发帖
雷达卡
常数项：假设残差项期望等于0的要求
4.3
unbiased 强调的是E（期望）等于真值
4.9
consistency 强调的是样本增大（large sample properties）后估计值收敛于真值
4.4
sampling variance越大，var[b|x]就越小。增加样本的变异度，可以提高估计的准确性。
OLS估计值的正态性（残差的正态来保证，否则是渐进的大样本性质）
6.2
A dummy variable that takes the value one only for one observation has the effect of deleting that observation from computation of the least squares slopes and variance estimator (but not R-squared).
7.3 non-nested J test, Stata中nnest命令（Baum, p101）
9.2 严格外生性假定：对扰动项的约束（不是对个体效应的约束）
9.3 pooled regression: OLS估计。Stata 中用reg （xtreg 是用gls）
Panel robust standard error，类似white
9.4 FE，个体效应与自变量相关（固定关系）。虚拟变量表示个体（LSDV），耗用较多自由度。
F检验，联合检验ui=0。
9.5 RE，个体效应与自变量无关（随机）。
FE：仅仅考虑了用于研究的个体，而没有考虑样本外的个体。或者说，认为样本已经是母体（如国家间的比较，可以包括所有国家）。
RE：对于从很大的母体中抽出的样本，则代表个体效应的常数项很有可能是随机分布的，因而假设其期望为0。
Hausman：
H0：个体效应与自变量无关，此时OLS与GLS估计量均一致，两者无系统性差异；
Ha：个体效应与自变量相关，此时OLS一致，GLS不一致，两者有系统性差异。
Stata中的Hausman检验（顺序错了可能出现负的卡方）：
先xtreg … , fe；然后est store fe；再xtreg …, re；最后Hausman fe .
或者看H0和Ha中对b和B的假定来判断哪个应该是FE（OLS），哪个应该是RE（GLS）。
如果顺序正确，卡方也有可能是负的。此时可以sigmamore/sigmaless，也可以用Baltagi（2005）的方法。另：
9.5.5 Mundlak’s Approach (1978)，同时包含FE和RE，通过联合检验一组参数为0的假设来区分。
9.7 nested random effect model 随机效应项分层，如国家-州-学校-班级。用MLE估计方差项，再用FGLS估计方程。R中使用lme4工具包。方差大于等于零的问题，16章再讨论。
空间自相关（地区之间的相关性）。Stata: findit spautoc
9.8.1 random coefficients model
stata命令：xtrc
9.8.3 hierarchical linear model: 两步法，适用于变系数模型和固定效应模型（含有时间无关变量）。第一步回归完之后得到的系数or个体效应用于第二步回归。
京公网安备 11010802022788号
