用STATA学微观计量经济学【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

用STATA学微观计量经济学PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1 Stata基础知识1

1.1 Stata的交互使用1

1.2 Stata文件2

1.2.1 Stata手册2

1.2.2其他Stata资源2

1.2.3 help命令3

1.2.4 search、findit和hsearch命令4

1.3命令的语法和算子4

1.3.1基本的命令语法4

1.3.2例子：summarize命令5

1.3.3例子：regress命令6

1.3.4因子变量7

1.3.5缩写词、大小写的敏感性和通配符9

1.3.6算术、关系和逻辑算子10

1.3.7报错的信息10

1.4 do文件和log文件11

1.4.1编写一个do文件11

1.4.2运行do文件11

1.4.3 log文件12

1.4.4一个三阶段的过程13

1.4.5注释和长行的处理13

1.4.6执行Stata的不同方法14

1.5标量和矩阵14

1.5.1标量14

1.5.2矩阵15

1.6使用来自于Stata命令后所获得的结果15

1.6.1使用从r类命令summarize所得的结果15

1.6.2使用从e类命令regress所得的结果16

1.7全局宏和局部宏18

1.7.1全局宏18

1.7.2局部宏18

1.7.3使用标量还是使用宏？19

1.8循环命令20

1.8.1 foreach循环21

1.8.2 forvalues循环21

1.8.3 while循环22

1.8.4 continue命令22

1.9一些有用的命令22

1.10 do文件的模板22

1.11用户编写的命令23

1.12 Stata资源24

1.13习题24

2 数据管理和绘图25

2.1导论25

2.2数据的类型25

2.2.1文本或ASCⅡ数据25

2.2.2内部数字数据26

2.2.3字符串数据27

2.2.4数字型数据的显示格式27

2.3输入数据27

2.3.1基本原则27

2.3.2输入Stata格式的数据28

2.3.3用键盘输入数据29

2.3.4输入非文本数据29

2.3.5从电子表格中输入文本数据30

2.3.6输入自由格式的文本数据31

2.3.7输入固定格式的文本数据31

2.3.8字典数据文件32

2.3.9常见的误区32

2.4数据管理32

2.4.1 PSID的例子32

2.4.2对变量命名和贴标签34

2.4.3查看数据35

2.4.4使用原始文档36

2.4.5缺失值36

2.4.6估算缺失的数据38

2.4.7转换数据（generate、replace、egen和recode命令）38

2.4.8保存数据42

2.4.9选择样本43

2.5操作数据集43

2.5.1观测值和变量的排序44

2.5.2保存和恢复数据集44

2.5.3数据集的宽格式和长格式44

2.5.4合并数据集44

2.5.5追加数据集46

2.6数据的图形显示47

2.6.1 Stata的图形命令47

2.6.2箱线图49

2.6.3直方图50

2.6.4核密度图51

2.6.5二维散点图和拟合线52

2.6.6局部加权散点平滑估计、核密度、局部线性和最近邻回归53

2.6.7多重散点图55

2.7 Stata资源56

2.8习题57

3 线性回归的基本知识59

3.1导论59

3.2数据与数据的概述性统计59

3.2.1数据的描述59

3.2.2变量的描述60

3.2.3概述性统计60

3.2.4更详细的概述性统计61

3.2.5数据的统计表62

3.2.6统计检验64

3.2.7数据的绘图64

3.3水平值和对数值的回归65

3.3.1基本的回归理论65

3.3.2 OLS回归和矩阵的代数运算66

3.3.3 OLS估计量的性质66

3.3.4异方差-稳健标准误67

3.3.5聚类-稳健标准误67

3.3.6对数值的回归68

3.4基本的回归分析69

3.4.1相关性69

3.4.2 regress命令69

3.4.3假设检验71

3.4.4多个回归输出结果的合并表71

3.4.5更好的回归输出表72

3.4.6用于生成分类变量和交互项的因子变量74

3.5模型设定的分析75

3.5.1模型设定的检验和模型的诊断75

3.5.2残差的诊断图76

3.5.3有影响力的观测值77

3.5.4模型设定的检验78

3.5.5具有多种幂形式的模型检验81

3.6预测83

3.6.1样本内预测83

