你知道你做的 hausman test 可能是不对的吗？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

一般大家常用的 Hausman test (FE/RE)，例如：

1. webuse grunfeld, clear
   
2. 
   
3. xtset company year
   
4. 
   
5. // No robust option
   
6. xtreg invest mvalue kstock, re
   
7. est store re
   
8. xtreg invest mvalue kstock, fe
   
9. est store fe
   
10. hausman fe re

复制代码

结果为：

1. . // No robust option
   
2. . xtreg invest mvalue kstock, re
   
3. 
   
4. Random-effects GLS regression                   Number of obs     =        200
   
5. Group variable: company                         Number of groups  =         10
   
6. 
   
7. R-sq:                                           Obs per group:
   
8.      within  = 0.7668                                         min =         20
   
9.      between = 0.8196                                         avg =       20.0
   
10.      overall = 0.8061                                         max =         20
    
11. 
    
12.                                                 Wald chi2(2)      =     657.67
    
13. corr(u_i, X)   = 0 (assumed)                    Prob > chi2       =     0.0000
    
14. 
    
15. ------------------------------------------------------------------------------
    
16.       invest |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
    
17. -------------+----------------------------------------------------------------
    
18.       mvalue |   .1097811   .0104927    10.46   0.000     .0892159    .1303464
    
19.       kstock |    .308113   .0171805    17.93   0.000     .2744399    .3417861
    
20.        _cons |  -57.83441   28.89893    -2.00   0.045    -114.4753   -1.193537
    
21. -------------+----------------------------------------------------------------
    
22.      sigma_u |   84.20095
    
23.      sigma_e |  52.767964
    
24.          rho |  .71800838   (fraction of variance due to u_i)
    
25. ------------------------------------------------------------------------------
    
26. 
    
27. . est store re
    
28. 
    
29. . xtreg invest mvalue kstock, fe
    
30. 
    
31. Fixed-effects (within) regression               Number of obs     =        200
    
32. Group variable: company                         Number of groups  =         10
    
33. 
    
34. R-sq:                                           Obs per group:
    
35.      within  = 0.7668                                         min =         20
    
36.      between = 0.8194                                         avg =       20.0
    
37.      overall = 0.8060                                         max =         20
    
38. 
    
39.                                                 F(2,188)          =     309.01
    
40. corr(u_i, Xb)  = -0.1517                        Prob > F          =     0.0000
    
41. 
    
42. ------------------------------------------------------------------------------
    
43.       invest |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
    
44. -------------+----------------------------------------------------------------
    
45.       mvalue |   .1101238   .0118567     9.29   0.000     .0867345    .1335131
    
46.       kstock |   .3100653   .0173545    17.87   0.000     .2758308    .3442999
    
47.        _cons |  -58.74393   12.45369    -4.72   0.000    -83.31086     -34.177
    
48. -------------+----------------------------------------------------------------
    
49.      sigma_u |  85.732501
    
50.      sigma_e |  52.767964
    
51.          rho |  .72525012   (fraction of variance due to u_i)
    
52. ------------------------------------------------------------------------------
    
53. F test that all u_i=0: F(9, 188) = 49.18                     Prob > F = 0.0000
    
54. 
    
55. . est store fe
    
56. 
    
57. . hausman fe re
    
58. 
    
59.                  ---- Coefficients ----
    
60.              |      (b)          (B)            (b-B)     sqrt(diag(V_b-V_B))
    
61.              |       fe           re         Difference          S.E.
    
62. -------------+----------------------------------------------------------------
    
63.       mvalue |    .1101238     .1097811        .0003427        .0055213
    
64.       kstock |    .3100653      .308113        .0019524        .0024516
    
65. ------------------------------------------------------------------------------
    
66.                            b = consistent under Ho and Ha; obtained from xtreg
    
67.             B = inconsistent under Ha, efficient under Ho; obtained from xtreg
    
68. 
    
69.     Test:  Ho:  difference in coefficients not systematic
    
70. 
    
