• 今日66折
  • 天天BUY
Panel-data迴歸模型:Stata在廣義時間序列的應用

Panel-data迴歸模型:Stata在廣義時間序列的應用

  • 定價:1000
  • 優惠價:85850
  • 優惠期限:2019年10月31日止
  • 運送方式:
  • 臺灣與離島
  • 海外
  • 可配送點:台灣、蘭嶼、綠島、澎湖、金門、馬祖
  • 可取貨點:台灣、蘭嶼、綠島、澎湖、金門、馬祖
載入中...
 

內容簡介

  ●Panel-data迴歸是大量應用於經濟、統計、社會和醫學領域的熱門分析工具,研究者不可不學。
  ●本書內容結合「理論、方法、統計」,幫助您正確、精準處理Panel-data迴歸模型。
  ●完整剖析各項統計分析技巧,模型建立好簡單,迅速提升研究力!
  ●圖解操作流程,跟著老師的指示,無痛學習STATA指令功能。
  ●本書範例結合光碟檔案學習,帶領讀者熟悉軟體及統計觀念,一步一步深入分析。


  要真正了解現代經濟生活的數量關係,「統計學」、「經濟理論」與「數學」皆是不可或缺。「計量經濟學」便是整合了這三者,藉由統計工具將經濟理論付諸實際的實用學科。

  其中,panal-data迴歸模型包含樣本單位在某一時點上的多項特性,以及在一段時間內的連續觀察。這種結合橫斷面與時間數列的資料型態,不僅可應用於個體、總體經濟領域,更能延伸至社會科學、醫學及金融領域。

  本書利用STATA統計軟體,幫助研究者正確、精準地使用panel-data迴歸模型。STATA功能龐大,眾多內建(外掛)指令,幾乎囊括SPSS、SAS、LISREL/HLM、jMulti、Gretl、AMOS、LIMDEP及Eviews的處理能力。在此則專注在STATA處理panel-data迴歸模型的各項統計概念及分析技巧。

  本書各章皆有實際案例分析,配合光碟附檔與書中圖文指示練習,可讓學習者及研究者快速熟悉STATA統計軟體的操作、強化統計分析的基本功。
 

作者介紹

作者簡介

張紹勳


  學歷:國立政治大學資訊管理博士
  現任:國立彰化師大專任教授
  經歷:致理技術專任副教授

研究助理簡介

張任坊

  國立海洋大學商船系

張博一

  國立台北大學通訊工程學系
 

目錄

Chapter 01 追蹤資料/縱橫資料(Panel-Data)

1-1 前言
1-1-1 研究設計的類型
1-1-2 各大學興起建立Panel 資料庫

1-2 迴歸模型之重點整理
1-2-1 簡單OLS 迴歸模型之重點整理
1-2-2 線性:Panel 迴歸模型之重點整理

1-3 追蹤資料(panel-data) 簡介
1-3-1 橫斷面研究之侷限性
1-3-2 縱貫面研究的種類
1-3-3 縱貫面應用在社科研究之策略
1-3-4 Panel 迴歸模型的優缺點
1-3-5 追蹤資料的研究議題

1-4 追蹤資料(panel-data) 分析之Stata 相關指令

1-5 追蹤資料(panel-data) 之基本模型
1-5-1 Panel 資料型態及其模型分類
1-5-2 追蹤資料(panel-data) 模型:線性vs. 非線性模型
1-5-3a 追蹤資料(panel-data) 模型認定(identify) 與假設
1-5-3b  FE、BE、RE 三種追蹤資料(panel-data) 分析原理之實例解說
1-5-4 橫斷面:最小平方虛擬變數(LSDV) 迴歸模型之實作
1-5-5  追蹤資料(panel-data) 模型認定( 固定vs. 隨機效果)的進階

1-6 線性Panel 模型
1-6-1 xtreg 指令之報表解說
1-6-2 線性Panel 模型:xtreg 指令之五種效果型態
1-6-2a  範例:xtreg 指令之五種追蹤資料(panel-data)效果型態
1-6-2b  你該選Fixed Effects 或Random Effects 呢?用Hausman (1978) 檢定來判定
1-6-3  Two-Way 效果模型( 固定效果reg、隨機/混合效果icc 指令)