3.6.2 ME和弹性84

3.6.3对数形式的预测：再转换的问题86

3.6.4预测的练习87

3.7抽样权重88

3.7.1权重88

3.7.2加权的均值89

3.7.3加权的回归90

3.7.4加权的预测和ME91

3.8运用Mata进行OLS回归92

3.9 Stata资源93

3.10习题93

4 模拟95

4.1导论95

4.2伪随机数生成器：导论95

4.2.1均匀分布随机数的生成96

4.2.2从正态分布中抽样97

4.2.3从t分布、卡方分布、F分布、γ分布和β分布中进行抽样98

4.2.4从二项分布、泊松分布和负二项分布中进行抽样99

4.3样本均值的分布101

4.3.1 Stata程序102

4.3.2 simulate命令103

4.3.3中心极限定理的模拟103

4.3.4 postfile命令104

4.3.5模拟中心极限定理的另一种方法104

4.4伪随机数生成器：更详细的介绍105

4.4.1逆概率转换法105

4.4.2直接转换法107

4.4.3其他方法107

4.4.4从截尾正态分布中进行抽样107

4.4.5从多元正态分布中进行抽样108

4.4.6使用马尔科夫链蒙特卡洛方法进行抽样109

4.5计算积分111

4.5.1求积法111

4.5.2蒙特卡洛积分法111

4.5.3使用不同S值的蒙特卡洛积分112

4.6回归的模拟：导论113

4.6.1模拟的例子：具有卡方分布误差的OLS113

4.6.2解释模拟结果115

4.6.3模拟的差异117

4.6.4估计量的非一致性118

4.6.5具有内生解释变量的模拟119

4.7 Stata资源120

4.8习题120

5 GLS回归123

5.1导论123

5.2 GLS回归和FGLS回归123

5.2.1用于异方差误差项的GLS123

5.2.2 GLS与FGLS124

5.2.3加权最小二乘法和稳健标准误124

5.2.4重要的例子125

5.3对异方差数据进行建模125

5.3.1模拟的数据集126

5.3.2 OLS估计126

5.3.3检验异方差127

5.3.4 FGLS估计129

5.3.5 WLS估计130

5.4系统线性回归130

5.4.1 SUR模型131

5.4.2 sureg命令132

5.4.3在两类支出中的应用132

5.4.4稳健标准误133

5.4.5跨方程约束的检验134

5.4.6施加跨方程约束135

5.5调查数据：加权、聚类和分层136

5.5.1调查设计136

5.5.2调查均值的估计138

5.5.3调查数据的线性回归139

5.6 Stata资源140

5.7习题140

6 线性工具变量回归143

6.1导论143

6.2 Ⅳ估计143

6.2.1基本的Ⅳ理论143

6.2.2模型的建立144

6.2.3 Ⅳ估计量：Ⅳ、2SLS和GMM145

6.2.4工具变量的有效性和相关性146

6.2.5稳健标准误的估计值147

6.3 Ⅳ的例子147

6.3.1 ivregress命令148

6.3.2具有一个内生性解释变量的医疗支出模型148

6.3.3可用的工具变量149

6.3.4恰好识别模型的Ⅳ估计150

6.3.5过度识别模型的Ⅳ估计151

6.3.6解释变量内生性的检验152

6.3.7过度识别约束的检验154

6.3.8二值内生性解释变量的Ⅳ估计155

6.4弱工具变量157

6.4.1 Ⅳ估计量的有限样本性质157

6.4.2弱工具变量157

6.4.3 estat firststage命令159

6.4.4恰好识别模型159

6.4.5过度识别模型161

6.4.6多个内生性解释变量161

6.4.7工具变量选择的敏感性分析161

6.5对弱工具变量的更好推断163

6.5.1条件检验和置信区间163

6.5.2 LIML估计量164

6.5.3刀切法Ⅳ估计量165

6.5.4 2SLS、LIML、JIVE和GMM的比较165

6.6 3SLS系统估计166

6.7 Stata的资源168

6.8习题168

7 分位数回归171

7.1导论171

7.2分位数回归171

7.2.1条件分位数172

7.2.2 QR估计值和标准误的计算172

7.2.3 greg，bsgreg和sqreg命令173

7.3医疗支出数据的分位数回归174

7.3.1数据的概述174

7.3.2 QR估计174

7.3.3条件分位数系数的解释175

7.3.4再转换176

7.3.5不同分位数上的估计值的比较177

7.3.6异方差的检验178

7.3.7假设检验178

