利用STATA创建空间权重矩阵及空间杜宾模型计算命令.docx

利用STATA创建空间权重矩阵及空间杜宾模型计算命令.docx

《利用STATA创建空间权重矩阵及空间杜宾模型计算命令.docx》由会员分享，可在线阅读，更多相关《利用STATA创建空间权重矩阵及空间杜宾模型计算命令.docx（7页珍藏版）》请在冰点文库上搜索。

**创建空间权重矩阵介绍

*设置默认路径

cdC:

\Users\xiubo\Desktop\F182013.v4\F101994\sheng

**创建新文件

*shp2dta:

readsashape（.shp）anddbase（.dbf）filefromdiskandconvertsthemintoStatadatasets.

*shp2dta:

读取CHN_adm1文件

*CHN_adm1：

为已有的地图文件

*database（chinaprovince）：

表示创建一个名称为“chinaprovince”的dBase数据集

*database（filename）：

SpecifiesfilenameofnewdBasedataset

*coordinates（coord）：

创建一个名称为“coord”的坐标系数据集

*coordinates（filename）：

Specifiesfilenameofnewcoordinatesdataset

*gencentroids（stub）：

Createscentroidvariables

*genid（newvarname）：

Createsuniqueidvariablefordatabase.dta

shp2dtausingCHN_adm1,database（chinaprovince）coordinates（coord）genid（id）gencentroids（c）

**绘制2016年中國GDP分布圖

*spmap:

Visualizationofspatialdata

*clnumber（#）:

numberofclasses

*id（idvar）:

basemappolygonidentifier（识别符，声明变量名，一般以字母或下划线开头，包含数字、字母、下划线）

*_2016GDP：

变量

*coord:

之前创建的坐标系数据集

spmap_2016GDPusingcoord,id（id）clnumber（5）

*更改变量名

renamex_clongitude

renamey_clatitude

**生成距离矩阵

*spmat:

用于定义与管理空间权重矩阵

*Spatial-weightingmatricesarestoredinspatial-weightingmatrixobjects（spmatobjects）.

*spmatobjectscontainadditionalinformationaboutthedatausedinconstructingspatial-weightingmatrices.

*spmatobjectsareusedinfittingspatialmodels;seespreg（ifinstalled）andspivreg（ifinstalled）.

*idistance:

（产生距离矩阵）createanspmatobjectcontaininganinverse-distancematrixW

*或contiguity:

createanspmatobjectcontainingacontiguitymatrixW

*idistance_jingdu:

命名名称为“idistance_jingdu”的距離矩陣

*longitude:

使用经度

*latitude:

使用纬度

*id（id）:

使用id

*dfunction（function[,miles]）:

（设置计算距离方法）specifythedistancefunction.

*functionmaybeoneofeuclidean（default）,dhaversine,rhaversine,ortheMinkowskidistanceoforderp,wherepisanintegergreaterthanorequalto1.

*normalize（row）:

（行标准化）specifiesoneofthethreeavailablenormalizationtechniques:

row,minmax,andspectral.

*Inarow-normalizedmatrix,eachelementinrowiisdividedbythesumofrowi'selements.

*Inaminmax-normalizedmatrix,eachelementisdividedbytheminimumofthelargestrowsumandcolumnsumofthematrix.

*Inaspectral-normalizedmatrix,eachelementisdividedbythemodulusofthelargesteigenvalueofthematrix.

spmatidistanceidistance_jingdulongitudelatitude,id（id）dfunction（euclidean）normalize（row）

**保存stata可读文件idistance_jingdu.spmat

spmatsaveidistance_jingduusingidistance_jingdu.spmat

**将刚刚保存的idistance_jingdu.spmat文件转化为txt文件

spmatexportidistance_jingduusingidistance_jingdu.txt

**生成相邻矩阵

spmatcontiguitycontiguity_jingduusingcoord,id（id）normalize（row）

spmatsavecontiguity_jingduusingcontiguity_jingdu.spmat

spmatexportcontiguity_jingduusingcontiguity_jingdu.txt

**计算Moran’sI

*安装spatwmat

*spatwmat:

用于定义空间权重矩阵

*spatwmat:

importsorgeneratesthespatialweightsmatricesrequiredbyspatgsa,spatlsa,spatdiag,andspatreg.

*Asanoption,spatwmatalsogeneratestheeigenvaluesmatrixrequiredbyspatreg.

*name（W）:

读取空间权重矩阵W

*name（W）:

使用生成的空间权重矩阵W

*xcoord:

x坐标

*ycoord:

y坐标

*band（08）:

宽窗介绍

*band（numlist）isrequiredifoptionusingfilenameisnotspecified.

*Itspecifiesthelowerandupperboundsofthedistancebandwithinwhichlocationpairsmustbeconsidered"neighbors"（i.e.,spatiallycontiguous）

*and,therefore,assignedanonzerospatialweight.

*binary:

requeststhatabinaryweightsmatrixbegenerated.Tothisaim,allnonzerospatialweightsaresetto1.

spatwmat,name（W）xcoord（longitude）ycoord（latitude）band（08）

*安装绘制Moran’sI工具:

splagvar

*splagvar---Generatesspatiallylaggedvariables,constructstheMoranscatterplot,

*andcalculatesglobalMoran'sIstatistics.

*_2016GDP：

使用变量_2016GDP

*wname（W）:

使用空间权重矩阵W

*indicatethenameofthespatialweightsmatrixtobeused

*wfrom（Stata）:

indicatesourceofthespatialweightsmatrix

*wfrom（Stata|Mata）indicateswhetherthespatialweightsmatrixisaStatamatrixloadedinmemoryoraMatafilelocatedintheworkingdirectory.