1-7 追蹤資料模型的效果選擇(pooled OLS、固定效果、隨機效果?)
1-7-1  F 檢定( 該選pooled OLS vs. 固定效果?):「xtreg?, fe」指令
1-7-2  Lagrange 乘數檢定(pooled OLS vs. 隨機效果?):隨機效果的事後指令xttest0
1-7-3  F 檢定、Lagrange 乘數(multiplier) 檢定、Hausman 檢定之流程
1-7-4  該選固定效果或隨機效果呢:Hausman 檢定(hausman 指令)

Chapter 02 簡易Panel-Data 法( 混合資料OLS 法,reg 指令)
2-1 最小平方法(OLS) 迴歸之假定(assumption)
2-2 不同年代婦女生育能力有變化嗎?
2-3 垃圾焚燒爐的位置對房價影響
2-4 歷年犯罪率(Crime Rates in North Carolina)

Chapter 03 時間序列之序列相關:線性動態模型

3-1 認識自我相關(AR)、序列相關(SC)
3-1-1 進行OLS 統計時應注意之事項
3-1-2 Longitudinal data 之序列相關
3-1-3  干擾項(Disturbances) 帶有AR(p) 結構(autoregressive of order p)
3-1-4 偵測序列相關(SC) 之方法:線性動態模型
3-1-4a Durbin-Watson 檢定法:限AR(1) 之偵測法
3-1-4b 更高階之殘差AR(p) 的檢定法有三:線性動態模型

3-2 Longitudinal data 序列相關( 先bgodfrey 偵測,再newey/prais指令解決)
3-2-1  序列相關AR(3)( 先reg、bgodfrey 偵測,再newey 指令解決)
3-2-2  序列相關AR(4)( 先dwatson、bgodfrey再newey/prais)

3-3 更多時間序列範例:誤差項具有AR ?
3-3-1  時間序列之誤差項有AR(1)( 先reg 再newey 指令修正AR1)
3-3-2  偵測時間序列中誤差項AR(3)( 先reg, bgodfrey 再newey 指令)
3-3-3 時間序列中誤差項帶有AR ( 先reg 再prais 指令)

3-4 Panel-data 序列相關:Wooldridge 檢定(xtserial 指令)

3-5 Panel-data 迴歸中誤差項有AR(1)
3-5-1a 自我相關檢定方法一:誤差帶AR(1) 的xtregar 指令
3-5-1b 自我相關檢定方法二:xtserial 指令
3-5-1c 自我相關檢定方法三:先reg、ivreg2 再abar;直接xtabond2

3-6 Panel 殘差之自我相關及殘差異質性之實作步驟
3-6-1a  混合資料(pooled) 效果模型vs. 樣本平均(PA)模型誰優?
3-6-1b 單因子個體效果vs. 單因子時間效果
3-6-1c 判定固定效果或隨機效果呢? (hausman 指令)
3-6-1d 誤差帶AR(1) 之Panel 模型? (xtregar 指令)
3-6-1e  偵測Panel 誤差異質性(xttest3)、自我相關(xttest2 指令)
3-6-1f 一併處理Panel 誤差異質性、自我相關(xtgls 指令)

Chapter 04 誤差變異之異質性(xtgls 指令為主流)

4-1 殘差之變異數
4-1-1 誤差變異σ2εit 的觀念
4-1-2 誤差變異σ2εit 的偵測法

4-2 偵測誤差之異質性(Heteroskedasticity)
4-2-1 橫斷面OLS 迴歸:殘差異質性診斷(hettest 指令)
4-2-2 殘差異質的改善:OLS 改成Robust 迴歸
4-2-3  橫斷面之誤差異質性:需ln() 變數變換( 先reg 再whitetst 指令)
4-2-4 縱貫面之誤差異質性( 先reg 再bpagan 指令)
4-2-5  縱貫面(Longitudinal-data) 誤差ARCH(先reg 再bpagan 指令)

4-3 Panel-data 誤差變異σ2εit 的相依性及異質性
4-3-1  Panel-data 相依性/同時期相關檢定(先xtgls 再xttest2 指令)
4-3-2a  偵測Panel-data 之σ2εit 異質性(方法一:先xtgls 再lrtest 指令)
4-3-2b  異質性Panel-data 二種誤差相關性(xtgls?, panels(hetero)corr(ar1) 等選項)
4-3-2c  偵測Panel-data 之σ2εit 異質性(方法二:直接用lmhlrxt 指令)
4-3-3  FGLS 實作Panel-data 之誤差自我相關及誤差異質變異(xtgls 指令)

