Stata连享会 主页 || 视频 || 推文 || 知乎 || Bilibili 站
温馨提示: 定期 清理浏览器缓存,可以获得最佳浏览体验。
New!
lianxh
命令发布了:
随时搜索推文、Stata 资源。安装:
. ssc install lianxh
详情参见帮助文件 (有惊喜):
. help lianxh
连享会新命令:cnssc
,ihelp
,rdbalance
,gitee
,installpkg
⛳ Stata 系列推文:
作者: 牛坤在 (天津大学)
邮箱: kunzainiu002@163.com
目录 [TOC]
当前,面板数据模型已被广泛应用于经济学的研究中。当横截面单位是个人、家庭或公司时,面板数据集通常可能是非平衡的。虽然固定效应和随机效应等方法能够用于非平衡面板数据的估计,但是如果缺失数据是由自我选择造成的,这将带来估计偏差。例如,在收入模型中,只有那些工作的人可以被观测到收入情况,数据的丢失并不是随机性的。当面板数据方程包含内生解释变量以及未观测到的异质性时,可以使用样本选择模型估计该面板数据方程。
样本选择问题可能是因为样本收集过程存在问题或研究对象存在自我选择问题。Heckman 模型可用于纠正样本选择偏差问题。其在横截面数据中的适用情形和基本原理详见推文 Heckman 模型:你用对了吗?
当样本选择问题发生在面板数据情形中,Heckman 模型的基本原理如下:
首先,考虑一个具有无法观测效果的面板数据模型:
同时定义:
其中,
当两个随机误差项
Heckman 模型的固定效应方法和 Heckman 方法本质相同,就是通过式 (3) 构造逆米尔斯比率,用来识别和纠正偏差。但是,固定效应方法采用了 FE-2SLS 估计最终统计方程。其具体推算过程如下:
基于以下假设:
得到:
此时有:
当 E(
将 (6) 代入 (1) 最终得到:
上式中,E(
所以,我们只需要使用 probit
命令估计 E(
总之,识别和纠正面板模型样本选择偏差的程序如下:
但是, FE-2SLS
估计量只有在选择是严格的外生条件下的未观测到的效应时才一致,但这通常是不可能的。当 E(pooled 2SLS
估计是一致的,这允许 pooled 2SLS
纠正样本选择偏差。
基于参数校正和应用 Mundlak (1978) 的模型设置建模, xtheckmanfe
实现了存在选择和内生变量的面板数据的估计。其用法如下:
xtheckmanfe depvar indepvars [if] [in]
[,
selection(selection Equation)
[endogenous(endogenous equation/s)
id(id variable)
time(time variable)
reps(#repetitions)
seed(#)
]
其中:
Selection equation=instruments1
endogenous variables = instruments2
depvar
:被解释变量。indepvars
:解释变量。selection (sel Eq)
:指定选择方程。如果观测变量 i 在时间 t 被观测到,则选择变量为 1,否则为 0。如果没有指定选择变量,选择是对主因变量是否被观测而定义。endogenous (endog Eq(s))
:指定模型中的内生变量。模型能够有一个或多个内生变量。id (varname)
:指定面板标识符变量。time (varname)
:指定面板时间符变量。reps (#)
:指定将用于估计标准误差的 bootstrap
样本的数量。默认值为50。seed (#)
:指定生成 bootstrap
随机样本的种子。
假设我们希望研究成年人的工资、工作任期和年龄之间的关系。我们调用一份 Stata 自带的面板数据集。该数据集是一份观察了 600 名成年人的虚构数据,时间从 2013年至2016 年。
* 导入数据
. webuse wagework.dta, clear
. des
/* 变量说明
age:年龄
personid:个人识别代码
year:年份
market:劳动力市场情况
working:就业状况
tenure:工作任期
wage:小时工资
*/
假设小时工资是年龄和工作任期的函数,而工资能否被观测到取决于在调查年份个体是否处于就业状态。影响个人工资未被观测到的因素与影响就业状况未被观测到的因素有关,可能包括个体水平、家庭状况等因素。因而考虑方程存在的选择偏差问题,将年龄和有关劳动力市场情况变量加入到选择方程。
在进行回归分析之前,我们需要指定数据的面板结构。面板变量是 personid ,即个人识别代码,时间变量是年份 (year),从2013年至2016年。
. xtset personid year
panel variable: personid (strongly balanced)
time variable: year, 2013 to 2016
delta: 1 unit
下面进行回归分析。首先,使用官方 xtheckman
命令进行回归,采用的是随机效应方法,得到以下结果:
. xtheckman wage age tenure, select(working = age market)
(setting technique to bhhh)
Iteration 0: log likelihood = -5470.6968
Iteration 1: log likelihood = -5465.61
Iteration 2: log likelihood = -5464.2762
Iteration 3: log likelihood = -5464.2387
Iteration 4: log likelihood = -5464.2375
Iteration 5: log likelihood = -5464.2374
Iteration 6: log likelihood = -5464.2373
Random-effects regression with selection Number of obs = 2,400
Selected = 1,928
Nonselected = 472
Group variable: personid Number of groups = 600
Obs. per group:
min = 4
avg = 4.0
max = 4
Integration method: mvaghermite Integration pts. = 7
Wald chi2(2) = 2376.13
Log likelihood = -5464.2373 Prob > chi2 = 0.0000
--------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-----------------------+--------------------------------------------------------
