热场：灯丝常亮，不需要清洁维护，灯丝亮度高，成像效果较好（相同等级的热场FESEM成像效果略逊色于冷场FESEM），EDS效果远优于冷场。
TEM :Transmission Electron Microscopy 透射电镜EDS:能量弥散X射线谱（Energy-dispersive X-ray spectroscopy
SEM:scanning electron microscope扫描电子显微镜
FE-SEM:Field-Emission Scanning Electron Microscope场发射扫描电子显微镜
STM:scanning tunneling microscope扫描隧道显微镜
AFM：Atomic force microscopy原子力显微镜
XRD：X-ray diffractionX射线衍射
XPS：X-ray photoelectron spectroscopyX射线光电子能谱
FT-IR：Fourier transform infrared spectroscopy 傅立叶红外光谱仪
UV-VISQ：Ultraviolet–visible spectroscopy 紫外可见吸收光谱
stata命令大全********* 面板数据计量分析与软件实现 *********
说明：以下do文件相当一部分内容来自于中山大学连玉君STATA教程，感谢他的贡献。本人做了一定的修改与筛选。
*----------面板数据模型
* 1.静态面板模型：FE 和RE
* 2.模型选择：FE vs POLS, RE vs POLS, FE vs RE （pols混合最小二乘估计）
* 3.异方差、序列相关和截面相关检验
* 4.动态面板模型（DID-GMM,SYS-GMM）
* 5.面板随机前沿模型
* 6.面板协整分析（FMOLS,DOLS）
*** 说明：1-5均用STATA软件实现， 6用GAUSS软件实现。
* 生产效率分析（尤其指TFP）：数据包络分析（DEA）与随机前沿分析（SFA）
***
说明：DEA由DEAP2.1软件实现，SFA由Frontier4.1实现，尤其后者，侧重于比较C-D与Translog生产函数，一步法与两步法的区别。常应用于地区经济差异、FDI溢出效应（Spillovers
Effect）、工业行业效率状况等。
* 空间计量分析：SLM模型与SEM模型
*说明：STATA与Matlab结合使用。常应用于空间溢出效应（R&D）、财政分权、地方政府公共行为等。
* ---------------------------------
* -------- 一、常用的数据处理与作图 -----------
* ---------------------------------
* 指定面板格式
xtset id year （id为截面名称，year为时间名称）
xtdes /*数据特征*/
xtsum logy h /*数据统计特征*/
sum logy h /*数据统计特征*/
*添加标签或更改变量名
label var h "人力资本"
rename h hum
*排序
sort id year /*是以STATA面板数据格式出现*/
sort year id /*是以DEA格式出现*/
*删除个别年份或省份
drop if year<1992
drop if id==2 /*注意用==*/
*如何得到连续year或id编号（当完成上述操作时，year或id就不连续，为形成panel格式，需要用egen命令）
egen year_new=group(year)
xtset id year_new
**保留变量或保留观测值
keep inv /*删除变量*/
**或
keep if year==2000
**排序
sort id year /*是以STATA面板数据格式出现
sort year id /*是以DEA格式出现
**长数据和宽数据的转换
*长>>>宽数据
reshape wide logy,i(id) j(year)
*宽>>>长数据
reshape logy,i(id) j(year)
**追加数据（用于面板数据和时间序列）
xtset id year
*或者
xtdes
tsappend,add(5) /表示在每个省份再追加5年，用于面板数据/
tsset
*或者
tsdes
.tsappend,add(8) /表示追加8年，用于时间序列/
*方差分解，比如三个变量Y,X,Z都是面板格式的数据，且满足Y=X+Z，求方差var(Y),协方差Cov(X,Y)和Cov（Z,Y）
bysort year:corr Y X Z,cov
**生产虚拟变量
*生成年份虚拟变量
tab year,gen(yr)
*生成省份虚拟变量
tab id,gen(dum)
**生成滞后项和差分项
xtset id year
gen ylag=l.y /*产生一阶滞后项)，同样可产生二阶滞后项*/
gen ylag2=L2.y
gen dy=D.y /*产生差分项*/
*求出各省2000年以前的open inv的平均增长率
collapse (mean) open inv if year<2000,by(id)
变量排序，当变量太多，按规律排列。可用命令
aorder
或者
order fdi open insti
*-----------------
* 二、静态面板模型
*-----------------
*--------- 简介 -----------
* 面板数据的结构(兼具截面资料和时间序列资料的特征)
use product.dta, clear
browse
xtset id year
xtdes
* ---------------------------------
* -------- 固定效应模型 -----------
* ---------------------------------
* 实质上就是在传统的线性回归模型中加入 N-1 个虚拟变量，