7.3.8不同分位数回归中系数的图形显示179

7.4生成异方差数据的QR181

7.4.1模拟产生的数据集181

7.4.2 QR的估计值182

7.5计数数据的QR184

7.5.1分位数计数回归184

7.5.2 qcount命令185

7.5.3看医生次数数据的概述185

7.5.4QCR的估计结果187

7.6 Stata资源188

7.7习题189

8 线性面板数据模型：基础191

8.1导论191

8.2面板数据方法综述191

8.2.1基本的研究191

8.2.2基本的面板数据模型192

8.2.3聚类-稳健性推断194

8.2.4 xtreg命令194

8.2.5 Stata线性面板数据命令195

8.3面板数据概述性统计195

8.3.1数据描述和概述性统计195

8.3.2面板数据结构197

8.3.3面板数据描述197

8.3.4组内差异和组间差异198

8.3.5单个个体的时间序列图200

8.3.6总体散点图201

8.3.7组内散点图201

8.3.8具有聚类-稳健标准误的混合数据OLS回归203

8.3.9面板数据的时间序列自相关204

8.3.10 RE模型中的误差相关205

8.4混合（数据）估计量或总体平均估计量206

8.4.1混合（数据）OLS估计量206

8.4.2混合FGLS估计量或总体平均估计量206

8.4.3 xtreg，pa命令207

8.4.4带有pa选项的xtreg命令的应用207

8.5组内估计量208

8.5.1组内估计量208

8.5.2带有fe选项的xtreg命令209

8.5.3带有fe选项的xtreg命令的应用209

8.5.4最小二乘虚拟变量回归210

8.6组间估计量211

8.6.1组间估计量211

8.6.2带be选项的xtreg命令的应用211

8.7 RE估计量212

8.7.1 RE估计量212

8.7.2带re选项的xtreg命令213

8.7.3带有re选项的xtreg命令的应用213

8.8估计量的比较214

8.8.1方差成分的估计值214

8.8.2组内R2和组间R2214

8.8.3估计量的比较215

8.8.4固定效应模型与随机效应模型的比较215

8.8.5固定效应的Hausman检验216

8.8.6预测217

8.9一阶差分估计量218

8.9.1一阶差分估计量218

8.9.2严格外生性和弱外生性假设219

8.10长面板数据分析220

8.10.1长面板数据集220

8.10.2混合OLS和PFGLS221

8.10.3 xtpcse命令和xtgls命令221

8.10.4 xtgls，xtpcse和 xtscc命令的应用222

8.10.5单独的回归224

8.10.6 FE模型和RE模型225

8.10.7单位根和协整226

8.11面板数据的管理227

8.11.1宽格式的数据227

8.11.2将宽格式数据转换为长格式数据228

8.11.3将长格式数据转换为宽格式数据228

8.11.4另一种宽格式数据229

8.12 Stata资源230

8.13习题230

9 线性面板数据模型：扩展233

9.1导论233

9.2面板Ⅳ估计233

9.2.1面板Ⅳ233

9.2.2 xtivreg命令234

9.2.3 xtivreg命令的应用234

9.2.4面板Ⅳ的扩展235

9.3 Hausman-Taylor估计量236

9.3.1 Hausman-Taylor估计量236

9.3.2 xthtaylor命令236

9.3.3 xthtaylor命令的应用237

9.4 Arellano-Bond估计量238

9.4.1动态模型238

9.4.2 FD模型中Ⅳ估计239

9.4.3 xtabond命令239

9.4.4 Arellano-Bond估计量：完全的时间序列240

9.4.5 Arellano-Bond估计量：附加其他解释变量242

9.4.6模型设定检验244

9.4.7 xtdpdsys命令245

9.4.8 xtdpd命令246

9.5混合（分层）线性模型247

9.5.1混合（分层）线性模型247

9.5.2 xtmixed命令248

9.5.3随机截距项模型248

9.5.4聚类-稳健标准误249

9.5.5随机斜率模型250

9.5.6随机系数模型251

9.5.7双向随机效应模型252

9.6聚类数据253

9.6.1聚类数据集253

9.6.2使用非面板命令对聚类数据进行分析254

9.6.3使用面板命令对聚类数据进行分析255

9.6.4分层线性模型257

9.7 Stata资源258

9.8习题258

10 非线性回归方法259

