第1个回答 2024-08-20
日常摸鱼的强师傅，终于想起来填这个大坑了！
许多有关计量的入门教程都上来先丢一堆理论，看的头晕脑胀，但实际应用却讲的十分含糊。这对于很多想快速水paper或者写毕业论文交差的同学十分不友好。
而跟着本教程走，则可以通过实际的例子，快速的学习Stata软件的使用，这样在导入自己的数据后，可以快速搞出一篇论文的实证模型。
经管类专业在本科都会学计量经济学，但是一般只会教到基本的多元OLS模型就戛然而止了。诚然，这对于本科生来说够用了，但是基本的多元OLS模型本身并不好处理。如果是横截面数据，那解决异方差问题还算简单，但是大部分容易获得的经济数据都是时间序列数据，而时间序列数据的多重共线性处理又十分棘手。本科的计量书里一般都会说，逐步回归剔除一下就好了，但是这样会使得你能用的变量数量大打折扣，有些奇葩导师总会要你必须加一些他们想要的变量，不能让你去掉。另一个可行的方法则是采用主成分分析降维分析，但是这种方法，又需要用一个复杂的公式换算，过程繁琐且麻烦，一些类似KMO检验的东西还可能根本过不去。
因此，强师傅更推荐采用面板数据来处理本科以及硕士的毕业论文实证，因为其检验简单，而且更易操作，总之就是坑少好摸。
对于很多上了计量课就浪起来的同学来说，可能还分不清计量里的三种数据结构。本科一般只教两种：横截面数据，举例来说，就是中国2020年30个省份的GDP；时间序列数据，整个中国2010至2020年的GDP；而第三种数据结构便是面板数据，实际上就是横截面数据和时间序列数据的结合。
值得注意的是，不同软件输入面板数据的格式不一样，我只推荐Stata来处理这些数据，因为真的对新手很友好。面板数据可以在excel整理好，直接粘贴到Stata。
一个简单的面板数据例子如下：以北京上海和广州3个城市2010至2016年的人口，地区生成总值和商品房均价为例，在excel里的整理如下：可以看到，A列为我们的具体城市，实际上也就是截面或叫做个体，而B列年份则是时间，其余列为变量。你可以自己搭配不同的数据，整理成这样的格式即可。
打开stata的窗口，其中下方命令窗口可以直接输入我们要做的指令，左边为历史窗口可以看到我们已经进行过的处理，而变量窗口则可以显示我们输入数据后产生的变量。在命令窗口输入edit则可以打开数据编辑窗口。将excel的数据连同表头直接粘贴到这个窗口，则会有如下提示：选择变量名则可以直接将第一行作为变量名称。关闭该窗口回到stata主界面，则可以发现，有五个变量21个观测被导入了进去。由于城市变量是字符数据，因此在处理之前需要采用encode命令将其改为数值型数据。具体命令如下：encode 城市，gen(city)。这个命令中 encode为命令的名字，其作用是将字符数据转换为数值型。而gen为生成的意思，实际上是生成一个新变量。如果你的城市是以数值如1，2，3，4来命名的，则可以省略这一步。
紧接着，可以用xtset来声明面板模型的截面和时间。在stata里，x代表个体或截面（在计量中和paper里，个体一般用n或i来表示，面板的模型的公式角标一般是it或者nt），t代表时间，set便是设置的意思。在stata里，一般与面板相关的命令都会以xt开头。输入xtset city 年份则会发现，stata提示我们的panel变量，也就是个体为city，而时间跨度为2010至2016，如果每个城市每个年份均有数据，则为strongly balanced，即平衡面板，如果缺失数据，则为非平衡面板。
接着我们就可以着手跑第一个面板模型了，输入：xtreg 商品房均价 年末总人口 地区生产总值,fe则可以得到如下结果：此时我们便得到了第一个面板个体固定效应模型的结果。其中xtreg表示我们运行的面板模型，在stata里，第一个出现的变量一定是y变量，也就是被解释变量，而后面的变量均为x变量，因此在这个模型里，商品房价格为Y变量，人口和地区生产总值为X变量。在stata里，逗号后面一般跟随的都是命令的选项，你可以通过不同的选项来调节模型。我们的命令里，fe代表fixed effects，即个体固定效应模型。
在上述结果中，最为重要的是t检验的p值，即P>|t|这一列，可以发现，年末总人口的P值为0.103，这一般认为是不显著的结果。而地区生产总值为0.000，意味着其在1%水平上通过了显著性检验，可以认为地区生产总值直接与商品房房价有关。（一般P值小于0.1为10%显著，0.05为5%显著，小于0.01为1%显著，在论文里一般用星号代替，分别为*， ** ， ***）
值得注意的是，面板模型不需要在意R2，因此R-sq的数值并不重要，这个后续的文章再讲原因。而_cons为常数项，不需要特别的解释。需要关注的是coef.这一列，对于P>|t|显著的，如变量“地区生产总值”可以这样解释：北京上海广州三个城市地区生产总值每上涨1万元，商品房房价上涨0.0001247元。但是这样解释看起来，很奇怪，因为一来系数非常的小，感觉很不直观，二来并不能反映出边际效应的变化。
因此，需要将y和x两边取对数，一来缩小量纲，二来转换为边际效应，也可以称为弹性。stata里输入：gen ln商品房均价=log( 商品房均价 )gen ln年末总人口 =log( 年末总人口 )gen ln地区生产总值 =log( 地区生产总值 )即可生成三个变量的对数形式：计量模型一定要用自然对数，stata里，log和ln都会取以e为底的自然对数。而excel里取对数的公式，用ln是自然对数，用log是以10为底的对数，是不一样的（一个小坑）。
再次运行面板模型的命令：可以发现，系数coef.的数值一下子变得好解释了。当然也会发现，年末总人口的P值小于了0.05，通过了显著性检验。这是由于许多社会经济数据本身是右偏的，而取对数可以将其转换为正态分布，从而修正异方差性，这部分会后续再详细解释（挖坑*1）。
而此时，模型则可以这样解释：当北上广三个城市，人口上升1%，则会导致商品房均价下降5.97%，而地区生产总值上升1%，则商品房价格会上升1.43%。有些时候，结果不是我们想要的，可能是我们的数据结构和样本选取导致的。面板模型是一个大树，后面根据不同的数据结构会出现不同的分支。对于个体多于时间的数据，则为短面板，一般为大N小T，而个体少于时间的数据，则为长面板，一般被称为小N大T。我们这个模型只有3个城市，但时间跨度为7年，显然属于长面板范畴，则需要特殊的处理，这个后续再补（挖坑*2）。
对于本科生来说，采用短面板是比较好的选择，对于硕士生来说，长面板可以进行许多高阶操作以满足实证的复杂度需要，如变系数模型或动态面板（挖坑*3）。模型需要做Hausman检验以在随机和固定效应两种不同的模型中进行选择，这会在下一期文章中讲解（挖坑*4）。而遗漏变量和内生性问题也可能会导致我们得不到想要的结果，这时候则需要一些高级的方法如工具变量法来处理（挖坑*5）。
但是对于许多想要快速进行实证分析的本科生和硕士生来说，这篇文章算是一个好的入门了。我的个人公众号已上线，请随意关注，欢迎向我提问哦。