* 使得每个截面都有自己的截距项，
* 截距项的不同反映了个体的某些不随时间改变的特征
*
* 例如： lny = a_i + b1*lnK + b2*lnL + e_it
* 考虑中国29个省份的C-D生产函数
*******-------画图------*
*散点图+线性拟合直线
twoway (scatter logy h) (lfit logy h)
*散点图+二次拟合曲线
twoway (scatter logy h) (qfit logy h)
*散点图+线性拟合直线+置信区间
twoway (scatter logy h) (lfit logy h) (lfitci logy h)
*按不同个体画出散点图和拟合线，可以以做出fe vs re的初判断*
twoway (scatter logy h if id<4) (lfit logy h if id<4) (lfit logy h if
id==1) (lfit logy h if id==2) (lfit logy h if id==3)
*按不同个体画散点图,so beautiful!!!*
graph twoway scatter logy h if id==1 || scatter logy h if id==2,msymbol(Sh)
|| scatter logy h if id==3,msymbol(T) || scatter logy h if id==4,msymbol(d) || ,
legend(position(11) ring(0) label(1 "北京") label(2 "天津") label(3 "河北") label(4
"山西"))
**每个省份logy与h的散点图，并将各个图形合并
twoway scatter logy h,by(id) ylabel(,format(%3.0f))
xlabel(,format(%3.0f))
*每个个体的时间趋势图*
xtline h if id<11,overlay legend(on)
* 一个例子：中国29个省份的C-D生产函数的估计
tab id, gen(dum)
list
* 回归分析
reg logy logk logl dum*,
est store m_ols
xtreg logy logk logl, fe
est store m_fe
est table m_ols m_fe, b(%6.3f) star(0.1 0.05 0.01)
* Wald 检验
test logk=logl=0
test logk=logl
* stata的估计方法解析
* 目的：如果截面的个数非常多，那么采用虚拟变量的方式运算量过大
* 因此，要寻求合理的方式去除掉个体效应
* 因为，我们关注的是 x 的系数，而非每个截面的截距项
* 处理方法：
*
* y_it = u_i + x_it*b + e_it (1)
* ym_i = u_i + xm_i*b + em_i (2) 组内平均
* ym = um + xm*b + em (3) 样本平均
* (1) - (2), 可得：
* (y_it - ym_i) = (x_it - xm_i)*b + (e_it - em_i) （4） /*within estimator*/ *
(4)+(3), 可得：
* (y_it-ym_i+ym) = um + (x_it-xm_i+xm)*b + (e_it-em_i+em)
* 可重新表示为：
* Y_it = a_0 + X_it*b + E_it
* 对该模型执行 OLS 估计，即可得到 b 的无偏估计量
**stata后台操作，揭开fe估计的神秘面纱！！！
egen y_meanw = mean(logy), by(id) /*个体内部平均*/
egen y_mean = mean(logy) /*样本平均*/
egen k_meanw = mean(logk), by(id)
egen k_mean = mean(logk)
egen l_meanw = mean(logl), by(id)
egen l_mean = mean(logl)
gen dyw = logy - y_meanw
gen dkw = logk - k_meanw
gen dlw=logl-l_meanw
reg dyw dkw dlw,nocons
est store m_stata
gen dy = logy - y_meanw + y_mean
gen dk = logk - k_meanw +k_mean
gen dl=logl-l_meanw+l_mean
reg dy dk dl
est store m_stata
est table m_*, b(%6.3f) star(0.1 0.05 0.01)
* 解读 xtreg,fe 的估计结果
xtreg logy h inv gov open,fe
*-- R^2
* y_it = a_0 + x_it*b_o + e_it (1) pooled OLS
* y_it = u_i + x_it*b_w + e_it (2) within estimator
* ym_i = a_0 + xm_i*b_b + em_i (3) between estimator
*
* -->R-sq: within 模型(2)对应的R2，是一个真正意义上的R2
* -->R-sq: between corr{xm_i*b_w,ym_i}^2
* -->R-sq: overall corr{x_it*b_w,y_it}^2
*
*-- F(4,373) = 855.93检验除常数项外其他解释变量的联合显著性
*
*
*-- corr(u_i, Xb) = -0.2347
*
*-- sigma_u, sigma_e, rho
* rho = sigma_u^2 / (sigma_u^2 + sigma_e^2)
