sgmediation的ado和help文件

stata 的sgmediation命令安裝包 - Stata專版 - 經(jīng)管之家(原人大經(jīng)濟論壇) (pinggu.org)

2022年9月14日09:36:40

語法：ttable3 varlist , by(groupvar) [ format(%fmt) unequal welch median rowname notitle nostar tvalue pvalue ]

ttable2（由中南財經(jīng)大學李春濤老師和張璇老師編寫）其中ttable2不能顯示t值和p值，

ttable3（由中山大學連玉君老師編寫）?

語法：oneway response_var=Y factor_var=X [if] [in] [weight] [, options]

單因素方差分析

語法：areg depvar [indepvars] [if] [in] [weight], absorb(varname) [options]

·筆記：關于固定效應模型的四個Stata命令 - 知乎 (zhihu.com)

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

LSDV方法的Stata命令是reg i.id i.year

areg命令是對reg命令的改進和優(yōu)化，其對數(shù)據(jù)結(jié)構(gòu)也沒有要求。

有些時候我們想在回歸中控制很多虛擬變量（i.id這種)，但又不想生成虛擬變量，不想報告虛擬變量的回歸結(jié)果，

那么就可以使用areg命令，只需在選項absorb()的括號里加入你想要控制的類別變量就好。

不過absorb()的括號里只能加一個變量，如果想要估計雙向固定效應或是更高維度固定效應，

那么就還是要使用使用i.var的方式引入虛擬變量。

reghdfe?主要用于實現(xiàn)多維固定效應線性回歸。有些時候，我們需要控制多個維度（如城市-行業(yè)-年度）的固定效應，xtreg等命令也OK，但運行速度會很慢，reghdfe解決的就是這一痛點，其在運行速度方面遠遠優(yōu)于xtreg等命令。

reghdfe命令可以包含多維固定效應，只需?absorb (var1,var2,var3,...)，不需要使用i.var的方式引入虛擬變量，相比xtreg等命令方便許多，并且不會匯報一大長串虛擬變量回歸結(jié)果。

logout可用于輸出所有命令結(jié)果；esttab一般用于輸出回歸表格，也可以輸出描述統(tǒng)計。

?xi:reg是什么意思??？

xi 命令是一個比較好的生成的虛擬變量的方法，

其含義表示增添互動項“interaction expansion”
eg:??xi:reg y x1 x2 i.id
id表示確定個體變量?? i.id表示根據(jù)變量id生成虛擬變量。
xi：命令可以 把字符串 直接轉(zhuǎn)化為dummy

?psmatch2 depvar [indepvars] ?[, outcome(varlist) pscore(varname) neighbor(integer)?

?common logit ties ate]

PSM傾向得分匹配法學習指南

協(xié)變量的選擇

treat是干預變量，X是協(xié)變量，Y是結(jié)果變量。

• 1對1匹配：為每個干預組個體在控制組中尋找距離最近的個體來匹配。如果出現(xiàn)距離相同的個體，可以隨機選擇一個匹配，或按照排序后第一個出現(xiàn)的個體進行匹配。

方法1是比較匹配前后的核密度圖，

最好的結(jié)果是匹配之后兩條線很相近，這便代表“共同支撐集”范圍比較大。

方法2是：畫條形圖，顯示傾向得分的共同取值范圍。

下圖顯示了大多數(shù)觀測值都在共同取值范圍內(nèi)，因此在匹配時僅會損失少量樣本。

首先，平衡性檢驗的目的，是為了看看匹配后各個變量的均值，有沒有明顯差異。

第一個數(shù)據(jù)：匹配前后各個變量的均值，是否有明顯差異（看Mean）。

第二個數(shù)據(jù)：或者看平衡后均值的偏差（看%bias），平衡后偏差小于10%，基本上是可以接受的。

第三個數(shù)據(jù)：看p值（或t值）。

原假設是控制組與處理組，沒有系統(tǒng)性的差異，只要p＞0.05（或|t|＜1.96），

就無法拒絕原假設，即可視為通過了平衡性檢驗。

psmatch2 D x1 x2 x3,outcome(y) logit ties ate common odds pscore(varname) qutetly

D為處理變量（treatment variable）；

logit是選項，說明指定logit來估計傾向得分，默認方法是probit；

quietly表示不匯報對傾向得分的估計過程。

最后是pamatch2的兩個估計后命令。有：

（1）pstest x1 x2 x3，both graph。該命令用來估計是否平衡。both表示,同時顯示匹配前的數(shù)據(jù)平衡情況，默認,只顯示匹配后的情形。graph圖示各變量匹配前后,的平衡情況

（2）psgraph,bin（#）。該命令是要畫直方圖,來顯示傾向得分的共同取值范圍，選項bin（#）用來指定直方圖的,分組數(shù)，默認為20組。

·傾向得分匹配、雙重差分傾向得分匹配(PSM、PSM-DID)-原理及stata實操（第一彈）：https://www.bilibili.com/read/cv2545056/

·雙重差分傾向得分匹配(PSM-DID)-stata實操（第二彈）：https://www.bilibili.com/read/cv4360682?from=articleDetail

作者：mhhhpl

鏈接：https://www.jianshu.com/p/1a71fdff40d7
來源：簡書

logit Dfee CL_D Size Lev Roa Cfo Soe Rec Punish Dirs Age Op Top10 Big4 i.year i.industry, vce(cluster ind)

黨員為1，非黨員為0：

logit pol Q1 Q2 Q8, r nolog

probit pol Q1 Q2 Q8, nolog

不顯示對數(shù)似然值，no log likelihood

?分組回歸系數(shù)差異檢驗 bdiff

bdiff, group(groupvar) model(string) [options]

兩個回歸同一個變量的系數(shù)是否存在顯著差異？

bdiff, group(union) model(reg wage $xx) reps(100) detail

通過組間差異我們可以得到經(jīng)驗P值，若經(jīng)驗P值顯著的話，那么就說明兩組的影響是有顯著差異的，就可以進行系數(shù)比較啦！