工具变量回归（Xtivreg）和边际效应（Marginal Effect)分析求助！求详解！！

何因扬清芬3 发表于 2016-8-19 16:08
第一行命令语是什么意思？

我按这个格式写的命令语 出来depvars may not be interactionsr(198);的提示 ...

第一行是把资料从 Stata 公司把资料（nlswork）叫进来，才能跑回归！

自己顶一顶 又摸索了一天还是没个结果呀

黃河泉 发表于 2016-8-19 16:35
第一行是把资料从 Stata 公司把资料（nlswork）叫进来，才能跑回归！

可是我按照语法 Xtivreg 还是不出回归结果。。。

何因扬清芬3 发表于 2016-8-19 21:40
可是我按照语法 Xtivreg 还是不出回归结果。。。

把你的指令写出来看看！

黃河泉 发表于 2016-8-20 07:49
把你的指令写出来看看！

xtivreg nplloans ge rq gdppc loggdppc gdppcg inflation ir psdummy2 fcdummy2  (cloans c.cloans#c.cloans equityta nlogta  = L.cloans c.L.cloans#c.L.cloans L.equityta L.nlogta), fe
显示depvars may not be interactionsr(198);
我用的是STATA/MP14

何因扬清芬3 发表于 2016-8-20 11:13
xtivreg nplloans ge rq gdppc loggdppc gdppcg inflation ir psdummy2 fcdummy2  (cloans c.cloans#c.cl ...

我刚刚又将你的 key paper 读了一下，我觉得他所谈的 main effect 与 squared term 分开求并不是一个标准或好的方法。如果你的情况跟他的类似，那就尽量不要用 margins 这个指令（因为你同时有平方项与其他交叉项，我不知道 margins 是否能处理此类问题），所以应该回到我原先之建议，人工自己算（你在这边耽搁的时间，早就可算几十次了！），所以你就不要用 Stata 的 c.cloans#c.cloans 的类似指令（直接 gen cloans2=clones^2），这样你应该就可以跑回归了！当然，最关键就是你会不会微分一下，然后将相关变量的平均值代入计算！

黃河泉 发表于 2016-8-20 11:48
我刚刚又将你的 key paper 读了一下，我觉得他所谈的 main effect 与 squared term 分开求并不是一个标准 ...

是呀 折腾了一天我已经在考虑直接生成平方项跑了回归再算边际效应了 不过你说的那样手动计算 具体应该怎么算我还是不是很清楚。。。因为我的变量和KEY PAPER的不一样 但是方法是一样的 都有平方项和交互项。。。如果不按作者那么做的话 出来结果对于政策改进方面要怎么分析 没有参照 我也不太会了。。。。

何因扬清芬3 发表于 2016-8-20 16:40
是呀 折腾了一天我已经在考虑直接生成平方项跑了回归再算边际效应了 不过你说的那样手动计算 具体应 ...

假设有一回归为：\[ n_{it}=\alpha_i+\beta_1 w_{it}+\beta_2 w_{it}^2+\beta_3 w_{it}\cdot k_{it}+\beta_4 ys_{it}+\epsilon_{it}\]根据 key paper，以 $w_{it}$ 为例，其对 $n_{it}$ 之边际效果 (marginal effects) 为（我省略下标）：
\[ \frac{\partial n}{\partial w}=\underbrace{\beta_1}_{\mbox{main effect}}+\underbrace{2\beta_2 w}_{\mbox{squared term}}+\underbrace{\beta_3 k}_{\mbox{interaction}} \]
我必须重申，我并非完成赞同文之说/作法！而根据文献，我们以 $w,k$ 之平均值代入！对应之程序如下（根据你的 key paper，w 对 n 之不同效果）：

1. webuse abdata, clear
   
2. 
   
3. gen w2 = w^2
   
4. gen wk = w*k
   
5. xtivreg n w w2 wk (ys = rec), fe
   
6. 
   
7. // mean of w
   
8. sum w if e(sample)
   
9. scalar wm = r(mean)
   
10. scalar list wm
    
11. 
    
12. // mean of k
    
13. sum k if e(sample)
    
14. scalar km = r(mean)
    
15. scalar list km
    
16. 
    
17. // main effect
    
18. scalar main = _b[w]
    
19. scalar list main
    
20. 
    
21. // squared term
    
22. scalar square = 2*_b[w2]*wm
    
23. scalar list square
    
24. 
    
25. // interaction term
    
26. scalar inter = _b[wk]*km
    
27. scalar list inter

复制代码

黃河泉 发表于 2016-8-20 17:43
你先看看（根据你的 key paper，w 对 n 之不同效果）：

是不是每个变量都要这样算一次就可以做出论文里那个边际效应的图？

何因扬清芬3 发表于 2016-8-21 01:09
是不是每个变量都要这样算一次就可以做出论文里那个边际效应的图？

大致是这样没错，我又补上一点说明（请见程序上面之部分，对你了解应该很有帮助）。