10.1导论259

10.2非线性的例子：看医生的次数260

10.2.1数据的描述260

10.2.2泊松模型的描述261

10.3非线性回归的方法261

10.3.1 MLE261

10.3.2 poisson命令262

10.3.3估计后命令263

10.3.4 NLS264

10.3.5 nl命令264

10.3.6 GLM265

10.3.7 glm命令266

10.3.8 gmm估计267

10.3.9其他估计量268

10.4不同的VCE估计268

10.4.1一般框架268

10.4.2 vce（）选项269

10.4.3 vce（）选项的应用269

10.4.4 VCE的默认估计271

10.4.5 VCE的稳健估计271

10.4.6 VCE的聚类-稳健估计272

10.4.7异方差和自相关VCE一致估计272

10.4.8自抽样标准误273

10.4.9统计推断273

10.5预测273

10.5.1 predict和predictnl命令273

10.5.2 predict和predictnl的应用274

10.5.3样本外预测275

10.5.4在一个解释变量的特定值处的预测275

10.5.5在所有解释变量的特定值处的预测276

10.5.6其他数值的预测277

10.5.7用于预测的margins命令277

10.6边际效应279

10.6.1微积分法和有限差分法279

10.6.2 ME的估计值：AME、MEM和MER279

10.6.3弹性和半弹性280

10.6.4单指数模型中系数的简单解释281

10.6.5关于边际效应的margins命令281

10.6.6 MEM：在均值处的边际效应282

10.6.7 MER：在代表值处的边际效应283

10.6.8 AME：平均边际效应284

10.6.9弹性和半弹性285

10.6.10手动计算AME286

10.6.11多项式解释变量288

10.6.12交互作用的解释变量289

10.6.13复杂的交互项和非线性形式290

10.7模型诊断290

10.7.1拟合优度的度量291

10.7.2用于模型比较的信息准则292

10.7.3残差292

10.7.4模型设定检验293

10.8 Stata资源294

10.9习题294

11 非线性最优化方法295

11.1导论295

112牛顿-拉夫逊法295

11.2.1 NR方法295

11.2.2泊松模型的NR方法296

11.2.3使用Mata命令的泊松NR的例子296

11.3梯度法298

11.3.1最大化选项298

11.3.2梯度法299

11.3.3迭代中的信息299

11.3.4迭代停止准则300

11.3.5多重最大值300

11.3.6数值导数301

11.4 ml命令：lf方法301

11.4.1 ml命令302

11.4.2 lf方法302

11.4.3泊松分布的例子：单指数模型302

11.4.4负二项例子：双指数模型304

11.4.5 NLS的例子：非似然函数模型305

11.5检查程序306

11.5.1使用ml check和ml trace调试程序306

11.5.2运行程序307

11.5.3检查数据307

11.5.4多重共线性和近似共线性308

11.5.5多重最优值309

11.5.6检查参数估计309

11.5.7检查标准误的估计310

11.6 ml命令：d0、d1、d2、lf0、lf1和lf2方法311

11.6.1评估函数311

11.6.2 d0方法313

11.6.3 d1方法314

11.6.4对VCE进行稳健估计的lf1方法314

11.6.5 d2和lf2方法315

11.7 Mata optimize（）函数316

11.7.1 d类和gf类评估函数316

11.7.2最优化函数316

11.7.3泊松例子317

11.8广义矩方法319

11.8.1定义319

11.8.2非线性Ⅳ的例子319

11.8.3使用Mata optimize（）函数进行GMM估计320

11.9 Stata资源322

11.10习题322

12 检验方法325

12.1导论325

12.2临界值和p值325

12.2.1标准正态分布与学生的t分布的比较325

12.2.2卡方分布与F分布的比较326

12.2.3绘制密度图326

12.2.4计算p值和临界值327

12.2.5 Stata使用哪种分布？328

12.3 Wald检验和置信区间328

12.3.1线性假设的Wald检验329

12.3.2 test命令330

12.3.3单侧Wald检验332

