请教可以用STATA做面板数据的SEM模型吗

结果的前两行表示模型的类别，LZ采用的为randomeffect随机模型，截面变量：province，样本数目310.群组数目31，也就是每组10个观测值。3-5行表示模型的拟合优度，分别为within，between，overall，组内，组间，总体三个层次。6-7行表示针对参数联合检验的waldchi2检验和Pvalue，p=0.000表示参数整体上灰常显著。8-10行表示解释变量的估计权重，截距，标准差，Z统计量，P值及95%置信区间。这块儿跟截面回归的产出结果是一样的，关于你的解释变量base的权重解释是，在其他多有条件都不变的情况下，base每增加一单位，city会增加0.0179单位，P值0.000，灰常显著。最后三行分别是随机效应模型中个体效应和随机干扰项的方差估计值，分别为sigma_u,sigma_e.以上两者之间的关系rho.需要注意的是你的模型拟合度不高，R方只有26%，当然这要看具体是哪方面的研究以及同方向其他学者的拟合结果，如果大家都在20多，那就OK。

两个变量之间的相关系数，可以在SPSS中的correlation中计算得到。两组变量之间的相关系数如何计算呢？专研了一天，还是从竹庄家的网页里获得了最多的知识。

以下为转贴：

计算两组变量之间相关系数的最好（即最容易也最准确）方法是用LISREL、AMOS等结构方程模型（SEM）。如果A1－A3是一个潜在因子、B1－B5是另一个潜在因子。SEM可以同时检验这两个潜在因子内部各观测变量是否相关以及两个因子之间是否相关。

如果你没学过SEM而只想在SPSS里做，有几种变通方法，但是都比较麻烦一点，其结果略有差别。

一、因子分析（EFA）：先分别对A1－A3和B1－B5做因子分析、并从中生成两个因子、最后在相关分析中计算因子之间的相关系数。如果这两组变量（尤其是B1－B5）每组各自存在2个或更多的因子，就有问题了。（当然，如果这种情况发生，用其它方法同样也会有问题。）

二、General Linear Model（GLM）：选"Multivariate", 将A1-A3放入"Dependent Variables"、B1－B5放入"Covariate(s)"，执行后在“Test of Between-Subjects Effects"的表底部，找到对应于A1-A3的三个"R Squared" ，求其平均，再求其平方根(squared root），就是两组变量的相关系数了。

三、在MANOVA里启用其Canonical Correlation，SPSS菜单中已找不到MANOVA了，要写如下的syntax：

MANOVA a1 a2 a3 WITH b1 b2 b3 b4 b5

/DISCRIM ALL ALPHA(1)

/PRINT=SIG(EIGEN DIM)

其产生很多个表格，最后的“Analysis of Variance -- design 1：Estimates of effects for canonical variables”给出了类似GLM的R Squared，然后再求平方根

四、如果使用SPSS15，它提供了一个"Canonical Correlations.sps"的syntax，可以调用，其结果的解读如上。

步骤一：分析数据的平稳性（单位根检验）。

按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。

步骤二：协整检验或模型修正。

情况一：如果基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。

所谓的协整是指若两个或多个非平稳的变量序列，其某个线性组合后的序列呈平稳性。此时我们称这些变量序列间有协整关系存在。因此协整的要求或前提是同阶单整。

步骤三：面板模型的选择与回归。

面板数据模型的选择通常有三种形式：

一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。

一种是固定效应模型（Fixed Effects Regression Model）。如果对于不同的截面或不同的时间序列，模型的截距不同，则可以采用在模型中添加虚拟变量的方法估计回归参数。

一种是随机效应模型。

扩展资料：

面板数据模型可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验。

其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分别指Levin, Lin &Chu t* 统计量、Breitung t 统计量、lm Pesaran &Shin W 统计量。

ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量、Hadri Z统计量，并且Levin, Lin &Chu t* 统计量、Breitung t统计量的原假设为存在普通的单位根过程。

lm Pesaran &Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量的原假设为存在有效的单位根过程， Hadri Z统计量的检验原假设为不存在普通的单位根过程。

---