⑴ 計量經濟學stata
是要回歸嗎？就是regress命令不是嗎？格式如下：
reg growth radeShare ln(YearsSchool) Rev_Coups Assassinations ln(RGDP60)
可以根據需要加入交叉項，例如：
reg growth radeShare ln(YearsSchool) Rev_Coups Assassinations##ln(RGDP60)
等。專
可以進屬行自相關檢驗等。不知能否解決你的問題。歡迎追問！
⑵ 在設計計量經濟學模型時，怎麼判斷是否應該設計交叉項
y等於x1+x2+x1*x2
就等於x1+(1+x1)*x2
對x2求偏導，則等於
1+x1
所以交叉項意味著一個變專量影響了另一個變數的偏效應。
例如外屬商直接投資帶來先進的技術和管理經驗，有利於本國經濟增長，所以外商直接投資對本國經濟的偏效應是正的。
但是外商直接投資帶來的技術和經驗，不是你想學就能學的，需要一定的人力資本積累來消化吸收。
這時候加入人力資本和外商直接投資的交叉項，如果結果交叉項的系數為正，則意味著人力資本提高了外商直接投資對經濟增長的拉動效果，人力資本越高的地方，外商直接投資越能夠促進經濟增長。
⑶ 計量經濟學中回歸模型交叉項是怎麼回事
交叉項反應了兩個變數共同對被解釋變數是否有顯著影響,在設定的時候應盡量避免多重共線性的問題,如果明知有多重共線性還要強行設定交叉項就可能不能估計,就沒有意義了
⑷ 計量經濟學學中交乘項是什麼意思包含交乘項的模型會不會有多重共線性有多重共線性怎麼辦
交叉項反應了兩個變數共同對被解釋變數是否有顯著影響，在設定的時候應盡量避免多重共線性的問題，如果明知有多重共線性還要強行設定交叉項就可能不能估計，就沒有意義了
⑸ 計量經濟學問題
不知從何時起，解答計量問題成了我日常生活的一部分。天南海北的讀者與同道提出了各種各樣的計量問題。這里摘取少量的典型問題，希望對從事實證研究的朋友有幫助。
1、在什麼情況下，應將變數取對數再進行回歸？
答：可以考慮以下幾種情形。
，如果理論模型中的變數為對數形式，則應取對數。比如，在勞動經濟學中研究教育投資回報率的決定因素，通常以工資對數為被解釋變數，因為這是從Mincer模型推導出來的。
第二，如果變數有指數增長趨勢（exponential growth），比如 GDP，則一般取對數，使得 lnGDP 變為線性增長趨勢（linear growth）。
第三，如果取對數可改進回歸模型的擬合優度（比如 R2 或顯著性），可考慮取對數。
第四，如果希望將回歸系數解釋為彈性或半彈性（即百分比變化），可將變數取對數。
第五，如果無法確定是否該取對數，可對兩種情形都進行估計，作為穩健性檢驗（robustnesscheck）。若二者的回歸結果類似，則說明結果是穩健的。
2、如何理解線性回歸模型中，交互項（interactive term）系數的經濟意義？
答：在線性回歸模型中，如果不存在交互項或平方項等非線性項，則某變數的回歸系數就表示該變數的邊際效應（marginal effect）。比如，考慮回歸方程
y = 1 + 2x + u
其中， u 為隨機擾動項。顯然，變數x 對 y 的邊際效應為 2，即 x 增加一單位，平均而言會使 y 增加兩單位。考慮在模型中加入交互項，比如
y = α + βx + γz + δxz+ u
其中， x 與 z 為解釋變數，而 xz 為其交互項（交叉項）。由於交互項的存在，故x 對 y 的邊際效應（求偏導數）為β + δz，這說明 x 對 y 的邊際效應並非常數，而依賴於另一變數z 的取值。如果交互項系數 δ 為正數，則 x 對 y 的邊際效應隨著 z 的增加而增加（比如，勞動力的邊際產出正向地依賴於資本）；反之，如果δ 為負數，則 x 對 y 的邊際效應隨著z 的增加而減少。
3、在一些期刊上看到回歸模型中引入控制變數。控制變數究竟起什麼作用，應該如何確定控制變數呢？
答：在研究中，通常有主要關心的變數，其系數稱為 「parameterof interest」 。但如果只對主要關心的變數進行回歸（極端情形為一元回歸），則容易存在遺漏變數偏差（omittedvariable bias），即遺漏變數與解釋變數相關。加入控制變數的主要目的，就是為了盡量避免遺漏變數偏差，故應包括影響被解釋變數 y 的主要因素（但允許遺漏與解釋變數不相關的變數）。
4、很多文獻中有 「穩健性檢驗」 小節，請問是否每篇實證都要做這個呢？具體怎麼操作？
答：如果你的論文只匯報一個回歸結果，別人是很難相信你的。所以，才需要多做幾個回歸，即穩健性檢驗（robustness checks）。沒有穩健性檢驗的論文很難發表到好期刊，因為不令人信服。穩健性檢驗方法包括變換函數形式、劃分子樣本、使用不同的計量方法等，可以參見我的教材。更重要的是，向同領域的經典文獻學習，並模仿其穩健性檢驗的做法。
5、對於面板數據，一定要進行固定效應、時間效應之類的推敲么？還是可以直接回歸？我看到很多文獻，有的說明了使用固定效應模型的原因，有的則直接回歸出結果，請問正確的方法是什麼？
答：規范的做法需要進行豪斯曼檢驗（Hausman test），在固定效應與隨機效應之間進行選擇。但由於固定效應比較常見，而且固定效應模型總是一致的（隨機效應模型則可能不一致），故有些研究者就直接做固定效應的估計。
對於時間效應也同時考慮，比如，加入時間虛擬變數或時間趨勢項；除非經過檢驗，發現不存在時間效應。如果不考慮時間效應，則你的結果可能不可信（或許x 與 y 的相關性只是因為二者都隨時間而增長）。
6、如何決定應使用二階段最小二乘法（2SLS）還是廣義矩估計（GMM）？
答：如果模型為恰好識別（即工具變數個數等於內生變數個數），則GMM完全等價於2SLS，故使用2SLS就夠了。在過度識別（工具變數多於內生變數）的情況下，GMM的優勢在於，它在異方差的情況下比2SLS更有效率。由於數據或多或少存在一點異方差，故在過度識別情況下，一般使用GMM。
7、在面板數據中，感興趣的變數x 不隨時間變化，是否只能進行隨機效應的估計（若使用固定效應，則不隨時間變化的關鍵變數 x 會被去掉）？
答：通常還是使用固定效應模型為好（當然，可進行正式的豪斯曼檢驗，以確定使用固定效應或隨機效應模型）。如果使用固定效應，有兩種可能的解決方法：
（1）如果使用系統GMM估計動態面板模型，則可以估計不隨時間而變的變數x 的系數。
（2）在使用靜態的面板固定效應模型時，可引入不隨時間而變的變數 x與某個隨時間而變的變數 z 之交互項，並以交互項 xz （隨時間而變）作為關鍵解釋變數。