wage |
age | 0.185 0.007 26.35 0.000 0.172 0.199
tenure | 0.599 0.017 35.09 0.000 0.565 0.632
_cons | 13.642 0.293 46.50 0.000 13.067 14.217
-----------------------+--------------------------------------------------------
working |
age | -0.019 0.003 -5.60 0.000 -0.026 -0.013
market | 0.190 0.019 9.80 0.000 0.152 0.228
_cons | 2.036 0.169 12.03 0.000 1.704 2.368
-----------------------+--------------------------------------------------------
var(e.wage)| 4.439 0.216 4.034 4.883
-----------------------+--------------------------------------------------------
corr(e.working,e.wage)| 0.362 0.152 2.38 0.017 0.036 0.618
-----------------------+--------------------------------------------------------
var(wage[personid])| 2.967 0.326 2.392 3.681
var(working[personid])| 0.729 0.120 0.528 1.006
-----------------------+--------------------------------------------------------
rho | 0.691 0.065 10.71 0.000 0.543 0.798
--------------------------------------------------------------------------------
Note: rho = corr(working[personid],wage[personid])
回归结果的前两部分分别提供了工资方程和选择方程的估计系数。可以看出,工资方程中,年龄越高,工作任期越长,个体每小时工资越高,并且二者均在 1% 的水平上显著。具体而言,年龄每增长 1 岁,小时工资将增加 0.185 美元;工作任期每增加 1 年,小时工资将增加 0.599 美元。选择方程中,年龄和劳动力市场情况均在1%的水平上显著影响个体就业状况。
后半部分 var(e.wage)、corr(e.working,e.wage) 分别是工资的观测水平误差的方差,以及其与选择模型的观测水平误差相关性的估计;var(wage[persoid]) 和 var(working[personid]) 是随机效应的方差估计,corr(working[personid],wage[personid]) 是随机效应的相关估计。如果上述至少有一个相关性与零显著不同,可以认为存在内生样本选择问题。在我们的例子中,观测误差之间的相关性为 0.362,随机效应之间的相关性为 0.691。二者均为正值,并且与零显著不同。因而,我们得出结论,此案例存在内生选择,而且那些能够增加被雇佣机会的未观测变量倾向于增加小时工资。
其次,将上述结果和用 xtheckmanfe
命令得到的回归结果进行比较:
. xtheckmanfe wage age tenure, select(working = age market)
(running _xthck on estimation sample)
Bootstrap replications (50)
----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5
.................................................. 50
Bootstrap results Number of obs = 2,400
Replications = 50
(Replications based on 600 clusters in personid)
-----------------------------------------------------------------------------------
|Observed Bootstrap Normal-based
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
------------------+-------------------------------------------------------------
wage |
age | 0.394 0.119 3.30 0.001 0.160 0.628
tenure | 0.562 0.032 17.30 0.000 0.498 0.625
_mn_age | -0.199 0.118 -1.69 0.091 -0.431 0.032
_mn_tenure | 0.054 0.046 1.17 0.240 -0.036 0.144
_mn_market | 0.115 0.081 1.41 0.159 -0.045 0.274
|
year |
2014 | -0.416 0.446 -0.93 0.351 -1.290 0.459
2015 | 0.302 0.273 1.10 0.270 -0.234 0.837
2016 | 0.000 (omitted)
|
year#c._sel_imr |
2013 | 1.567 0.744 2.11 0.035 0.110 3.025
2014 | 2.390 1.068 2.24 0.025 0.298 4.482
2015 | -0.288 0.482 -0.60 0.550 -1.233 0.657
2016 | -0.347 0.705 -0.49 0.623 -1.728 1.034
|
_cons | 13.378 0.358 37.39 0.000 12.677 14.080
------------------+-------------------------------------------------------------