4-4 Panel-data 有誤差自我相關且異質的誤差變異(xtpcse 指令)

Chapter 05 追蹤資料(Panel-Data) 迴歸之進階

5-1 追蹤資料/縱橫資料(panel-data)
5-1-1 追蹤資料之迴歸模型(panel-data Regression Model)
5-1-2 Stata 在追蹤資料(panel-data) 的應用

5-2 Panel「wide form」轉成「long form」: wages 範例

5-3 長型(Long) panels
5-3-1 長型(Long) panels 特性
5-3-2 長型(Long) panels 的指令

5-4 線性panel 之六種估計法
5-4-1 混合資料OLS 法(reg 指令)
5-4-2 混合資料OLS 法(reg, vce(cluster i) 指令)
5-4-3  混合資料OLS 法(「xtgee, corr(ar 2) vce(robust)」指令)
5-4-4  組間之廣義最小平方(Between GLS) 估計(xtreg, be 指令)
5-4-5 固定效果(or within) 之估計(xtreg, fe 指令)
5-4-6 隨機效果之估計(xtreg, re 指令)
5-4-7 帶有單根,一階差分估計 (reg, vce(cluster i) 指令)
5-4-8 線性panel 各估計法之se 比較

5-5 固定效果vs. 隨機效果之選擇

5-6 Panel IV( 工具變數):xtivreg 指令之一階差分

5-7 隨機係數(Random coefficients) 模型(xtrc 指令)

Chapter 06 聯立方程式( 內生的共變):工具變數及兩階段最小平方法(2SLS)

6-1 工具變數及兩階段最小平方法(2SLS)
6-1-1 進行OLS 統計分析時應注意之事項
6-1-2 工具變數(IV) 之重點整理
6-1-3  隨機解釋變數X(random regressor) 與工具變數Z(instrumental variable)
6-1-4a 單一工具變數及單一內生變數:內生性檢定
6-1-4b  兩階段最小平方法迴歸:Wu-Hausman 內生性檢定(「estat endogenous」指令)
6-1-5 為何需要多個工具變數?
6-1-6 工具變數(instrumental variables) 在教育的應用
6-1-7 兩階段迴歸vs. 最小平方法迴歸之範例

6-2 橫斷面/ panel:如何偵測需要工具變數呢?
6-2-1 為何「教育水準」需要多個工具變數Z 呢?
6-2-2  橫斷面Hausman 檢定:OLS vs. 2SLS 誰優?(hausman 指令)
6-2-3  Panel-data Hausman-Taylor 法:需工具變數嗎?(xthtaylor)
6-2-4  橫斷面:雙工具變數之兩階段迴歸(ivregress 2sls 指令)
6-2-5  橫斷面:單一工具變數之二階probit 迴歸(ivprobit?, twostep 指令)

6-3 Panel-data:工具變數及兩階段最小平方法(xtivreg 指令)
6-3-1 線性panel 資料進階問題的處理:內生性/多層次
6-3-2 偵測panel 資料之內生性(xtivreg 指令)
6-3-2a  Panel 固定效果:無工具變數xtreg vs. 有工具變數xtivreg 指令誰優?
6-3-2b  Panel 隨機效果有IV「G2SLS、EC2SLS 法」會比無IV 優嗎(xtivreg 指令)
6-3-2c  Panel-data 一階差分之估計:兩階段迴歸合(xtivreg?, fd 指令)

Chapter 07 Panel-data 單根檢定及共整合

7-1 時間序列:單根檢定(unit root test)
7-1-1 時間序列:單根檢定法之解說
7-1-2 單根檢定之流程
7-1-3 認識常用的單根檢定法
7-1-4 時間序列:ADF 單根檢定
7-1-5 Augmented Dickey-Fuller(ADF) 單根檢定法

7-2 常見panel-data 單根檢定法
7-2-1 Panel-data: Levin and Lin Test (xtunitroot llc 指令)
7-2-2 Panel-data: IPS 檢定(xtunitroot ips 指令)
7-2-3 Panel-data: Fisher Test 檢定(xtunitroot fisher 指令)