dis e(sigma_u)^2 / (e(sigma_u)^2 + e(sigma_e)^2)
*
* 个体效应是否显著？
* F(28, 373) = 338.86 H0: a1 = a2 = a3 = a4 = a29
* Prob >F = 0.0000 表明，固定效应高度显著
*---如何得到调整后的 R2,即 adj-R2 ？
ereturn list
reg logy h inv gov open dum*
*---拟合值和残差
* y_it = u_i + x_it*b + e_it
* predict newvar, [option]
/*
xb xb, fitted valuesthe default
stdp calculate standard error of the fitted values
ue u_i + e_it, the combined residual
xbu xb + u_i, prediction including effect
u u_i, the fixed- or random-error component
e e_it, the overall error component */
xtreg logy logk logl, fe
predict y_hat
predict a , u
predict res,e
predict cres, ue
gen ares = a + res
list ares cres in 1/10
* ---------------------------------
* ---------- 随机效应模型 ---------
* ---------------------------------
* y_it = x_it*b + (a_i + u_it)
* = x_it*b + v_it
* 基本思想：将随机干扰项分成两种
* 一种是不随时间改变的，即个体效应 a_i
* 另一种是随时间改变的，即通常意义上的干扰项 u_it
* 估计方法：FGLS
* Var(v_it) = sigma_a^2 + sigma_u^2
* Cov(v_it,v_is) = sigma_a^2
* Cov(v_it,v_js) = 0
* 利用Pooled OLS，Within Estimator, Between Estimator
* 可以估计出sigma_a^2和sigma_u^2,进而采用GLS或FGLS
* Re估计量是Fe估计量和Be估计量的加权平均
* yr_it = y_it - theta*ym_i
* xr_it = x_it - theta*xm_i
* theta = 1 - sigma_u / sqrt[(T*sigma_a^2 + sigma_u^2)]
* 解读 xtreg,re 的估计结果
use product.dta, clear
xtreg logy logk logl, re
*-- R2
* -->R-sq: within corr{(x_it-xm_i)*b_r, y_it-ym_i}^2
* -->R-sq: between corr{xm_i*b_r,ym_i}^2
* -->R-sq: overall corr{x_it*b_r,y_it}^2
* 上述R2都不是真正意义上的R2，因为Re模型采用的是GLS估计。
*
* rho = sigma_u^2 / (sigma_u^2 + sigma_e^2)
dis e(sigma_u)^2 / (e(sigma_u)^2 + e(sigma_e)^2)
*
* corr(u_i, X) = 0 (assumed)
* 这是随机效应模型的一个最重要，也限制该模型应用的一个重要假设
* 然而，采用固定效应模型，我们可以粗略估计出corr(u_i, X)
xtreg market invest stock, fe
*
* Wald chi2(2) = 10962.50 Prob>chi2 = 0.0000
*-------- 时间效应、模型的筛选和常见问题
*---------目录--------
* 7.2.1 时间效应（双向固定(随机)效应模型）
* 7.2.2 模型的筛选
* 7.2.3 面板数据常见问题
* 7.2.4 面板数据的转换
* ----------------------------------
* ------------时间效应--------------
* ----------------------------------
* 单向固定效应模型
* y_it = u_i + x_it*b + e_it
* 双向固定效应模型
* y_it = u_i + f_t + x_it*b + e_it
qui tab year, gen(yr)
drop yr1
xtreg logy logk logl yr*, fe
* 随机效应模型中的时间效应
xtreg logy logk logl yr*, fe
* ---------------------------------
* ----------- 模型的筛选 ----------
* ---------------------------------
* 固定效应模型还是Pooled OLS？
xtreg logy logk logl yr*, fe /*Wald 检验*/
qui tab id, gen(dum) /*LR检验*/
reg logy logk logl /*POLS*/
est store m_ols
reg logy logk logl dum*,nocons
est store m_fe
lrtest m_ols m_fe
est table m_*, b(%6.3f) star(0.1 0.05 0.01)
* RE vs Pooled OLS？
* H0: Var(u) = 0
* 方法一：B-P 检验
xtreg logy logk logl, re
xttest0
* FE vs RE?