*IfthespatialweightsmatrixhadbeencreatedusingspwmatrixitshouldexistasaStatamatrixorasaMatafile.

*moran（_2016GDP）:

计算变量_2016GDP的Moran'sI值

*plot（_2016GDP）:

构建变量_2016GDPMoran散点图

splagvar_2016GDP,wname（W）wfrom（Stata）moran（_2016GDP）plot（_2016GDP）

**使用距离矩阵计算空间计量模型

*设置默认路径

cdD:

\软件学习软件资料\stata\stata指导书籍命令\陈强高级计量经济学及stata应用（第二版）全部数据

*使用product.dta数据集（陈强的高级计量经济学及其stata应用P594）

*将数据集product.dta存入当前工作路径

useproduct.dta,clear

*创建新变量，对原有部分变量取对数

genlngsp=log（gsp）

genlnpcap=log（pcap）

genlnpc=log（pc）

genlnemp=log（emp）

*将空间权重矩阵usaww.spat存入当前工作路径

spmatuseusawwusingusaww.spmat

*使用聚类稳健的标准误估计随机效应的SDM模型

xsmlelngsplnpcaplnpclnempunemp,wmat（usaww）model（sdm）robustnolog

*使用选择项durbin（lnemp），不选择不显著的变量，使用聚类稳健的标准误估计随机效应的SDM模型

xsmlelngsplnpcaplnpclnempunemp,wmat（usaww）model（sdm）durbin（lnemp）robustnolognoeffects

*使用选择项durbin（lnemp），不选择不显著的变量，使用聚类稳健的标准误估计固定效应的SDM模型

xsmlelngsplnpcaplnpclnempunemp,wmat（usaww）model（sdm）durbin（lnemp）robustnolognoeffectsfe

*存储随机效应和固定效应结果

quixsmlelngsplnpcaplnpclnempunemp,wmat（usaww）model（sdm）durbin（lnemp）r2nolognoeffectsre

eststore

quixsmlelngsplnpcaplnpclnempunemp,wmat（usaww）model（sdm）durbin（lnemp）r2nolognoeffectsfe

eststofe

*esttab:

将保存的结果汇总到一张表格中

*b（fmt）:

specifyformatforpointestimates

*beta[（fmt）]:

displaybetacoefficientsinsteadofpointest's

*se[（fmt）]:

displaystandarderrorsinsteadoftstatistics

*star（*0.1**0.05***0.01）:

标记不同显著性水平对应的P值

*r2|ar2|pr2[（fmt）]:

display（adjusted,pseudo）R-squared

*p[（fmt）]:

displayp-valuesinsteadoftstatistics

*label:

makeuseofvariablelabels

*title（string）:

specifyatitleforthetable

esttabfere,bser2star（*0.1**0.05***0.01）

*hausman检验

*进行hausman检验前，回归中没有使用稳健标准误（没用“r”）,

*是因为传统的豪斯曼检验建立在同方差的前提下

*constant:

includeestimatedinterceptsincomparison;defaultistoexclude

*df（#）:

use#degreesoffreedom

*sigmamore:

baseboth（co）variancematricesondisturbancevarianceestimatefromefficientestimator

*sigmaless:

baseboth（co）variancematricesondisturbancevarianceestimatefromconsistentestimator

hausmanfere

**有时我们还会得到负的chi2值,即chi2<0，表明模型不能满足Hausman检验的渐近假设。

产生这些情况的原因可能有多种，

*但我认为一个主要的原因是我们的模型设定有问题，导致Hausman检验的基本假设得不到满足。

*这时，我们最好先对模型的设定进行分析，看看是否有遗漏变量的问题，或者某些变量是非平稳的等等。

*在确定模型的设定没有问题的情况下再进行Hausman检验，如果仍然拒绝原假设或是出现上面的问题，

*那么我们就认为随机效应模型的基本假设（个体效应与解释变量不相关）得不到满足。

*此时，需要采用工具变量法或是使用固定效应模型。

*连玉君（论文（2014）：

Hausman检验统计量有效性的MonteCarlo模拟分析）

*研究了hausman检验统计量的小样本性质，结果表明，

*内生性问题（解释变量与个体效应相关）是导致hausman统计量出现负值的主要原因，

*进一步分析表明，修正后的hausman统计量，以及过度识别检验方法能够很好地克服上述缺陷，

*且具有很好的有限样本性质。

*陈强（高级计量经济学及其stata应用P153）介绍工具变量法与豪斯曼的stata命令及实例

quireglwiqsexprtenurernssmsa

eststools

quiivregress2slslwsexprtenurernssmsa（iq=medkww）

eststoiv

hausmanivols,constantsigmamore

*由于传统的豪斯曼检验在异方差的情形下不成立，故进行异方差稳健的DWH检验，

estatendogenous

*使用ivreg2检验选择的工具变量是否为内生解释变量

ivreg2lwsexprtenurernssmsa（iq=medkww）,rendog（iq）

*endog（iq）表示检验变量iq是否为内生变量

*若果存在异方差，则GMM比2SLS更有效率，故进行最优GMM估计

ivregressgmmlwsexprtenurernssmsa（iq=medkww）

*进行过度识别检验

estatoverid

*若P值不显著，则认为所有工具变量均为外生。

*接下来考虑迭代GMM

ivregressgmmlwsexprtenurernssmsa（iq=medkww）,igmm

*（迭代GMM与两步GMM的系数估计值相差无几）