71.                   chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)
    
72.                           =        2.33
    
73.                 Prob>chi2 =      0.3119

复制代码

所以你会采用 RE。但就实务应用而言，几乎所有估计结果都会修正标准误，意谓著大家都认为这才是较真实之情况，很不幸地，你可能知道 hausman 指令无法适用该情况，意谓著其结果可能有误。所以我很大胆的说，其实都不应该使用 hausman ，因为其不可与 robust/cluster 一起使用 (很不幸地，这才是一般的情况)。所以，请 ssc install xtoverid 并试试

1. // With robust option
   
2. xtreg invest mvalue kstock, re robust
   
3. xtoverid

复制代码

其结果

1. . // With robust option
   
2. . xtreg invest mvalue kstock, re robust
   
3. 
   
4. Random-effects GLS regression                   Number of obs     =        200
   
5. Group variable: company                         Number of groups  =         10
   
6. 
   
7. R-sq:                                           Obs per group:
   
8.      within  = 0.7668                                         min =         20
   
9.      between = 0.8196                                         avg =       20.0
   
10.      overall = 0.8061                                         max =         20
    
11. 
    
12.                                                 Wald chi2(2)      =      70.13
    
13. corr(u_i, X)   = 0 (assumed)                    Prob > chi2       =     0.0000
    
14. 
    
15.                                (Std. Err. adjusted for 10 clusters in company)
    
16. ------------------------------------------------------------------------------
    
17.              |               Robust
    
18.       invest |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
    
19. -------------+----------------------------------------------------------------
    
20.       mvalue |   .1097811   .0137557     7.98   0.000     .0828206    .1367417
    
21.       kstock |    .308113   .0549728     5.60   0.000     .2003683    .4158576
    
22.        _cons |  -57.83441   24.84323    -2.33   0.020    -106.5262   -9.142576
    
23. -------------+----------------------------------------------------------------
    
24.      sigma_u |   84.20095
    
25.      sigma_e |  52.767964
    
26.          rho |  .71800838   (fraction of variance due to u_i)
    
27. ------------------------------------------------------------------------------
    
28. 
    
29. . xtoverid
    
30. 
    
31. Test of overidentifying restrictions: fixed vs random effects
    
32. Cross-section time-series model: xtreg re  robust cluster(company)
    
33. Sargan-Hansen statistic   7.320  Chi-sq(2)    P-value = 0.0257

复制代码

这时你会发现，我们应该使用 FE 而不是上面的 RE。
在今年暑假，我预计于上海与长沙 (都用 Stata) 各办一场当代最新与实用计量讲习会 (会包括 panel data 之分析，为何不应该用 hausman 指令，我会说明 这些理由)，敬请拭目以待。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

关键词：002451 修正标准 实务应用 讲习会 标准误

输入xtoverid，结果出现Error - saved RE estimates are degenerate (sigma_u=0) and equivalent to pooled>  OLS
这是怎么回事啊请问

追寻名士 发表于 2019-2-24 19:21
输入xtoverid，结果出现Error - saved RE estimates are degenerate (sigma_u=0) and equivalent to poole ...

请将所有指令发出。

黄老师，您好~想请教一下Panel data里面的交互作用和普通回归中的使用有区别吗？需要注意什么？
您有相关的资料或文章可以推荐学习一下吗？拜托了，谢谢您！

如下数据中两个主要自变量drug和tierthird都是虚拟变量，固定效应回归系数都为负数，交互项也是显著为负，可以解释为当tierthird=1比tierthird=0时，使用drug会更为显著降低被解释变量费用吗？


. xtreg lnperpatientincome i.drug##i.tierthird beds doctors, fe

Fixed-effects (within) regression               Number of obs      =      9505
Group variable: id                              Number of groups   =       162

R-sq:  within  = 0.0949                         Obs per group: min =         1
       between = 0.1696                                        avg =      58.7
       overall = 0.1485                                        max =        72

                                                F(5,9338)          =    195.80
corr(u_i, Xb)  = -0.4687                        Prob > F           =    0.0000

----------------------------------------------------------------------------------
lnperpatientin~e |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-----------------+----------------------------------------------------------------
1.drug |   .1041588   .0196484     5.30   0.000     .0656437    .1426739
     1.tierthird |   .1999911    .012867    15.54   0.000      .174769    .2252133
                 |
drug#|
       tierthird |
            1 1  |  -.0968642   .0283119    -3.42   0.001    -.1523617   -.0413667
                 |
            beds |   .0002955   .0000485     6.10   0.000     .0002006    .0003905
doctors |   .0003013    .000021    14.37   0.000     .0002602    .0003425
           _cons |  -1.551743   .0216241   -71.76   0.000    -1.594131   -1.509355
-----------------+----------------------------------------------------------------
         sigma_u |  .49108098
         sigma_e |  .21282793
             rho |  .84187559   (fraction of variance due to u_i)
----------------------------------------------------------------------------------
F test that all u_i=0:     F(161, 9338) =   196.98           Prob > F = 0.0000

yuqingair 发表于 2019-3-4 16:09
黄老师，您好~想请教一下Panel data里面的交互作用和普通回归中的使用有区别吗？需要注意什么？
您有相关的 ...

