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

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

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/10377.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Follow the Money:2023年最赚钱的十家国内芯片设计上市公司及其整体表现

作者:北京华兴万邦管理咨询有限公司 商瑞 马华 摘要:尽管相较2022年有所下滑,但2023年最赚钱的十家国内芯片设计上市公司的净利润总额超过了159家A股和港股上市内地半导体企业利润总额的55%,但是其市值之和仅占159家上市半导体…

IndexedDB解密:打开Web应用的数据存储之门

欢迎来到我的博客,代码的世界里,每一行都是一个故事 IndexedDB解密:打开Web应用的数据存储之门 前言IndexedDB简介数据库操作数据检索与索引异步操作与事件处理 前言 在Web的世界里,数据就像是一群旅行者,它们来自各个…

【Python】PYQT5详细介绍

本专栏内容为:Python学习专栏 通过本专栏的深入学习,你可以了解并掌握Python。 💓博主csdn个人主页:小小unicorn ⏩专栏分类:Python 🚚代码仓库:小小unicorn的代码仓库🚚 &#x1f3…

探索Linux:深入理解各种指令与用法

文章目录 cp指令mv指令cat指令more指令less指令head指令tail指令与时间相关的指令date指令 cal指令find指令grep指令zip/unzip指令总结 上一个Linux文章我们介绍了大部分指令,这节我们将继续介绍Linux的指令和用法。 cp指令 功能:复制文件或者目录 语法…

量子波函数白话解释

关键词:Quantum Wave Function 文章目录 一、说明二、什么是波函数?三 量子波的可视化四、量子波的概率解释 一、说明 在量子力学中,粒子是我们只有在测量它们时才能看到的东西。其中运动模式由满足薛定谔方程的波函数描述。波函数并非量子…

基于JSP动漫论坛的设计与实现(四)

目录 功能模块测试 6.1 测试概述及所用方案 6.1.1软件测试概述 6.1.3 测试的步骤 6.1.4 测试的主要内容 6.1.5 测试方案 6.1.6测试设计 6.2 前端功能测试 6.2.1 登录功能测试 6.2.2 注册功能测试 6.2.3 发帖功能测试 6.2.4 回复帖子测试 6.3 后台功能测试 6…

vulnhub靶场之FunBox-5

一.环境搭建 1.靶场描述 Lets separate the script-kids from script-teenies.Hint: The first impression is not always the right one!If you need hints, call me on twitter: 0815R2d2 Have fun...This works better with VirtualBox rather than VMwareThis works bett…

导电材料——分类、性能与性质

本篇为西安交通大学本科课程《电气材料基础》的笔记。 导电材料指的是能在电场下传导电流的材料。导体价电子所在能带为半满带,且相邻能级间隔小,外电场下电子很容易从低能级跃迁到高能级上,大量的电子很容易获得能量进行共有化运动&#xf…

NPDP|传统行业产品经理如何跨越鸿沟,从用户角度审视产品

随着科技的飞速发展和互联网的普及,产品经理的角色已经从单纯的产品规划者逐渐转变为全方位的用户体验设计者。对于传统行业的产品经理来说,这是一个挑战与机遇并存的时代。他们不仅要面对激烈的市场竞争,还要学会如何跨越与新兴科技行业之间…

Scala编程入门:从零开始的完整教程

目录 引言环境准备创建第一个Scala项目基本语法高阶概念进阶资源结语 引言 Scala是一种强大的、静态类型的、多范式编程语言,它结合了面向对象和函数式编程的特点。本教程将指导您如何从零开始学习Scala,并搭建一个简单的开发环境。让我们开始探索Scala…

【好困】磁场里的瞌睡虫:地磁暴真的会让我们感到疲倦吗?

【好困】磁场里的瞌睡虫:地磁暴真的会让我们感到疲倦吗? 写在最前面地磁暴真的会让我们感到疲倦吗?一探究竟地磁暴是什么?地磁暴如何影响人体?结论 🌈你好呀!我是 是Yu欸 🌌 2024每…

对话易参创始人黄怡然:股权能不能赋能企业增长?| 极新企服直播实录

“ 致所有爱画饼的老板 ” 整理 | 云舒 编辑 | 小白 出品|极新 2022年以前,股权激励作为企业实现增长、吸引人才、保留人才并大幅度激发人才价值的重要手段,几乎成为每一个企业的标配。但是,现在这个时代,股权激励几…

简易的Web登录功能(Servlet,mybatis,MySQL)

效果 介绍 javaEE项目&#xff0c;见123 JDK8&#xff0c;JavaEE8 项目结构(下面没写的文件就是空的&#xff0c;或者系统自动生成的) mysql中的表 步骤 创建Web页面引入mybatis,MySQL依赖写后端程序() 1 创建Web页面 index.html <!DOCTYPE html> <html l…

深度学习:基于人工神经网络ANN的降雨预测

前言 系列专栏:【深度学习&#xff1a;算法项目实战】✨︎ 本专栏涉及创建深度学习模型、处理非结构化数据以及指导复杂的模型&#xff0c;如卷积神经网络(CNN)、递归神经网络 (RNN)&#xff0c;包括长短期记忆 (LSTM) 、门控循环单元 (GRU)、自动编码器 (AE)、受限玻尔兹曼机(…

【Linux】-网络请求和下载、端口[6]

目录 一、网络请求和下载 1、ping命令 2、wget命令 3、curl命令 二、端口 1、虚拟端口 2、查看端口占用 一、网络请求和下载 1、ping命令 可以通过ping命令&#xff0c;检查指定的网络服务器是否可联通状态 语法&#xff1a;ping [ -c num ] ip或主机名 选项&…

Flutter3.x get-cli中运行get init初始化项目报错如何处理

Flutter get-cli中运行get init初始化项目会提示如下错误&#xff1a; get init s E:\flutter\flutter study\tempstudy\misapp01> get init 1)Getx Pattern (by Kau) 2)CLEAN (by Arktekko) which architecture do you want to use? [1] unhandled exception: Synchromu…

Fendi club啤酒与精酿文化的碰撞与整合

在啤酒的世界中&#xff0c;精酿啤酒文化正逐渐崛起&#xff0c;成为了品质和品味的象征。作为精酿啤酒的代表&#xff0c;Fendi club啤酒与精酿文化的碰撞与整合&#xff0c;不仅推动了啤酒产业的发展&#xff0c;更是一种全新的生活方式。 Fendi club啤酒一直秉持着对品质的追…

从零自制docker-12-【overlayfs】

文章目录 overlayfsexec.Command("tar", "-xvf", busyboxTarURL, "-C", busyboxURL).CombinedOutput()exec.Command格式差异 挂载mount卸载unmount代码地址结果演示 overlayfs 就是联合文件系统&#xff0c;将多个文件联合在一起成为一个统一的…

内存拆解分析表:学习版[图片]

对拆解system中主要是对比测试机和对比机之间的差距&#xff0c;测试机那些地方高于对比机 拆解表&#xff0c;作为理解 在拆解表中system测试机比对比机多出113M 这说明是有问题的 对system拆解&#xff1a; system12345对比机9102294380941069391081628测试机10252010331…

代码随想录第五十天|最佳买卖股票时机含冷冻期、买卖股票的最佳时机含手续费

题目链接&#xff1a;. - 力扣&#xff08;LeetCode&#xff09; 最佳买卖股票时机含冷冻期与打家劫舍的题目有异曲同工之妙&#xff0c;主要是出现了天数的间隔&#xff0c;一次需要在买卖股票的最佳时机II 题目上做一点调整&#xff0c;代码如下&#xff1a; 如代码所示&…