12.3.4非线性假设的Wald检验（delta方法）333

12.3.5 testrnl命令333

12.3.6 Wald置信区间334

12.3.7 lincom命令334

12.3.8 nlcom命令（delta方法）335

12.3.9非对称置信区间335

12.4似然比检验336

12.4.1似然比检验336

12.4.2 lrtest命令338

12.4.3 LR检验的直接计算338

12.5拉格朗日乘子检验（得分检验）339

12.5.1 LM检验339

12.5.2 estat命令340

12.5.3用辅助回归进行LM检验340

12.6检验水平和检验势341

12.6.1模拟DGP：误差项服从卡方分布的OLS342

12.6.2检验水平342

12.6.3检验势344

12.6.4渐近检验势346

12.7模型设定检验346

12.7.1基于矩的检验346

12.7.2信息矩阵检验347

12.7.3拟合优度的卡方检验347

12.7.4过度识别约束的检验347

12.7.5 Hausman检验347

12.7.6其他检验348

12.8 Stata资源348

12.9习题348

13 自抽样法351

13.1导论351

13.2自抽样法351

13.2.1标准误的自抽样估计351

13.2.2自抽样法351

13.2.3渐近精炼352

13.2.4谨慎使用自抽样352

13.3使用vce（bootstrap）选项的自抽样配对法353

13.3.1使用自抽样配对法估计VCE353

13.3.2 vce（bootstrap）选项353

13.3.3自抽样标准误的例子354

13.3.4有多少次自抽样？354

13.3.5聚类的自抽样355

13.3.6自抽样的置信区间356

13.3.7估计后的estat bootstrap命令357

13.3.8自抽样置信区间的例子357

13.3.9有偏估计的自抽样358

13.4使用bootstrap命令的自抽样配对法358

13.4.1 bootstrap命令358

13.4.2使用Stata估计命令计算参数的自抽样估计值359

13.4.3用Stata估计命令计算自抽样标准误360

13.4.4使用用户编写估计命令计算自抽样标准误360

13.4.5自抽样两阶段估计量361

13.4.6自抽样的Hausman检验362

13.4.7变异系数的自抽样标准误364

13.5具有渐近精炼的自抽样364

13.5.1百分位数-t方法364

13.5.2百分位数-t的Wald检验365

13.5.3基于百分位数-t方法的Wald置信区间366

13.6使用bsample和simulate命令来计算自抽样配对366

13.6.1 bsample命令367

13.6.2与simulate命令同时使用的bsample命令367

13.6.3自抽样的蒙特卡洛（Monte Carlo）368

13.7另一种再抽样的方法369

13.7.1自抽样配对法369

12.7.2参数自抽样370

13.7.3残差的自抽样370

13.7.4 Wild自抽样371

13.7.5次样本抽样372

13.8刀切法372

13.8.1刀切法373

13.8.2 vce（jackknife）选项和jackknife命令373

13.9 Stata资源373

13.10习题374

14 二值结果模型375

14.1导论375

14.2一些参数模型375

14.2.1基本模型375

14.2.2 logit模型、probit模型、线性概率模型及clog-log模型376

14.3估计376

14.3.1潜变量的解释和识别376

14.3.2极大似然（ML）估计377

14.3.3 logit和probit命令377

14.3.4 VCE的稳健估计378

14.3.5 LPM的OLS估计378

14.4例子378

14.4.1数据的描述性统计378

14.4.2 Logit回归379

14.4.3二值模型和参数估计的比较380

14.5假设和模型设定检验381

14.5.1 Wald检验382

14.5.2似然比检验382

14.5.3额外的模型设定检验382

14.5.4模型的比较384

14.6拟合优度和预测385

14.6.1伪R2度量385

14.6.2用样本频数比较预测的概率385

14.6.3比较实际的结果与预测的结果386

14.6.4拟合概率的predict命令387

14.6.5拟合概率值的prvlaue命令388

14.7边际效应389

14.7.1代表值处的边际效应（MER）389

14.7.2均值处的边际效应（MEM）390

