※ 引述《iinnttww (必胜客)》之铭言： : 本来我用Stata直接跑Panel Data : time variable设year : ID variable设code : 但是时间才9年而code公司太多了(上千家) : 听说会牺牲很多自由度~ : 所以有人建议用产业虚拟变数~ : 直接加入时间虚拟变数和产业虚拟变数跑OLS就是在跑Panel Data(是不是固定效果?) : 本来用Stata跑Panel Data : xtreg y x1 x2 : 现在跑一般回归(期间94-97;产业1-4) : y=x1+x2+D95+D96+D97+IND2+IND3+IND4 : ^^^^^^^^^^^^^^当固定效果 : 请问这样跑真的可以处理纵横资料特殊的资料特性? : 还蛮怀疑它只是纯在跑一般回归,而非固定效果模型? : 不知是否有人这样处理过Panel Data的? : 这样跑的话~可以Hausman Test吗? : 谢谢 就使用上 Panel data还是回归 只是说牺牲很多自由度这样的说法 并不是那麽正确 以OLS来跑panel data 模型设定如下 y=x1+x2+time1+time2+...+timet+firm1+firm2+...+firm1000 这样子跑出来的系数值是正确的 但是你的变项会很多 这在模型的简约性原则 不是很好 而在balance panel data里面 又必须限定 每家公司要在所有的样本时间内都存在 光这一点 就让我不想使用 (unbalance panel data 也就顺便没有研究了) 因为这有样本选择性问题 如果有一家公司在样本期间的第三年上市 排除 有一家公司在样本期间的第五年下市 排除 这不是很符合真实世界的情况 接下来 我们来谈谈设虚拟变数的意义 设虚拟变数最主要的意义 就在残差项的处理 Greene (2002) 在其着作中提到下列这段话 [话说已经有第六版了，我还在用第五版的书] 在传统的Panel data中，是处理短期间内大数目的横断面单位的资料， 其焦点放在处理横断面变异 (cross-sectional variation)，或者异质 变异性，但是在时间序列上的控制则较弱。 所为异质变异性 就是残差项非为常数 他跟着你的样本公司而有所变动 如果你在使用产业 虚拟变数的跑法 发现所有的产业虚拟变数都不显着 这代表放产业虚拟变数就没有甚麽意义了 最後 不要因为你的资料是纵横资料 就认为仅能适用於Panel data (我亦不否认 Panel 可能较佳) 回到研究的最起点 你该了解的是 你的资料的常态性、异质性、...等状况 如果都OK 连虚拟变数都不设也可以 不为什麽 因为你的资料就是适合这样的东西 如果有问题 才开始讨论其他的东西 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 125.225.34.35