stata空间计量模型基础+检验命令LM检验、sem、门槛+arcgis画图

ops/2024/11/14 12:43:19/

目录

  1. 怎么安装stata命令 3
  2. 怎么使用已有的数据 4
  3. 数据编辑器中查看数据 4
  4. 怎么删除不要的列 4
  5. 直接将字符型变量转化为数值型的命令 4
  6. 改变字符长度 4
  7. 描述分析 4
  8. 取对数 5
  9. 相关性分析 5
  10. 单位根检验 5
  11. 权重矩阵标准化 6
  12. 计算泰尔指数 6
  13. 做核密度图 7
  14. Moran’s I 指数 8
  15. 空间计量模型 9
  16. LM检验 10
  17. Hausman 检验 11
  18. LR 检验 11
  19. 检验是否退化 13
  20. Wald 检验 14
  21. 交互效应 14
  22. 中介效应 15
  23. 门槛模型 19
  24. Arcgis画图 20
  25. 怎么选择想要的省份 24
  26. 空间引力模型 25
    1.怎么安装stata命令
    ① ssc install 名字
    在这里插入图片描述

②  search 名字
在打开的网页点击随便一个蓝色连接
在这里插入图片描述

点击click…
在这里插入图片描述
完成
在这里插入图片描述
2.怎么使用已有的数据
文件——更改工作目录——选择到数据所在的文件位置——确定
这样子就把当前的stata程序也保存在了同一目录下了,就可以使用在此文件的数据了
3.数据编辑器中查看数据

4.怎么删除不要的列
导入数据——use data——drop 名字
5.直接将字符型变量转化为数值型的命令
当数据格式是str,文本类型,所以呈现红色
destring 变量名,replace 新的名字(英文)
encode 变量,generate(yy)
6.改变字符长度
format var8 %16.0g *16.0意思是改为16个字符那么长
7.描述分析
ssc inatall asdoc *下载包
asdoc sum y en res tec con
在这里插入图片描述
8.取对数
foreach var of varlist y en res tec con{
gen ln ‘var’=log(‘var’)}
9.相关性分析
correlate y tec res en con
在这里插入图片描述
10.单位根检验
n大于t可以不做,想要检验一个名为“inflation”的变量是否存在单位根,可以运行以下命令
DF检验
dfuller inflation, trend
ADF检验
Dfuller inflation, lags(4)
面板数据单位根检验
如果p值小于显著性水平,则可以拒绝原假设并认为该变量不存在单位根。
xtunitroot llc lnrxrate , demean lags(aic 10) kernel(bartlett nwest)
demean表示去截面均值
lags(#) 表示序列变量差分的滞后项数#,其中截面滞后阶数相同
lags(aic #) lags(bic #) lags(hqic #)以aic bic hqic准则判定最大滞后阶数#
trend 表示加入趋势项并默认加入个体固定项
noconstant 表示趋势项与个体项都不加入
trend和noconstant都不加默认个体固定项
kernel(kernel_spec) 为核函数,估计渐进方差,具体设定包括 ba pa qu等)
11.权重矩阵标准化
spatwmat using W.dta, name(W) standardize *行标准化
12.计算泰尔指数
在这里插入图片描述
在这里插入图片描述

数据如下

在这里插入图片描述
. use data3.dta
. gen I城镇= 城镇人口* 城镇收入
. gen I农村= 农村人口农村收入
. sort I农村
. gen Iall= I城镇+ I农村
. gen Pall=城镇人口+ 农村人口
. gen I比例城镇= I城镇/ Iall
. gen I比例农村= I农村/ Iall
. gen p比例城镇= 城镇人口 / Pall
. gen p比例农村= 农村人口 / Pall
. gen theil= I比例城镇
ln( I比例城镇/ p比例城镇)+ I比例农村*ln( I比例农村/ p比例农村)
. sum thei
13.做核密度图
假如做城镇收入的核密度图
kdensity 城镇收入
更改坐标
. kdensity 城镇收入,xlabel(0.1(0.2)1.5) ylabel(0(0.2)1.5)
画多个核密度
. kdensity 城镇收入,addplot(kdensity 农村收入) xlabel(0.1(0.2)1.5) ylabel(0(0.2 )1.5) *两个图
. kdensity 城镇收入,addplot((kdensity 农村收入)(kdensity 城镇人口)) xlabel(0.1(0.2)1.5) ylabel(0(0.2)1.5) *三个图
在这里插入图片描述
增加坐标名
. kdensity 城镇收入,xlabel(0.1(0.2)1.5) ylabel(0(0.2)1.5) title(“收入核密度图”) xtitle(“时间”) ytitle(“密度”)

