10 2020 档案
摘要：面板数据处理 数据描述 数据预览： 告诉计算机这是面板数据： 描述变量： 查看其他变量： 绘图： 混合回归 聚类稳健标准误 cluster后的变量表示聚类标准，表示使用以state变量聚类的聚类稳健标准误。 普通稳健标准误 对比普通稳健标准误与聚类稳健标准误(std.err),普通稳健标准误小于聚类
阅读全文
摘要：画曲线 import matplotlib.pylab as pyl import numpy as np x = np.linspace(0.01, 3.5, 100, endpoint=True) y = 1/x x1=x y1 = 2/x x2=x y2 = 3/x fig = pyl.fig
阅读全文
摘要：归并回归 概念： 示例： ols回归 画图： 归并回归 需要单独安装插件： 归并数据的两部分模型 跨栏模型 概念 示例 使用全样本进行probit回归 上表中，P值小于0.05拒绝原假设，认为存在异方差 检验扰动项的正态性： 拒绝正态性原假设（上表我没看明白） 画一下核密度图： 含内生变量的tobi
阅读全文
摘要：选择偏差与偶然断尾 概念 命令 样本选择MLE回归： Heckit的两步法估计 两个回归结果相似
阅读全文
摘要：受限被解释变量 断尾回归 概念： 命令： 示例 首先进行回归，对工作时间大于零的进行回归 下面进行断尾回归 和普通回归比较，断尾回归的差异还是很明显的 零断尾泊松回归与负二项回归 命令 示例 进行零断尾泊松分布 下面进行NB2模型，为了使得模型快速收敛出结果，我们只将几个变量写入模型 随机前沿模型
阅读全文
摘要：排序与计数模型 排序logit与probit probit logit 泊松分布 零膨胀泊松分布 计数模型 回归瞧一瞧 尝试泊松分布回归 为了和回归具有可比性，计算泊松回归的平均边际效应： 计算发生比率： 查看统计特性： 负二项回归：
阅读全文
摘要：嵌套Logit 1.定义树形结构 2.显示树形结构 估计 笔记： 偷个懒，粘贴
阅读全文
摘要：多值选择(probit与logit) 多项logit 演示： 这一点不懂，真不懂 显示相对风险比率 进行职业选择可能性的预测 选定基准 probit估计 注意：系数与logit不具有可比性，其预测的概率具有可比性 预测 条件logit与混合logit回归 条件回归 计算风险比率 or 条件logit
阅读全文
摘要：分类回归的其他问题 二值选择模型的异方差问题 将模型的 l n σ 2 ln{\sigma}^2 lnσ2 与可能有关的变量进行回归 原假设的同方差假设： 备择假设的异方差： 补充单词： Homoskedasticity Heteroskedasticity 上面是正常的probit回归 下面是 l
阅读全文
摘要：分类回归 查看系统自带的数据集 导入数据并浏览信息 以上是我记着玩的，均与本节无关。 导入外部数据 数据集下载地址： http://econometrics-stata.com/col.jsp?id=101 路径自行解压修改 分类二值回归 .线性OLS .使用logit回归 估计 β \beta β
阅读全文
摘要：导入数据 打开stata,文件功能下有导入按钮，可以按照导入的文件选择。 数据的处理 点击变量窗口中的变量，然后在修改数据的标签，在属性窗口。 粗略查看数据集 . describe 或者 . d 举例： 查看具体数据 . list 变量名 . list 变量名 if 变量的条件 . list 变量名
阅读全文
摘要：https://www.bilibili.com/video/BV1eb411h7sP?p=3 上面是python的简单入门，学习python之前明确目标，目标分为两种，一种是工程开发，另一种是使用python进行数据处理，方便科研。工程开发可能需要掌握的更全面，计算机内部的一些逻辑需要略懂。而对于
阅读全文
摘要：模型等用法去这里 https://www.w3cschool.cn/doc_statsmodels/dict.html 快速入门 库函数导入 import numpy as np import statsmodels.api as sm import statsmodels.formula.api
阅读全文
摘要：太难安装了，用0.11.1版本吧，配numpy低版本 pip install statsmodel==0.11.1 pip install numpy==1.14.0 版本支持介绍 最新版依赖： Dependencies¶ The current minimum dependencies are:
阅读全文