14.7.3平均边际效应（AME）390

14.7.4 prchange命令391

14.8内生解释变量392

14.8.1例子392

14.8.2模型假设393

14.8.3结构模型法393

14.8.4 Ⅳ法396

14.9分组数据397

14.9.1用加总的数据进行估计397

14.9.2分组数据的应用398

14.10 Stata资源399

14.11习题399

15 多项选择模型401

15.1导论401

15.2多项选择模型总述401

15.2.1概率和ME401

15.2.2极大似然估计402

15.2.3特定个体和特定选项的解释变量402

15.2.4加法随机效用模型403

15.2.5 Stata的多项选择模型命令403

15.3多项选择的示例：钓鱼方式模型的选择403

15.3.1数据描述404

15.3.2特定个体的解释变量405

15.3.3特定选项的解释变量405

15.4多项选择logit模型406

15.4.1 mlogit命令406

15.4.2 mlogit命令的应用406

15.4.3对系数的解释407

15.4.4预测的概率值408

15.4.5 MEs409

15.5条件logit模型410

15.5.1从宽格式数据中建立长格式数据410

15.5.2 asclogit命令411

15.5.3 clogit命令412

15.5.4 asclogit命令的应用412

15.5.5条件logit模型与多项logit模型的关系413

15.5.6对系数的解释413

15.5.7预测的概率值414

15.5.8边际效应414

15.6嵌套logit模型416

15.6.1放松对无关选项的独立性假设416

15.6.2 NL模型417

15.6.3 nlogit命令417

15.6.4模型估计418

15.6.5预测的概率值420

15.6.6 ME420

15.6.7 logit模型的比较421

15.7多项选择probit模型421

15.7.1 MNP模型421

15.7.2 mprobit命令422

15.7.3极大模拟似然422

15.7.4 asmprobit命令423

15.7.5 asmprobit命令的应用423

15.7.6预测的概率值和MEs425

15.8随机参数logit模型425

15.8.1随机参数logit模型425

15.8.2 mixlogit命令426

15.8.3 mixlogit命令的数据准备426

15.8.4 mixlogit命令的应用426

15.9有序结果模型427

15.9.1概述性统计427

15.9.2有序结果模型428

15.9.3 ologit命令的应用429

15.9.4预测的概率值429

15.9.5 ME430

15.9.6其他有序的模型430

15.10多元结果模型431

15.10.1二元probit模型431

15.10.2非线性SUR433

15.11 Stata资源433

15.12习题434

16 Tobit模型和选择模型435

16.1导论435

16.2 Tobit模型435

16.2.1删失数据的回归435

16.2.2 Tobit模型的建立436

16.2.3未知的删失点436

16.2.4 Tobit估计436

16.2.5 Stata中的极大似然估计437

16.3 Tobit模型示例437

16.3.1数据的概述性统计437

16.3.2 Tobit分析439

16.3.3 Tobit估计后的预测439

16.3.4边际效应439

16.3.5 ivtobit命令442

16.3.6删失数据回归的其他命令443

16.4对数正态数据的tobit模型443

16.4.1数据示例444

16.4.2为对数形式的数据设置删失点444

16.4.3结果445

16.4.4双受限的tobit回归446

16.4.5模型诊断446

16.4.6正态性和同方差性的检验447

16.4.7下一个步骤？449

16.5对数形式的两部分模型449

16.5.1模型结构450

16.5.2第一部分模型的设定450

16.5.3两部分模型中第二部分模型的设定451

16.6选择模型452

16.6.1模型结构和假设452

16.6.2样本选择模型的ML估计453

16.6.3没有排除性约束的估计453

16.6.4两步估计法454

16.6.5存在排除性约束的估计455

16.7用具有对数形式结果的模型来预测456

16.7.1 tobit模型的预测457

16.7.2对两部分模型的预测457

16.7.3对选择模型的预测458

16.8 stata资源459