select |
year#c.age |
2013 | -0.018 0.008 -2.14 0.032 -0.034 -0.001
2014 | -0.007 0.005 -1.30 0.194 -0.017 0.004
2015 | -0.030 0.005 -6.46 0.000 -0.039 -0.021
2016 | -0.018 0.005 -3.46 0.001 -0.028 -0.008
|
year#c.tenure |
2013 | 0.029 0.060 0.49 0.627 -0.089 0.148
2014 | -0.079 0.028 -2.84 0.005 -0.134 -0.025
2015 | -0.303 0.049 -6.16 0.000 -0.399 -0.206
2016 | 0.125 0.045 2.77 0.006 0.037 0.214
|
year#c.market |
2013 | 0.116 0.069 1.67 0.095 -0.020 0.251
2014 | 0.119 0.040 2.98 0.003 0.041 0.197
2015 | 0.181 0.037 4.88 0.000 0.108 0.253
2016 | 0.151 0.039 3.84 0.000 0.074 0.228
|
year#c._mn_age |
2014 | 0.000 (omitted)
2015 | 0.000 (omitted)
2016 | 0.000 (omitted)
|
year#c._mn_tenure |
2013 | 0.029 0.022 1.33 0.184 -0.014 0.073
2014 | 0.036 0.034 1.04 0.298 -0.032 0.103
2015 | 0.362 0.073 4.92 0.000 0.218 0.506
2016 | -0.169 0.065 -2.60 0.009 -0.297 -0.042
|
year#c._mn_market |
2013 | 0.007 0.076 0.10 0.923 -0.141 0.156
2014 | 0.006 0.066 0.09 0.930 -0.123 0.135
2015 | -0.046 0.078 -0.59 0.557 -0.199 0.107
2016 | 0.041 0.072 0.56 0.573 -0.101 0.182
|
year |
2014 | 0.213 0.344 0.62 0.536 -0.461 0.887
2015 | 0.467 0.364 1.28 0.199 -0.246 1.180
2016 | 0.650 0.341 1.91 0.057 -0.018 1.319
|
_cons | 1.294 0.239 5.41 0.000 0.825 1.763
--------------------------------------------------------------------------------
从上述结果可以看到,与不考虑固定效应的面板 Heckman 模型结果不同。工资方程中,年龄每增加 1 岁,小时工资将增加 0.394 美元,即未固定时间效应,将低估结果;工作任期每增加 1 年,小时工资将增加 0.562 美元。此外,该模型创建了 “_ mn _” 辅助变量,存储所有外生变量的个别特定平均值,以及变量 “_sel_imr”,包含了逆米尔斯比。
第三,如果模型只考虑选择问题,则可以采用伪两步法进行回归,该方法通过 “ml”
选项估计:
. xtheckmanfe wage age tenure, select(working = age market) ml
Estimating Probit model
note: 2013.year#c._mn_age omitted because of collinearity
note: 2014.year#c._mn_age omitted because of collinearity
note: 2015.year#c._mn_age omitted because of collinearity
note: 2016.year#c._mn_age omitted because of collinearity
note: 2016.year omitted because of collinearity
Iteration 0: log likelihood = -1189.7918
Iteration 1: log likelihood = -1084.4275
Iteration 2: log likelihood = -1082.4963
Iteration 3: log likelihood = -1082.4834
Iteration 4: log likelihood = -1082.4834
Estimating Second model
note: 2016.year omitted because of collinearity
note: 2013.year#c._mn_age omitted because of collinearity
note: 2014.year#c._mn_age omitted because of collinearity
note: 2015.year#c._mn_age omitted because of collinearity
note: 2016.year#c._mn_age omitted because of collinearity
initial: log pseudolikelihood = -5743.9185
rescale: log pseudolikelihood = -5743.9185
rescale eq: log pseudolikelihood = -5730.1921
(setting technique to nr)
Iteration 0: log pseudolikelihood = -5730.1921 (not concave)
Iteration 1: log pseudolikelihood = -5664.5257
Iteration 2: log pseudolikelihood = -5650.3725
Iteration 3: log pseudolikelihood = -5649.7247
Iteration 4: log pseudolikelihood = -5649.7192
(switching technique to bhhh)
Iteration 5: log pseudolikelihood = -5649.7192
Number of obs = 2,400