7-3 Panel-data 單根檢定之實例

7-4 時間序列之共整合分析
7-4-1 cointegration 分析步驟
7-4-2 Stata 實例:時間序列之共整合分析

7-5 Panel 共整合之解說

7-6 以誤差修正為基礎之panel-data 共整合檢定
7-6-1 以誤差修正為基礎之共整合檢定公式
7-6-2a 共整合檢定方法一:group-mean 檢定法
7-6-2b 共整合檢定方法二:panel 檢定法
7-6-2c 漸進檢定分配(asymptotic test distribution)
7-6-2d 橫斷面之相依性(cross-sectional dependence)

7-7 誤差修正為基礎之panel-data 共整合的實證研究
7-7-1 xtwest 指令語法
7-7-2 Error-correction-based 之panel 共整合分析(xtwest 指令)

Chapter 08 非線性:計數型panel 模型

8-1 非線性panel models 之應用領域
8-1-1 非線性:Panel 迴歸模型之分類
8-1-2 計數型(Count) 模型:Zero-inflated Poisson 迴歸之解說
8-1-3 非線性:Panel 迴歸模型之重點整理
8-1-4 非線性panel models 的指令

8-2 非線性Panel 四種估計法
8-2-1 非線性Panel:Pooled 法或Population-averaged 估計法
8-2-2 非線性Panel:隨機效果估計
8-2-3 非線性Panel:隨機斜率估計
8-2-4 非線性Panel:固定效果(FE) 估計

8-3 非線性Panel:計數型(count data) 迴歸之範例
8-3-1 Nonlinear panel:計數型(count) 迴歸之各指令
8-3-2  Count data 過度分散(over dispersed) 範例(xtsum 指令)

8-4 概似為基礎(Likelihood-based) 之Count 模型各種指令的解說
8-4-1  Panel Poisson 方法一:pooled Poisson 迴歸(poisson 指令)
8-4-2  Panel Poisson 方法二:樣本平均(PA)Poisson 迴歸(xtgee 指令)
8-4-3a  Panel Poisson 方法三:隨機效果(RE) 之gamma 隨機效果(xtpoisson, re 指令)
8-4-3b  Panel Poisson 方法四:隨機效果(RE) 之normal 隨機效果(xtpoisson, re 指令)
8-4-4  Panel Poisson 方法五:固定效果(「xtpoisson, fe」、「xtpqml,fe」指令)
8-4-5  上述五種「帶cluster-robust 標準誤之Poisson 估計」的比較
8-4-6 動差為基礎,固定效果計數型panel (FE count panel)
8-4-7 Panel Poisson 方法六:廣義動差法(GMM)
8-4-7a 橫斷面、線性:廣義動差法(GMM) 估計
8-4-7b  線性兩階段最小平方(ivregress 2sls):廣義動差法(GMM) 估計
8-4-7c 帶Lag 項CAPM 模型:廣義動差法(GMM) 的估計
8-4-7d  帶Endogenous regressor 之Poisson 模型:廣義動差法(GMM)
8-4-7e Logit Panel 模型:使用xtgee、xtlogit 指令

8-5 多層次混合(Multilevel mixed) 模型
8-5-1a 分層隨機抽樣
8-5-1b 偵測兩個敵對模型,誰比較適配你的樣本?
8-5-2a  線性、橫斷面:多層次混合迴歸(xtmixed 指
8-5-2b  線性、縱貫面:Mixed 或multilevel 或hierarchical model(xtmixed 指令)
8-5-2c 線性、縱貫面:多層成長模型(xtmixed 指令)
8-5-2d  追蹤(panel) 資料:多層隨機截距/隨機斜率模型(xtmixed 指令)
8-5-2e  追蹤(panel) 資料:三層之隨機截距/隨機斜率模型(xtmixed 指令)
8-5-3  線性:廣義估計方程式(GEE) 分析Panel-data(xtgee 指令)
8-5-4a 非線性:雙層次混合Logistic 迴歸(xtmelogit 指令)
8-5-4b 非線性:三層次Logistic 迴歸(xtmelogit 指令)
8-5-5  非線性計數型迴歸:三層次Poisson 迴歸(xtmepoisson 指令)
8-5-6  異質性誤差之隨機截距或混合效果模型(xtmixed 指令)
8-5-7 潛在成長曲線(xtmixed+ nlcom 指令)

8-6 群聚的資料(clustered data)
8-6-1  群聚資料之panel 模型( 指令「xtreg?, vce (cluster)」)
8-6-2 群聚資料(clustered data) 之Stata 估計
8-6-3 群聚資料(clustered data) 實作( 各種迴歸模型)