* y_it = u_i + x_it*b + e_it
*--- Hausman 检验 ---
* 基本思想：如果 Corr(u_i,x_it) = 0, Fe 和 Re 都是一致的，但Re更有效
* 如果 Corr(u_i,x_it)!= 0, Fe 仍然有效，但Re是有偏的
* 基本步骤
***情形1：huasman为正数
xtreg logy logk logl, fe
est store m_fe
xtreg logy logk logl, re
est store m_re
hausman m_fe m_re
*** 情形2：
qui xtreg logy h inv gov open,fe
est store fe
qui xtreg logy h inv gov open,re
est store re
hausman fe re
* Hausman 检验值为负怎么办？
* 通常是因为RE模型的基本假设 Corr(x,u_i)=0 无法得到满足
* 检验过程中两个模型的方差-协方差矩阵都采用Fe模型的
hausman fe re, sigmaless
* 两个模型的方差-协方差矩阵都采用Re模型的
hausman fe re, sigmamore
*== 为何有些变量会被drop掉？
use nlswork.dta, clear
tsset idcode year
xtreg ln_wage hours tenure ttl_exp, fe /*正常执行*/
* 产生种族虚拟变量
tab race, gen(dum_race)
xtreg ln_wage hours tenure ttl_exp dum_race2 dum_race3, fe
* 为何 dum_race2 和 dum_race3 会被 dropped ?
* 固定效应模型的设定：y_it = u_i + x_it*b + e_it (1)
* 由于个体效应 u_i 不随时间改变，
* 因此若 x_it 包含了任何不随时间改变的变量，
* 都会与 u_i 构成多重共线性，Stata会自动删除之。
*******异方差、序列相关和截面相关问题
* ---------------- 简 介 -------------
* y_it = x_it*b + u_i + e_it
*
* 由于面板数据同时兼顾了截面数据和时间序列的特征，
* 所以异方差和序列相关必然会存在于面板数据中；
* 同时，由于面板数据中每个截面（公司、个人、国家、地区）之间还可能存在内在的联系， * 所以，截面相关性也是一个需要考虑的问题。
*
* 此前的分析依赖三个假设条件：
* （1） Var[e_it] = sigma^2 同方差假设
* (2) Corr[e_it, e_it-s] = 0 序列无关假设
* (3) Corr[e_it, e_jt] = 0 截面不相关假设
*
* 当这三个假设无法得到满足时，便分别出现 异方差、序列相关和截面相关问题； * 我们一方面要采用各种方法来检验这些假设是否得到了满足；
* 另一方面，也要在这些假设无法满足时寻求合理的估计方法。
* ---------------- 假设检验 -------------
*== 组间异方差检验（截面数据的特征）
* Var(e_i) = sigma_i^2
* Fe 模型
xtreg logy logk logl, fe
xttest3
* Re 模型
* Re本身已经较大程度的考虑了异方差问题，主要体现在sigma_u^2上
*== 序列相关检验
* Fe 模型
* xtserial Wooldridge(2002)，若无序列相关，则一阶差分后残差相关系数应为-0.5
xtserial logy logk logl
xtserial logy logk logl, output
* Re 模型
xtreg logy logk logl, re
xttest1 /*提供多个统计检验量*/
*== 截面相关检验
* xttest2命令 H0: 所有截面残差的相关系数都相等
xtreg logy logk logl, fe
xttest2
* 由于检验过程中执行了SUE估计，所以要求T>N
xtreg logy logk logl if id<6, fe
xttest2
* xtcsd 命令（提供了三种检验方法）
xtreg logy logk logl, fe
xtcsd , pesaran /*Pesaran(2004)*/
xtcsd , friedman /*Friedman(1937)*/
xtreg logy logk logl, re
xtcsd , pesaran
* ----------------- 估计方法 ---------------------
*== 异方差稳健型估计
xtreg logy h inv gov open, fe robust
est store fe_rb
xtreg logy h inv gov open, fe robust
est store fe
* 结果对比
esttab fe_rb fe, b(%6.3f) se(%6.3f) mtitle(fe_rb fe)
*== 序列相关估计
* 一阶自相关 xtregar, fe/re
* 模型： y_it = u_i + x_it*b + v_it (1)
* v_it = rho*v_it-1 + z_it (2)
xtregar logy h inv gov open, fe
est store fe_ar1
xtregar logy h inv gov open,fe lbi /*Baltagi-Wu LBI test*/
欢迎分享，转载请注明来源：夏雨云
微信扫一扫
支付宝扫一扫
评论列表（0条）