1. 基本上没差太多。2. 哪里负？不是正的吗？

老师您好！想请问一下我用面板数据做回归，霍斯曼检验结果要用固定效应模型，但我其中有个变量是各省间的地理距离，不随年份变化，在固定效应模型下结果不显著，但用混合回归和随机效应模型出来结果都是显著的，请问老师这种情况要怎么处理呀？
运行的结果如下：

                 ---- Coefficients ----
             |      (b)          (B)            (b-B)     sqrt(diag(V_b-V_B))
             |       FE           RE         Difference          S.E.
-------------+----------------------------------------------------------------
      chanye |   -1.140117    -.5940439       -.5460733         .075347
    caizheng |    .5112442    -.1238519        .6350961        .1086106
    distance |   -.0009693    -.0001295       -.0008398        .0028426
      linjie |   -.5837374    -.0072213       -.5765161        .8081267
      perGDP |    .0000121     .0000129       -7.48e-07        5.82e-07
       trade |    .1338587     .1047389        .0291198        .0141198
         CPI |   -.0160049    -.0261296        .0101246          .00137
     GDPmidu |    .0001536     .0001758       -.0000222        .0000301
         FDI |    1.110943     1.450858       -.3399152        .1151618
       _cons |    1.938909     .6375047        1.301404        3.890169
------------------------------------------------------------------------------
                           b = consistent under Ho and Ha; obtained from xtreg
            B = inconsistent under Ha, efficient under Ho; obtained from xtreg

    Test:  Ho:  difference in coefficients not systematic

                  chi2(7) = (b-B)'[(V_b-V_B)^(-1)](b-B)
                          =      224.81
                Prob>chi2 =      0.0000
                (V_b-V_B is not positive definite)
Fixed-effects (within) regression               Number of obs     =     17,669
Group variable: id                              Number of groups  =        465

R-sq:                                           Obs per group:
     within  = 0.0456                                         min =         37
     between = 0.1914                                         avg =       38.0
     overall = 0.0223                                         max =         38

                                                F(9,17195)        =      91.19
corr(u_i, Xb)  = -0.8834                        Prob > F          =     0.0000

------------------------------------------------------------------------------
          CM |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      chanye |  -1.140117   .0901392   -12.65   0.000    -1.316799   -.9634352
    caizheng |   .5112442    .124083     4.12   0.000     .2680289    .7544594
    distance |  -.0009693   .0028301    -0.34   0.732    -.0065166    .0045779
      linjie |  -.5837374   .8050134    -0.73   0.468    -2.161646     .994171
      perGDP |   .0000121   1.01e-06    12.05   0.000     .0000102    .0000141
       trade |   .1338587   .0217067     6.17   0.000     .0913114     .176406
         CPI |  -.0160049    .005809    -2.76   0.006    -.0273912   -.0046186
     GDPmidu |   .0001536   .0000463     3.32   0.001     .0000629    .0002443
         FDI |   1.110943   .2575937     4.31   0.000      .606033    1.615853
       _cons |   1.938909   3.873029     0.50   0.617    -5.652623    9.530441
-------------+----------------------------------------------------------------
     sigma_u |  .57927151
     sigma_e |  1.1232305
         rho |  .21008954   (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(464, 17195) = 1.34                  Prob > F = 0.0000
Random-effects GLS regression                   Number of obs     =     17,669
Group variable: id                              Number of groups  =        465

R-sq:                                           Obs per group:
     within  = 0.0417                                         min =         37
     between = 0.1835                                         avg =       38.0
     overall = 0.0442                                         max =         38

                                                Wald chi2(9)      =     815.97
corr(u_i, X)   = 0 (assumed)                    Prob > chi2       =     0.0000

