2023年3月26日20:00

溝通提綱：

01-文獻閱讀：目前前人做了哪些研究？主要發(fā)的什么級別的刊？發(fā)表時間？

X變量，Y變量都要考慮。? 發(fā)表時間，實際做研究的時間要早2-3年。

02-工作論文有關(guān)注嗎？

03-國外發(fā)了什么級別的期刊？時間？誰發(fā)的？

04-X的主要衡量方式？ 數(shù)據(jù)的獲得性如何？ 為什么選擇這種研究方式？

05-Y的衡量方式，同上。

06-目前我跑出的數(shù)據(jù)結(jié)果怎樣？順序 reg xtreg 。控制變量的選擇 個體固定效應(yīng)？

2023-3-26 20:19

回憶之前的數(shù)據(jù)回歸結(jié)果。

2023年3月27日10:44

xi:reg什么意思 和reg的區(qū)別?

--對于面板數(shù)據(jù)，我們有多種估計方法，

混合OLS、固定效應(yīng)（FE）、隨機效應(yīng)（RE）和最小二乘虛擬變量（LSDV）等等。

我們最為常用的估計方法那自然還是固定效應(yīng)（組內(nèi)估計），固定效應(yīng)模型的Stata官方命令是xtreg，但它有時候其實并沒有那么好用（如對數(shù)據(jù)格式有要求，運行速度慢等），

我們經(jīng)常使用的固定效應(yīng)估計命令還有reg、areg和reghdfe。

原貼：

reg，xi:reg,xtreg到底該用哪個啊 - Stata專版 - 經(jīng)管之家(原人大經(jīng)濟論壇) (pinggu.org)

?xtset? ?stkcd??year??

?xi:xtreg??y x x1 x2 x3??i.year? ?i.industry ,c luster(stkcd),

控制年份 控制行業(yè) 公司代碼進行聚類處理

其中 xi是否有必要加？

xtreg還是直接reg

要進行公司聚類處理，這樣寫有沒有問題？

回歸的結(jié)果1%水平上顯著，正負號和預期相同，但是R方很小，可取嗎？

-----*

reg是混合ols回歸

加個體虛擬變量后 完全等價于xtreg?fe，

reg 和xtreg本質(zhì)全都是ols

xtreg的組內(nèi)差分法只是一種數(shù)學簡化，本質(zhì)從未改變

xtreg多用于面板回歸

reg和xtreg都可以用于固定效應(yīng)回歸，但是代碼有些不一樣。

面板數(shù)據(jù)兼具了橫截面數(shù)據(jù)和時間序列數(shù)據(jù)的特點，

有橫截面維度（在同一時間段內(nèi)有多個觀測樣本）? 比如都在2009年 很多個公司！

有時間序列維度（同一樣本在多個時間段內(nèi)被觀測到）比如茅臺，2009-2023年都有數(shù)據(jù)！

encode diqu ,gen(region)?

地區(qū) 這一字符串變量 轉(zhuǎn)化為數(shù)值型變量? ---?diqu 字符串 region數(shù)值型

xtest region year? ? --region數(shù)值型

橫截面為度變量為上步生成的region，時間序列變量為year? ?--region數(shù)值型

xtdes #?

該面板數(shù)據(jù)的橫截面維度region為1~20共20個取值，

時間序列維度year為2008-2012共5個取值

xtsum #

xttab sale #??"sale"變量

?xttab cost

xtline sale #?“sale”變量的時間序列圖

reg profit sale cost #

以profit為因變量，以sale，cost為自變量，進行最小二乘回歸分析。

可以得到最小二乘模型的回歸方程是

都是顯著? 呈正向變化

reg profit sale cost,vce(cluster region) #

聚類處理----region 數(shù)值型的地區(qū)

并且使用以 region 為聚類變量的聚類穩(wěn)健標準差，進行最小二乘回歸分析。

得到的結(jié)果類似

sale變量系數(shù)的顯著性有所下降

xtreg profit sale cost ,fe vce(cluster region) #

并以"region"為聚類變量的聚類文件標準差，進行固定效應(yīng)回歸分析。

備注：xtreg 的后面多了 fe?

聚類：region的寫法并沒有改變

顯著性P值為0.0007，模型是非常顯著的。

模型組內(nèi)R方是0.3637（within=0.3637）?

說明單位內(nèi)解釋的變化比例是36.37%

模型組間R方是0.6619（between=0.6619），說明單位間解釋的變化比例是66.19%。

模型總體R方是0.3697（overall=0.6397）說明總的解釋變化比例是63.79%。

模型的解釋能力還是可以接受的。

觀察模型中各個變量系數(shù)的顯著性P值，可以發(fā)現(xiàn)是比較顯著的。

此外，圖中最后一行，rho=0.97094045，

說明復合擾動項的方差主要來自個體效應(yīng)而不是時間效應(yīng)的變動，

? （什么是復合擾動項的方差---yhy）

這一點在后面的分析中也可以得到驗證。

xtreg profit sale cost ,fe #

是以profit為因變量，以sale、cost為自變量進行固定效應(yīng)回歸分析。

（什么是固定效應(yīng)回歸分析--）

相對于使用以region為聚類變量的聚類穩(wěn)健標準差進行固定效應(yīng)回歸分析

變量系數(shù)顯著性上有所提高。

順序：01-不加region的聚類標準誤? ? ? 02-加聚類標準誤

”（F test that all u_i=0 : F(19,78)? ? ? ? ? Prob > F = 0.0000）”?