14.Moran’s I 指数
preserve
keep if year==2010
spatgsa y,weights(W) moran
restore
*把年份改了就可以做所有年的,结果中p值小于0.1则存在空间效应
在这里插入图片描述
15.空间计量模型
先把空间权重矩阵放进去
spatwmat using w.dta,name(w) standardize *标准化
clear
use data *使用数据
xtset id year
随机效应模型
xsmle y x a, model(sdm) wmat(W) type(both) nolog effects re
时间固定效应
xsmle y x a, model(sdm) wmat(W) type(time) nolog effects fe
个体固定效应
xsmle y x a, model(sdm) wmat(W) type(ind) nolog effects fe
双固定效应
xsmle y x a, model(sdm) wmat(W) type(both) nolog effects fe

  • effects表示显示直接效应、间接效应与总效应,noeffects不显示
    加上约束变量只看x1的空间效应
    xsmle y x1 x2 x3,wmat(W) durbin(x1) model(SDM) fe
    est ic看AIC BIC
    16.LM检验
    *判断是否存在空间依赖性,是才可以做空间计量模型
    *进行LM检验之前,需要将空间权重矩阵扩大
    use w / /W 为权重名称
    spcs2xt a1-a30,matrix(w)time(13) //扩大13倍
    spatwmat using wxt,name(W)
    clear
    use data *调用论文数据 data
    xtset id year
    reg y x1 x2 x3 a1 a2 a3 a4 *ols的结果
    spatdiag,weights(W) *LM检验
    在这里插入图片描述
    一般来说,P值小于0.1则显著。Spatial error为空间误差模型(SEM);Spatial lag为空间滞后模型(SAR);Robust为结果稳健的意思。Error的p值不显著,不适合空间误差,在这里空间滞后也不显著。
    在这里插入图片描述
    17.Hausman 检验
    检验用于选择固定效应模型还是随机效应模型,用没有扩大的权重矩阵
    方法一
    spatwmat using w.dta,name(w) standardize
    xsmle y en res tec con , fe model(sdm) wmat(w) hausman nolog noeffects
    在这里插入图片描述

p大于0.1选择随机,否则选择固定

方法二
xsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(both)
est store fe
xsmle y x1 x2 x3 a1 a2 a3 a4 , re model(sdm) wmat(W) nolog noeffects type(both)
est store re
hausman fe re

18.LR 检验
判断使用何种固定效应模型,检验地区固定效应、时间固定效应以及双固定效应,三种效应哪个最适合
spatwmat using W, name(W) standardize
个体固定
xsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(ind)
est store ind
时间固定
xsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(time)
est store time
双固定
xsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(both)
est store both
lrtest both ind,df(10) *看哪一个最优
lrtest both time,df(10)
操作案例
xsmle y en res tec con , fe model(sdm) wmat(w) nolog noeffects type(ind)
est store ind
xsmle y en res tec con , fe model(sdm) wmat(w) nolog noeffects type(time)
est store time
xsmle y en res tec con , fe model(sdm) wmat(w) nolog noeffects type(both)
est store both
lrtest both ind,df(10) *这才是判断哪一个最优,前面只需要跑一下就可以了
在这里插入图片描述
可见P值显著,那么拒绝使用个体,从而使用both
在这里插入图片描述
同理选择双向固定的both
19.检验是否退化
检验空间杜宾模型是否会退化为空间滞后模型和空间误差模型
操作案例
xsmle y en res tec con , fe model(sdm) wmat(w) nolog noeffects type(both)
est store sdm
xsmle y en res tec con , fe model(sdm) wmat(w) nolog noeffects type(both)
est store sar
. xsmle y en res tec con , fe model(sem) emat(w) nolog noeffects type(both)
est store sem
lrtest sdm sar *H0:SDM退化为SAR
如果P小于0.1显著,不可以退化,P值大于0.1,说明可以退化
lrtest sdm sem *H0:SDM退化为SEM
如果P小于0.1显著,不可以退化,P值大于0.1,说明可以退化
20.Wald 检验
clear all
use data
spatwmat using W.dta,name(W) standardize
xtset id year
xsmle y x a, fe model(sdm) wmat(W) type(both) nolog noeffects
Test x=a=0
Test [wx]x=0
Test[wx]x=[wx]a=0
estat ic
21.交互效应
在这里插入图片描述