Chapter 09 線性:動態Panel-Data 模型

9-1 經濟數學模型

9-2 線性:動態(dynamic) panel 模型
9-2-1  線性動態panel 模型:廣義動差法(xtabond、xtdpd 指令)
9-2-2a GMM 應用於動態Panel Data 模型
9-2-2b  線性動態panel 模型:廣義動差法(xtdpdsys、gmm 指令)
9-2-3  Arellano-Bond 線性動態panel-data 估計(xtabond 指令)
9-2-3a Arellano-Bond 一階差分動態模型(xtabond 指令)
9-2-3b  比較Arellano-Bond 一階差分動態四種模型(xtabond 指令)
9-2-4 Arellano-Bond 線性動態panel-data 估計(xtdpd 指令)

參考文獻
 

詳細資料

  • ISBN:9789571185668
  • 規格:平裝 / 1024頁 / 16k / 19 x 26 x 5.12 cm / 普通級 / 單色印刷 / 初版
  • 出版地:台灣
 

內容連載

Chapter 01 追蹤資料/ 縱橫資料(Panel-Data)

當你要使用本書CD 所附資料檔,你可以先將資料copy 到硬碟之任一資料夾中。在Stata 畫面再設定工作目錄,為剛才複製的資料夾路徑,即「File >Chang working directory」。例如,作者自定「D:_ 廣義時間序列:追蹤資料(panel-data) 分析」為工作目錄。接著再選「File > Open」,開啟任一「*.dta」資料檔,即可進行資料分析。

1-1 前言

一、希臘字母大小寫之意義
  
在傳統之統計學裡,習慣上,大小寫a, b, c 代表常數(constant) 或係數(coefficient);f, g, h 代表函數;i, j, k 代表整數;小寫x, y, z 代表變數;大寫X, Y, Z 代表矩陣。樣本的參數( 平均數M、標準差S⋯⋯) 慣用大寫英文字母;母群體樣本的參數( 平均數μ、標準差σ⋯⋯) 慣用小寫希臘字母。倘若這些英文字母「符號」仍不夠用,統計學家會納入希臘字母。
  
在多變量統計、計量經濟之時間序列裡,由於它包含多個迴歸式,這多個迴歸「恆等式」同時求解,就叫聯立方程式,又稱向量迴歸。人們為了簡化這種波動性「向量迴歸」的預測或共整合關係式,就改用「矩陣形式」恆等式來求該係數矩陣的特徵值(Eigen value)、特徵向量(Eigen vector),進而求出「聯立迴歸式」的解。為了統合這些代表矩陣的符號,於是,數學家就以「小寫英文字」代表變數( 序列)。「大寫希臘字」代表係數向量/係數矩陣(coefficientmatrix),它是(m×n) 矩陣。「小寫希臘字」代表單一係數(coefficient)。

二、何謂Panel 迴歸?
  
迴歸分析與相關分析著重在兩個或是多個變數之間的線性關係。一般來說在此兩種分析模型當中,我們通常會利用自變數x 來預測依變數y,而在時間序列分析當中,通常會把時間當作是自變數來分析依變數,亦即探討依變數y 在不同時間點的變化,並且利用過去依照時間排列的數據來預測未來的資訊。此類數據即為一時間序列,時間序列的分析則著重於研究數據序列的相互依賴關係。時間序列的資料在經過分析之後,藉由瞭解其相互關係來發展出適合的預測模型。

最近瀏覽商品

 

相關活動

  • 有錢,真的能買到快樂嗎?基金投資教父約翰.伯格強力讚譽,一本關於財富的通識課《金錢超思考》
 

購物說明

若您具有法人身份為常態性且大量購書者,或有特殊作業需求,建議您可洽詢「企業採購」。 

退換貨說明 

會員所購買的商品均享有到貨十天的猶豫期(含例假日)。退回之商品必須於猶豫期內寄回。 

辦理退換貨時,商品必須是全新狀態與完整包裝(請注意保持商品本體、配件、贈品、保證書、原廠包裝及所有附隨文件或資料的完整性,切勿缺漏任何配件或損毀原廠外盒)。退回商品無法回復原狀者,恐將影響退貨權益或需負擔部分費用。 

訂購本商品前請務必詳閱商品退換貨原則 

  • 題庫解析X精華重點分析X最新小法典
  • 百億票房導演新海誠最新待望作

訂閱電子報

想獲得最新商品資訊,請訂閱免費電子報