顯著拒絕了? ? ?所有各個樣本? ? 沒有自己的截距項的原假設(shè)， 說明H0不成立

說明應(yīng)該加 公司聚類進行回歸分析

每個個體用于與眾不同的截距項

也就是說固定效應(yīng)模型在一定程度上優(yōu)于普通最小二乘回歸模型

estimates store fe #

存儲固定效應(yīng)回歸分析的估計結(jié)果。

xi:xtreg profit sale cost?

2023年3月27日11:09? ---暫停&午飯

2023年3月27日11:54---圖書館

cnopendata 查一下這個數(shù)據(jù)庫

CnOpenData數(shù)據(jù)平臺（中國開放數(shù)據(jù)）

現(xiàn)已上線46個專題數(shù)據(jù)庫，涵蓋專利數(shù)據(jù)（全國專利數(shù)據(jù)及世界專利引用被引用數(shù)據(jù)）、上市公司數(shù)據(jù)、新冠疫情數(shù)據(jù)、分地區(qū)數(shù)據(jù)、交通數(shù)據(jù)、氣象數(shù)據(jù)等多個方面，數(shù)值型數(shù)據(jù)和文本型數(shù)據(jù)并存。

已于2022年10月10日開通CnOpenData試用！

我用的是學校的IP登錄

本文摘自中國開放數(shù)據(jù)CnOpenData 中國工業(yè)企業(yè)基本信息擴展數(shù)據(jù)（精確匹配） ?https://www.cnopendata.com/data/m/industry_commerce/tic-basic/exact.html，

這份數(shù)據(jù)有經(jīng)度、維度的數(shù)據(jù)-------

?CnOpenData根據(jù)《中國語言地圖集》1986版與2012版，歸結(jié)整理了兩個版本的各地區(qū)方言信息表及一個各地區(qū)少數(shù)民族方言信息表，除了省市縣、方言細分級別，還增加識別了區(qū)縣經(jīng)緯度。為相關(guān)研究提供全面的數(shù)據(jù)資源

本文摘自中國開放數(shù)據(jù)CnOpenData ?中國各地區(qū)方言信息數(shù)據(jù) ?https://www.cnopendata.com/data/m/culture/zgfyxx.html，轉(zhuǎn)載請注明出處。

依據(jù)中國語言地圖集版本，區(qū)分為1986版與2012版

本文摘自中國開放數(shù)據(jù)CnOpenData ?中國各地區(qū)方言信息數(shù)據(jù) ?https://www.cnopendata.com/data/m/culture/zgfyxx.html，轉(zhuǎn)載請注明出處。

?CnOpenData推出佛教和道教宗教活動場所數(shù)據(jù)，為相關(guān)研究助力。

本文摘自中國開放數(shù)據(jù)CnOpenData 中國宗教場所地理分布數(shù)據(jù) ?https://www.cnopendata.com/data/m/culture/worship-places.html，轉(zhuǎn)載請注明出處。

CnOpenData推出的儒家文化數(shù)據(jù)，收錄整理了中國孔廟信息、明朝書院信息、明朝學院信息及明清貞節(jié)牌坊信息，本數(shù)據(jù)為廣大學者更好地研究儒家文化提供了有力的數(shù)據(jù)支持！

本文摘自中國開放數(shù)據(jù)CnOpenData 儒家文化數(shù)據(jù) ?https://www.cnopendata.com/data/m/culture/confucian-culture.html，轉(zhuǎn)載請注明出處。

人物數(shù)據(jù)：A股上市公司董監(jiān)高信息數(shù)據(jù)、中國工業(yè)企業(yè)股東信息數(shù)據(jù)、中國工業(yè)企業(yè)主要人員信息數(shù)據(jù)、注冊會計師及事務(wù)所數(shù)據(jù)、證券從業(yè)人員信息數(shù)據(jù)、基金公司及從業(yè)人員信息數(shù)據(jù)、中國記者信息數(shù)據(jù)

地理與交通數(shù)據(jù)：人口遷徙大數(shù)據(jù)、

CnOpenData數(shù)據(jù)團隊推出人口遷徙大數(shù)據(jù)，包含各地區(qū)遷入來源地信息、各地區(qū)遷出目的地信息和各城市內(nèi)部出行強度信息三個子模塊，涵蓋遷入和遷出城市、省份的總趨勢和遷入遷出明細數(shù)據(jù)，為相關(guān)研究提供了優(yōu)質(zhì)的大數(shù)據(jù)樣本。

本文摘自中國開放數(shù)據(jù)CnOpenData 人口遷移大數(shù)據(jù) ?https://www.cnopendata.com/data/m/geography_traffic/population-migration.html，轉(zhuǎn)載請注明出處。

2023年3月27日12:35

wingo文構(gòu)財經(jīng)文本數(shù)據(jù)平臺

?WinGo數(shù)據(jù)平臺包括中國上市公司、美國上市公司和中國政府文本三大數(shù)據(jù)庫，由業(yè)內(nèi)專家和高校知名學者主持設(shè)計，打破了文本分析的技術(shù)壁壘，大幅降低研究成本，為廣大研究和分析人員開辟出全新的研究模式。

??數(shù)據(jù)庫網(wǎng)址：www.wingodata.cn?? ?

目前進不去。如果需要文本分析需要聯(lián)系工作人員。

---財務(wù)欺詐

2023年3月27日12:43? ??

體現(xiàn)工作量

數(shù)據(jù)的可獲得性