gen c = a*b 产生a和b的交互项
然后做回归
gen c = en
res
reg y en res con c
11.中介效应
ba和c’同号则表示发挥了中介效应,异号则表示稀释效应。
在这里插入图片描述
中介效应方法一
reg tec en res con *在这里假设tec为中介变量,en是核心解释变量
在这里插入图片描述

看en所对应的p小于0.1可见是显著的
estimates store reg1 *结果存起来
reg y res con tec en
*tec所对应的p值小于0.1
*tec所对应的p值小于0.1
在这里插入图片描述

estimates store reg2
esttab reg1 reg2 using out.doc,mtitles r2(%6.2f) ar2(%6.2f)
*把结果输入到word其中r2为R方 ar2为调整的
*如果都显著说明存在中介效应,在这里reg2回归中en前面的系数是显著的,说明中介变量发挥的是部分效应,如果一个显著一个不显著需要用bootstrap检验,检验如下
bootstrap r(ind_eff) r(dir_eff),reps(1000):sgmediation y mv(tec) iv(en) cv(con res)
*mv里面是中介变量 iv是自变量 cv是控制变量
中介效应方法二
逐步回归
ssc install reghdfe
ssc install ftools
reghdfe y res en con,absorb(id year) vce(cluster id)
*在这里假设tec为中介变量,en的核心解释变量
est store m1
reghdfe tec res en con,absorb(id year) vce(cluster id)
est store m2
在这里插入图片描述

reghdfe y tec res en con,absorb(id year) vce(cluster id)
在这里插入图片描述

est store m3
esttab m1 m2 m3 using out.doc,mtitles r2(%6.2f) ar2(%6.2f)
*结果主要看第二步en前的系数是否显著和第三步tec前面的系数是否显著,两个都显著说明存在中介效应
如果一个显著一个不显著需要用bootstrap检验,检验如下
bootstrap r(ind_eff) r(dir_eff),reps(1000):sgmediation2 y mv(tec) iv(en) cv(con res)
sobel检验
net install sgmediation2, from(“https://tdmize.github.io/data/sgmediation2”)
*安装命令
Sgmediation2 y, mv(tec) iv(en) cv(con res) *cv里面不能用i.id,要手工产生
tab id,gen(id) *生成个体虚拟变量
ssgmediation2 y,mv( tec ) iv( en ) cv( con res id1-id30) quietly
*quietly表示不显示逐步回归
自助法
bootstrap r(ind_eff) r(dir_eff),reps(1000) bca:sgmediation2 y mv(tec) iv(en) cv(con res id1-id30)
*(ind_eff)表示间接效应,(dir_eff)表示直接效应,结果包括0就显著,不包括0就不显著
12.门槛模型
xthreg y c1 c2 c3 c4, rx(x1) qx(x2) thnum(1) bs(300) trim(0.01) grid(100)
其中,y表示被解释变量,c1-c4表示控制变量,rx表示核心解释变量,qx表示门槛变量,thnum表示门槛个数bs表示自举次数(理论上越多越好,但是考虑到效率,一般设置成300以上),trim表示门限分组内异常值去除的比例(一般选0.01或0.05),grid表示样本网格计算的网格数(一般设置成100或300),r表示用聚类稳健标准误
单一门槛
xthreg y c1 c2, rx(x1) qx(x2) thnum(1) bs(300) trim(0.01) grid(100) r
双门槛
xthreg y c1 c2, rx(x1) qx(x2) thnum(2) bs(300 300) trim(0.01 0.01)grid(100) r
三门槛
xthreg y c1 c2, rx(x1) qx(x2) thnum(3) bs(300 300 300) trim(0.01 0.01 0.01) grid(100) r
在这里插入图片描述
*这里的p不显著说明不存在门槛值
三门槛结果解读
在这里插入图片描述
*如果p都小于0.1,那么0.3685第一门槛值 0.1620 第二 0.2153第三,门槛值从小到大看是第几个门槛
在这里插入图片描述