------------------------------------------------------------------------------
          CM |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      chanye |  -.5940439   .0502031   -11.83   0.000    -.6924402   -.4956476
    caizheng |  -.1238519    .061136    -2.03   0.043    -.2436763   -.0040275
    distance |  -.0001295   .0000146    -8.89   0.000    -.0001581    -.000101
      linjie |  -.0072213   .0274957    -0.26   0.793    -.0611119    .0466694
      perGDP |   .0000129   8.27e-07    15.58   0.000     .0000113    .0000145
       trade |   .1047389   .0166137     6.30   0.000     .0721767    .1373011
         CPI |  -.0261296   .0056718    -4.61   0.000     -.037246   -.0150131
     GDPmidu |   .0001758   .0000354     4.97   0.000     .0001064    .0002451
         FDI |   1.450858   .2316978     6.26   0.000     .9967387    1.904978
       _cons |   .6375047   .0262364    24.30   0.000     .5860822    .6889271
-------------+----------------------------------------------------------------
     sigma_u |          0
     sigma_e |  1.1232305
         rho |          0   (fraction of variance due to u_i)
------------------------------------------------------------------------------

Linear regression                               Number of obs     =     17,669
                                                F(12, 464)        =      49.09
                                                Prob > F          =     0.0000
                                                R-squared         =     0.0446
                                                Root MSE          =      1.128

                                   (Std. Err. adjusted for 465 clusters in id)
------------------------------------------------------------------------------
             |               Robust
          CM |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      chanye |  -.7779491   .0823316    -9.45   0.000    -.9397382   -.6161601
    caizheng |    .286789   .0574816     4.99   0.000     .1738326    .3997454
    distance |  -.0001031   .0000152    -6.80   0.000    -.0001329   -.0000733
      linjie |   .0006319   .0295582     0.02   0.983    -.0574527    .0587165
      perGDP |   .4630604   .0795339     5.82   0.000     .3067692    .6193516
       trade |   -.073076   .0363365    -2.01   0.045    -.1444806   -.0016715
         CPI |  -.0400733   .0061278    -6.54   0.000    -.0521151   -.0280316
     GDPmidu |   .0002544   .0001012     2.51   0.012     .0000554    .0004533
         FDI |   5.154523    .521432     9.89   0.000     4.129862    6.179183
        east |   .0825387   .0310648     2.66   0.008     .0214936    .1435838
      middle |   .1016752   .0375561     2.71   0.007     .0278742    .1754763
        west |  -.0289607    .029209    -0.99   0.322    -.0863589    .0284376
       _cons |    .550241   .0327163    16.82   0.000     .4859506    .6145315
------------------------------------------------------------------------------

.
end of do-file

hemuwu 发表于 2019-3-4 16:43
老师您好！想请问一下我用面板数据做回归，霍斯曼检验结果要用固定效应模型，但我其中有个变量是各省间的地 ...

我只用 FE。

谢谢黄老师，想请教一下关于xtabond2   y  l.y x1 x2 x3 ,gmm(var) iv(var)   nolevel  twostep vce(robust)    的命令中，，twostep是指的两步GMM， vce(robust) 指修正标准误，
       nolevel在陈强老师的计量中说是指不估计水平方程， 即为差分GMM，默认为系统GMM。 意思就是说加上nolevel就是用的差分GMM？不加就是系统GMM？？   

黄老师您好，在论坛上看到了您关于交互项的PPT讲解，很受启发。但是我一直有个困惑，在做实证回归中，交互项通畅加入后很容易不再显著。请问这种情况有什么好的解决办法吗？我个人觉得可能大型样本结果会不一样，但是也看到一些文章，3000 obs的交互项结果也显著。感觉理论上是存在交互作用的，但是计量模型一检验，结果很差，原先的未进行交互的2个核心解释变量显著性也不好了。这是怎么回事呢？请教您。

啦啦啦啦啦hh 发表于 2019-3-7 14:55
谢谢黄老师，想请教一下关于xtabond2   y  l.y x1 x2 x3 ,gmm(var) iv(var)   nolevel  twostep vce(robust ...

我记得陈强老师的书上是有关于系统gmm的案例，命令格式： xtdpdsys n l(0/1).ys yr1980-yr1984, lags(2) twostep endogenous(w, lag(1,.)) endogenous(k,lag(2,.))