16.9习题459

17 计数数据模型461

17.1导论461

17.2计数数据的特征461

17.2.1生成的泊松数据461

17.2.2过度离散及负二项分布数据462

17.2.3建模方法463

17.2.4估计方法464

17.3实证案例1464

17.3.1数据的概述性统计464

17.3.2泊松模型465

17.3.3 NB2模型468

17.3.4非线性最小二乘估计法473

17.3.5栅栏（Hurdle）模型474

17.3.6有限混合模型478

17.4实证案例2487

17.4.1零膨胀数据487

17.4.2零膨胀数据的模型488

17.4.3 NB2模型的结果488

17.4.4 ZINB模型的结果489

17.4.5模型比较490

17.5含内生解释变量的模型491

17.5.1结构模型法492

17.5.2非线性工具变量（Ⅳ）法495

17.6 Stata资源496

17.7习题496

18 非线性面板模型499

18.1导论499

18.2非线性面板数据概述499

18.2.1一些基本的非线性面板模型499

18.2.2动态模型501

18.2.3 Stata的非线性面板命令501

18.3非线性面板数据的例子502

18.3.1数据的描述性统计与概述性统计502

18.3.2面板数据的组织结构503

18.3.3组内差异与组间差异503

18.3.4是FE模型还是RE模型更适合这些数据？504

18.4二值结果模型504

18.4.1被解释变量的面板概述504

18.4.2 混合数据logit估计量505

18.4.3 xtlogit命令505

18.4.4 xtgee命令506

18.4.5 PA logit估计量506

18.4.6 RE logit估计量507

18.4.7 FE logit估计量508

18.4.8面板logit估计量的比较510

18.4.9预测与边际效应511

18.4.10 混合效应logit估计量511

18.5 Tobit模型512

18.5.1被解释变量的面板概述512

18.5.2 RE tobit模型512

18.5.3广义tobit模型513

18.5.4参数化的非线性面板模型513

18.6计数数据模型514

18.6.1 xtpoisson命令514

18.6.2被解释变量的面板概述514

18.6.3 混合数据泊松估计量515

18.6.4 PA泊松估计量515

18.6.5 RE泊松估计量516

18.6.6 FE泊松估计量517

18.6.7面板泊松估计量的比较519

18.6.8负二项估计量519

18.7 Stata资源521

18.8习题521

A Stata中的编程523

A.1 Stata矩阵命令523

A.1.1 Stata矩阵的综述523

A.1.2 Stata矩阵的输入与输出523

A.1.3 Stata矩阵的下标以及合并矩阵525

A.1.4矩阵算子525

A.1.5矩阵函数526

A.1.6矩阵累积命令526

A.1.7使用Stata矩阵命令的OLS527

A.2程序528

A.2.1简单的程序（没有参数的程序或者可获取结果的程序）529

A.2.2修改一个程序529

A.2.3带有位置参数的程序529

A.2.4临时变量530

A.2.5带有位置参数被命令的程序530

A.2.6存储并读取程序结果531

A.2.7带有使用标准Stata语法的参数的程序531

A.2.8 ado文件533

A.3程序调试533

A.3.1一些简单的方法534

A.3.2报错的信息与返回的代码535

A.3.3 trace命令535

B Mata537

B.1如何运行Mata537

B.1.1 Mata中的Mata命令537

B.1.2 Stata中的Mata命令538

B.1.3 Mata中的Stata命令538

B.1.4交互使用与批处理使用538

B.1.5 Mata的help命令538

B.2 Mata的矩阵命令539

B.2.1 Mata矩阵的输入539

B.2.2 Mata的矩阵算子541

B.2.3 Mata函数542

B.2.4 Mata交叉乘积543

B.2.5 Mata矩阵的下标以及合并矩阵544

B.2.6将Mata数据和矩阵转换至Stata545

B.3 Mata中的编程546

B.3.1声明546

B.3.2 Mata程序547

B.3.3把结果输出到Stata中的Mata程序547

B.3.4调用Mata程序的Stata程序548

B.3.5在ado文件中使用Mata548

本书术语缩写549

主题及术语551

参考文献579