*假设p值小于0.1,表示在门槛值小于第一门槛值时en对解释变量y的影响为0.31,介于第一和第二门槛值是en对y的影响是0.818,以此类推
13.Arcgis画图
蓝色➕插入地图信息
在这里插入图片描述
右键——连接
在这里插入图片描述
选择连接的文件
在这里插入图片描述
以NAME为连接字段 ——选择连接的文件
在这里插入图片描述
打开数据属性表可以看看连接情况
右键——点击属性——标注——字段选择(name)——应用
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
符号系统——数量

在这里插入图片描述
值(要画的数据) 色带自己选择喜欢的

在这里插入图片描述
怎么把局部的放大呢(显示南海这些区域)
插入——数据框——复制行政区 国界线——布局视图
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
插入——文本——输入标题名字
布局试图下——插入——比例尺——插入——指北针
在这里插入图片描述
14.怎么选择想要的省份
选择+shift(在知道地理位置的时候)
打开属性表——NAME_——获取唯一值——大写的IN依次点击省份名字用英文逗号隔开——右键——选择——所选建立图层
在这里插入图片描述
在这里插入图片描述
15.空间引力模型

在这里插入图片描述


http://www.ppmy.cn/ops/40051.html

相关文章

【Arduino】delay()、millis() 时间函数

目录 1、延时函数 2、运行时间函数 3、不使用delay() 函数实现定时、等待 1、延时函数 通过延迟函数,我们可以实现LED灯以1S为间隔闪送。 void setup() {pinMode(LED_BUILTIN,OUTPUT); //定义引脚,告诉ESP8266那个引脚做什么用,模式是什…

Php 如何使用进程

在PHP中,使用进程主要依赖于pcntl扩展,这是一个用于实现Unix风格的多进程编程的扩展 使用pcntl扩展 安装与启用pcntl扩展: 在大多数PHP发行版中,pcntl可能默认未启用。你需要确保它在php.ini文件中被激活,或者在编译P…

Flink container exit 143 问题排查

你好,我是 shengjk1,多年大厂经验,努力构建 通俗易懂的、好玩的编程语言教程。 欢迎关注!你会有如下收益: 了解大厂经验拥有和大厂相匹配的技术等 希望看什么,评论或者私信告诉我! 文章目录 一…

unity给物体添加可以包裹所有子物体的BoxCollider

代码如下可直接调用 MeshTool.SpawnCollider(mode);using UnityEngine;public class MeshTool {public static Bounds SpawnCollider(Transform target){Vector3 pMax Vector3.zero;Vector3 pMin Vector3.zero;Vector3 center Vector3.zero;Vector3 oldPos target.transfor…

Web实时通信的学习之旅:SSE(Server-Sent Events)的技术详解及简单示例演示

文章目录 一、什么是SSE二、SSE技术的基本原理三、SSE适用于场景四、Node服务端示例1、协议2、格式3、事件3.1、事件3.2、事件唯一标识符3.3、重连事件 4、具体示例 五、客户端示例1、检测客户端是否支持SSE2、创建客户端连接3、事件监听4、接收事件5、自定义事件6、错误处理7、…

2024.5.12 Pandas 基础语法day02

#describe()作用是计算出各个列的描述行统计量如平均数,方差,最大值,最小值,四分位数,返回类型是 #pandas.core.frame.DataFrame import pandas as pd df pd.read_csv("Nowcoder.csv") print(df.describe()…

【进程通信】了解信号以及信号的产生

文章目录 0.前言1.信号的基本概念1.1中断1.1.1 软中断1.1.2硬中断 1.2异步1.2.1异步和同步的比较 2.信号的主要用途3.信号的特点4.查看信号4.1Core和Term的区别4.2生成Core文件 5.初识捕捉信号5.1signal函数 6.产生信号的方式6.1.通过终端按键产生信号6.2.调用系统函数向进程发…

Spring底层核心原理解析

Spring底层核心原理解析 介绍 Spring是一个开源的Java框架,广泛应用于企业级应用程序的开发中。它提供了一种轻量级的、非侵入式的解决方案,用于构建可扩展的、高效的企业级应用程序。Spring框架的核心原理是基于控制反转(IoC)和…