现其自然对数值呈现出线性增长的特点。
如果进行对数变换有助于提升回归模型的拟合效果（例如 R-squared 值或显著性水平），则建议尝试进行对数转换。
第四部分中提到的第四点指出：如果希望将回归系数解释为弹性或半弹性（表示百分比变动），可使所有变量均取自然对数。
第五部分中提到，在存在不确定性的情况下（例如关于是否需要取对数），可以通过分别估计两种不同的情形来实现这一目标。这种做法通常被用作稳健性检验（robustness check）的一种方法。具体而言，在两种情况下得到的结果若具有相似性，则表明这一结论具有稳健性
2、如何理解线性回归模型中，交互项(interactive term)系数的经济意义？
在线性回归模型中
y = 1 + 2x + u
在模型中设定u作为随机误差项，在研究发现表明研究显示变量x对y的边际效应值是2，在现有模型基础上被估计每增加一个单位会被认为会导致y平均增加两个单位；为了提升模型准确性建议考虑引入交互作用项例如，在现有模型基础上引入交互作用项
y = α + βx + γz + δxz+ u
其中,x和z是自变量,xz是其乘积项（即交叉影响）。因为存在交叉影响,所以x对y的变化幅度（通过偏导数计算）等于β加上δ乘以另一个因素z的变化值,这表明x对y的变化幅度并不是一个固定的数值,而是会受到另一个因素的影响。具体而言,如果乘积系数δ为正值,那么随着另一个因素的增长,x对于y的影响幅度也会逐步增大（例如,劳动力产出通常会随着资本投入的增长而增长）；相反地,如果δ为负值,则随着另一因素的增长,x对于y的影响幅度会逐步减小
3、在一些期刊上观察到回归模型中纳入了控制变量。这些控制变量究竟发挥什么作用？如何确定这些控制变量呢？
在研究过程中, 通常会关注一些关键变量, 其系数被称为 "参数 of interest" 。然而, 如果仅对这些关键变量进行回归分析（极端情况下即为一元回归），则容易导致遗漏变量偏差（omitted variable bias）。这种偏差发生的原因在于, 当遗漏的变量与解释性变量子相关时, 加入控制变数的主要目的就是为了尽量避免这种偏差, 因此建议应尽可能地纳入影响被解释变数 y 的主要因素（尽管允许那些与解释变量子无关的变数得以省略）
4、在现有文献中通常会设置“稳健性检验”这一小节，请问是否需要对每一项实证研究进行这样的检验？具体步骤如何？
你的回复显示出来会有什么效果呢？例如，在一篇论文中如果仅报告单一回归结果，则很难令人信服你的研究发现。因此有必要进行多组回归分析即稳健性检验(robustness checks)这样的操作以增强研究结论的可靠性与说服力。缺乏稳健性检验的研究难以在高质量期刊上发表因为这些研究无法经得起实证审稿人的考验. 在实证研究中稳健性检验通常涉及哪些方面呢？其中包括通过变换函数形式实现模型稳定性的验证将样本划分为子群体以评估异质性的影响以及采用不同的计量方法来确认结果的一致性和稳定性等. 此外在稳健性检验过程中应参考同行学者的经典研究并效仿其研究范式以确保所开展的研究具有足够的学术严谨性和科学可靠性.
5、在处理面板数据时是否需要对固定效应与时间效应等进行深入考察？或者可以直接采用普通最小二乘法（OLS）进行估计？从现有文献来看，在某些情况下会强调固定效应对控制个体或时间异质性变化的作用，在另一些研究中则直接采用普通最小二乘法（OLS）进行计算，请问哪种方法更为恰当？
规范的做法必须经过Hausman检验(Hausman test)这一程序，在区分固定效果与随机效果方面发挥关键作用。因此，在实际应用中, 由于固有固定的实用性远高于其他类型（即随时间变化的因素通常更受关注）, 研究者往往倾向于直接采用固定的估计方法。
最好同时纳入时间因素考量；例如，在模型中引入时间和趋势变量；只有当经检验未发现显著的时间效应时才必要这样做；如果忽视这一点可能导致结论出现偏差（比如x与y的相关性可能因两者随时间增长而显现）
6、如何决定应使用二阶段最小二乘法(2SLS)还是广义矩估计(GMM)？
当模型处于恰好识别状态（即工具变量数量与内生变量数量相等）时，则GMM方法与2SLS方法完全等价，在这种情况下建议直接采用2SLS方法作为替代方案。然而，在面对过度识别情形（即工具变量数量超过内生变量数量）时，则需要考虑其他因素：具体而言，在存在一定程度的异方差情况下（鉴于数据中可能存在一定程度的异方差），GMM方法较之于2SLS方法展现出显著的优势与适用性），因此在这种情况下通常推荐采用GMM方法进行估计。
7、在面板数据分析中，关注的变量x 是时间不变的，请问是否只能通过随机效应模型来进行估计？若选择固定效应模型，则那些不随着时间变化的关键变量x将被排除在外。
答：一般情况下建议采用固定效应回归模型（当然可以选择进行豪斯曼检验以判断是否应该选择固定效应回归模型或随机效应回归模型）。当采用固定效应回归时，则存在两种可能的解决方案：
答：一般情况下建议采用固定效应回归模型（当然可以选择进行豪斯曼检验以判断是否应该选择固定效应回归模型或随机效应回归模型）。当采用固定效应回归时，则存在两种可能的解决方案：
如果采用系统GMM方法对动态面板模型进行建模，则能够推断出时间不变的变量x 对因变量的影响程度。
在基于静态面板数据的固定效应模型中，则可考虑加入一个恒定不变的变量x与其随着时间变化的一个变量z之间的乘积项，并将这一乘积项xz（随着时间变化）视为核心解释变量并加以分析研究
8、对于非平稳序列，能否进行格兰杰因果检验？
如果非平稳序列之间存在cointegrating relationships，则可通过Granger causality test进行检验（Granger causality test）。这是因为这一方法基于Granger Representation Theorem（格兰杰表示法定理），该定理表明任何cointegrating系统都可以被表述为向量自回归（Vector Autoregression, VAR）模型的形式。因此，在实际应用中使用Granger causality test来分析两个非平稳时间序列之间的因果关系是一个合理的方法。
相反地，在分析非平稳时间序列之间的长期均衡关系时，若不发现它们之间存在协整关系（即长期均衡关系），则必须首先将这些原序列转化为平稳过程（例如通过一阶差分处理），然后再进行格兰杰因果检验；否则会导致虚假回归问题出现。
9、对于面板数据，如何进行格兰杰因果检验？
回答问题时，在对面板数据进行格兰杰因果检验时
您能告诉我这两本书——《计量经济学及Stata应用》与《高级计量经济学及Stata应用》——的数据集在哪里获取？它们位于第10页。
答：针对我的两本教材《计量经济学及Stata应用》与《高级计量经济学及Stata应用》，其数据集与配套课件均可通过访问我的个人网站www.econometrics-stata.com 来获取。
微信号｜林林山川
Dots and Dreams