Wald chi2(7) = 2038.43
Log pseudolikelihood = -5649.7192 Prob > chi2 = 0.0000
(Std. Err. adjusted for 600 clusters in personid)
-----------------------------------------------------------------------------------
| Robust
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
------------------+----------------------------------------------------------------
wage |
age | 0.412 0.136 3.03 0.002 0.146 0.678
tenure | 0.560 0.029 19.16 0.000 0.503 0.618
_mn_age | -0.218 0.136 -1.60 0.110 -0.485 0.049
_mn_tenure | 0.059 0.045 1.30 0.193 -0.030 0.147
_mn_market | 0.120 0.087 1.39 0.165 -0.049 0.290
|
year |
2014 | -0.580 0.487 -1.19 0.234 -1.535 0.375
2015 | 0.307 0.314 0.98 0.329 -0.309 0.924
2016 | 0.000 (omitted)
|
_cons | 13.376 0.334 39.99 0.000 12.720 14.031
------------------+----------------------------------------------------------------
select |
year#c.age |
2013 | -0.016 0.008 -2.11 0.035 -0.032 -0.001
2014 | -0.008 0.004 -1.77 0.076 -0.016 0.001
2015 | -0.030 0.005 -5.68 0.000 -0.040 -0.020
2016 | -0.019 0.006 -3.18 0.001 -0.030 -0.007
|
year#c.tenure |
2013 | 0.012 0.055 0.22 0.826 -0.096 0.120
2014 | -0.051 0.030 -1.69 0.091 -0.111 0.008
2015 | -0.305 0.052 -5.86 0.000 -0.407 -0.203
2016 | 0.120 0.047 2.54 0.011 0.028 0.213
|
year#c.market |
2013 | 0.127 0.055 2.32 0.020 0.020 0.235
2014 | 0.145 0.030 4.91 0.000 0.087 0.203
2015 | 0.180 0.041 4.38 0.000 0.099 0.260
2016 | 0.152 0.037 4.16 0.000 0.080 0.223
|
year#c._mn_age |
2013 | 0.000 (omitted)
2014 | 0.000 (omitted)
2015 | 0.000 (omitted)
2016 | 0.000 (omitted)
|
year#c._mn_tenure |
2013 | 0.038 0.025 1.50 0.133 -0.012 0.088
2014 | 0.028 0.033 0.84 0.399 -0.037 0.093
2015 | 0.365 0.076 4.80 0.000 0.216 0.514
2016 | -0.161 0.070 -2.31 0.021 -0.297 -0.024
|
year#c._mn_market |
2013 | -0.004 0.071 -0.06 0.950 -0.143 0.134
2014 | -0.036 0.065 -0.56 0.578 -0.162 0.091
2015 | -0.045 0.079 -0.57 0.568 -0.199 0.109
2016 | 0.033 0.077 0.43 0.671 -0.119 0.184
|
year |
2014 | 0.125 0.267 0.47 0.638 -0.398 0.648
2015 | 0.463 0.298 1.55 0.121 -0.122 1.047
2016 | 0.661 0.308 2.15 0.032 0.058 1.264
|
_cons | 1.300 0.210 6.20 0.000 0.889 1.711
------------------+----------------------------------------------------------------
mills |
year |
2014 | 1.311 1.618 0.81 0.418 -1.861 4.483
2015 | -1.986 0.996 -1.99 0.046 -3.939 -0.033
2016 | -2.081 1.167 -1.78 0.074 -4.368 0.205
|
_cons | 1.719 0.901 1.91 0.056 -0.047 3.485
------------------+----------------------------------------------------------------
lnsigma |
_cons | 0.949 0.019 49.84 0.000 0.912 0.987
-----------------------------------------------------------------------------------
伪两步法的标准误已经被两步法修正。然而,因为选择和结果是联合估计的,点估计将与 bootstrap
方法不同。详细内容可参考 Rios-Avila and Canavire-Bacarreza (2018)。
第四,如果不设定 xtset
,命令的选项中应提供 id 和 time 变量:
. xtheckmanfe wage age tenure, select(working = age market) id(personid) time(year)
(running _xthck on estimation sample)
Bootstrap replications (50)
----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5
