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

本文主要是介绍stata空间计量模型基础+检验命令LM检验、sem、门槛+arcgis画图，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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

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

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

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

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

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。

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

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

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 = enres
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

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

*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

*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

选择连接的文件

以NAME为连接字段 ——选择连接的文件

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

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

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

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

15.空间引力模型