.................................................. 50
Bootstrap results Number of obs = 2,400
Replications = 50
(Replications based on 600 clusters in personid)
-----------------------------------------------------------------------------------
| Observed Bootstrap Normal-based
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
------------------+----------------------------------------------------------------
wage |
age | 0.394 0.141 2.78 0.005 0.116 0.671
tenure | 0.562 0.026 21.91 0.000 0.511 0.612
_mn_age | -0.199 0.141 -1.41 0.159 -0.476 0.078
_mn_tenure | 0.054 0.041 1.33 0.185 -0.026 0.134
_mn_market | 0.115 0.082 1.40 0.163 -0.046 0.275
|
year |
2014 | -0.416 0.352 -1.18 0.238 -1.105 0.274
2015 | 0.302 0.312 0.97 0.334 -0.310 0.914
2016 | 0.000 (omitted)
|
year#c._sel_imr |
2013 | 1.567 0.788 1.99 0.047 0.023 3.111
2014 | 2.390 1.083 2.21 0.027 0.266 4.514
2015 | -0.288 0.582 -0.49 0.621 -1.428 0.852
2016 | -0.347 0.788 -0.44 0.660 -1.891 1.197
|
_cons | 13.378 0.320 41.75 0.000 12.750 14.006
------------------+----------------------------------------------------------------
select |
year#c.age |
2013 | -0.018 0.009 -2.01 0.044 -0.035 -0.000
2014 | -0.007 0.004 -1.63 0.103 -0.015 0.001
2015 | -0.030 0.006 -4.77 0.000 -0.042 -0.018
2016 | -0.018 0.005 -3.49 0.000 -0.028 -0.008
|
year#c.tenure |
2013 | 0.029 0.060 0.49 0.626 -0.088 0.147
2014 | -0.079 0.030 -2.63 0.008 -0.139 -0.020
2015 | -0.303 0.058 -5.19 0.000 -0.417 -0.188
2016 | 0.125 0.040 3.15 0.002 0.047 0.203
|
year#c.market |
2013 | 0.116 0.070 1.64 0.100 -0.022 0.254
2014 | 0.119 0.033 3.65 0.000 0.055 0.183
2015 | 0.181 0.036 4.98 0.000 0.110 0.252
2016 | 0.151 0.033 4.59 0.000 0.086 0.215
|
year#c._mn_age |
2014 | 0.000 (omitted)
2015 | 0.000 (omitted)
2016 | 0.000 (omitted)
|
year#c._mn_tenure |
2013 | 0.029 0.025 1.16 0.246 -0.020 0.079
2014 | 0.036 0.034 1.04 0.300 -0.032 0.103
2015 | 0.362 0.080 4.52 0.000 0.205 0.519
2016 | -0.169 0.061 -2.78 0.005 -0.289 -0.050
|
year#c._mn_market |
2013 | 0.007 0.060 0.12 0.903 -0.110 0.124
2014 | 0.006 0.076 0.08 0.939 -0.143 0.154
2015 | -0.046 0.067 -0.68 0.496 -0.178 0.086
2016 | 0.041 0.070 0.58 0.562 -0.097 0.178
|
year |
2014 | 0.213 0.267 0.80 0.426 -0.311 0.737
2015 | 0.467 0.368 1.27 0.204 -0.254 1.188
2016 | 0.650 0.277 2.34 0.019 0.106 1.194
|
_cons | 1.294 0.229 5.65 0.000 0.845 1.743
-----------------------------------------------------------------------------------
最后,因为 age 变量已经被包含在工资方程中,所以可将其从选择方程中剔除。得到与上述一致的结果:
. xtheckmanfe wage age tenure, ///
select(working = market) id(personid) time(year)
Bootstrap replications (50)
----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5
.................................................. 50
Bootstrap results Number of obs = 2,400
Replications = 50
(Replications based on 600 clusters in personid)
-----------------------------------------------------------------------------------
| Observed Bootstrap Normal-based
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
------------------+----------------------------------------------------------------
wage |
age | 0.394 0.129 3.05 0.002 0.140 0.647
tenure | 0.562 0.027 20.81 0.000 0.509 0.615
_mn_age | -0.199 0.130 -1.54 0.125 -0.453 0.055
_mn_tenure | 0.054 0.039 1.38 0.167 -0.023 0.131
_mn_market | 0.115 0.082 1.39 0.164 -0.047 0.276
|
year |
2014 | -0.416 0.323 -1.29 0.199 -1.049 0.218
2015 | 0.302 0.292 1.03 0.301 -0.270 0.874
2016 | 0.000 (omitted)
|
year#c._sel_imr |
2013 | 1.567 0.875 1.79 0.073 -0.148 3.282
2014 | 2.390 0.953 2.51 0.012 0.522 4.258
2015 | -0.288 0.553 -0.52 0.603 -1.372 0.796
2016 | -0.347 0.666 -0.52 0.603 -1.653 0.960
|
_cons | 13.378 0.278 48.16 0.000 12.834 13.923
------------------+----------------------------------------------------------------
select |
year#c.age |
2013 | -0.018 0.007 -2.55 0.011 -0.031 -0.004
2014 | -0.007 0.005 -1.26 0.207 -0.018 0.004
2015 | -0.030 0.005 -5.96 0.000 -0.040 -0.020
2016 | -0.018 0.005 -3.45 0.001 -0.028 -0.008
|
year#c.tenure |
2013 | 0.029 0.053 0.55 0.580 -0.075 0.133
2014 | -0.079 0.027 -2.98 0.003 -0.132 -0.027
2015 | -0.303 0.052 -5.79 0.000 -0.405 -0.200
2016 | 0.125 0.050 2.49 0.013 0.027 0.224
|
year#c.market |
2013 | 0.116 0.063 1.85 0.065 -0.007 0.239
2014 | 0.119 0.039 3.06 0.002 0.043 0.195
2015 | 0.181 0.033 5.46 0.000 0.116 0.246
2016 | 0.151 0.037 4.08 0.000 0.078 0.223
|
year#c._mn_age |
2014 | 0.000 (omitted)
2015 | 0.000 (omitted)
2016 | 0.000 (omitted)
|
year#c._mn_tenure |
2013 | 0.029 0.024 1.22 0.222 -0.018 0.077
2014 | 0.036 0.037 0.96 0.336 -0.037 0.108
2015 | 0.362 0.074 4.91 0.000 0.217 0.506
2016 | -0.169 0.071 -2.38 0.018 -0.309 -0.030
|
year#c._mn_market |
2013 | 0.007 0.065 0.11 0.911 -0.121 0.135
2014 | 0.006 0.069 0.08 0.933 -0.129 0.140
2015 | -0.046 0.081 -0.57 0.571 -0.204 0.113
2016 | 0.041 0.069 0.59 0.556 -0.095 0.176
|
year |
2014 | 0.213 0.304 0.70 0.483 -0.382 0.808
2015 | 0.467 0.313 1.49 0.136 -0.147 1.081
2016 | 0.650 0.312 2.09 0.037 0.039 1.261
|
_cons | 1.294 0.215 6.01 0.000 0.872 1.716
-----------------------------------------------------------------------------------
本文介绍的 xtheckmanfe
命令的基本结构是基于 Anastasia Semykina 为两步参数方法编写的 dofile,该文件可在作者网站 http://myweb.fsu.edu/asemykina/ 获得。Heckman 模型的固定效应估计适用于存在异质性或内生变量的情况下修正样本选择偏误。当动态面板数据存在选择偏差时,Anastasia Semykina 也提出了相应的解决办法。
Note:产生如下推文列表的 Stata 命令为:
lianxh heckman 自选择
安装最新版lianxh
命令:
ssc install lianxh, replace
免费公开课
最新课程-直播课
专题 | 嘉宾 | 直播/回看视频 |
---|---|---|
⭐ 最新专题 | 文本分析、机器学习、效率专题、生存分析等 | |
研究设计 | 连玉君 | 我的特斯拉-实证研究设计,-幻灯片- |
面板模型 | 连玉君 | 动态面板模型,-幻灯片- |
面板模型 | 连玉君 | 直击面板数据模型 [免费公开课,2小时] |
⛳ 课程主页
⛳ 课程主页
关于我们
课程, 直播, 视频, 客服, 模型设定, 研究设计, stata, plus, 绘图, 编程, 面板, 论文重现, 可视化, RDD, DID, PSM, 合成控制法
等
连享会小程序:扫一扫,看推文,看视频……
扫码加入连享会微信群,提问交流更方便
✏ 连享会-常见问题解答:
✨ https://gitee.com/lianxh/Course/wikis
New!
lianxh
命令发布了:
随时搜索连享会推文、Stata 资源,安装命令如下:
. ssc install lianxh
使用详情参见帮助文件 (有惊喜):
. help lianxh