Stata | 分组回归系数差异性查验

这篇博客先容的是在两个样本组的模子设定是一样的情形下，进行分组回归后，比力雷同变量中二者在系数巨细上是否明显差异。如果系数差异明显，则阐明二者在经济意义上明显差异。
由于我们常常利用的数据是面板数据，并且，我们常常由于控制许多固定效应，导致在进行系数差异性查验碰钉子，以是本篇博客是在基于公司面板数据为例，假设探讨薪酬鼓励（x）是否有助于提升企业业绩（y），并控制企业特征变量（$z），添加了年份（year）、行业（ind）、公司（firm）固定效应，并在公司层面聚类。
主回归模子如下：

1. reghdfe y x $z, absorb(year ind firm) vce(cluster firm)

复制代码

分组回归是探讨国有企业（state1）和非国有企业（state0）在薪酬鼓励（x）对企业业绩（y）回归系数是否有明显差异。
本文紧张先容如下几种方法：
I. 参加交乘项
II.基于 SUR 模子的查验
III.组合查验
IV.本身编写步伐
V.手动盘算
本文紧张分享过程，不具体展开原理，具体参考如下资料
1、Stata: 怎样查验分组回归后的组间系数差异？
2、同一个模子三组差别样本下，回归系数间的差异性查验
3、Stata：本身动手做组间系数差异查验-bootstrap-bdiff

  
I.参加交乘项

1. *-I.加入交乘项
2. //最严格的系数差异性检验：假设其他控制变量在两组之间的不存在系数差异
3. **生成交乘项变量
4. xtset stkcd year
5. gen x_state = x*state
7. **加入产权性质（state）和交乘项（x_state）进行回归
8. reghdfe y x state x_state $z, absorb(year ind firm) vce(cluster firm)  

复制代码

II.基于 SUR 模子的查验

1. *-II.基于 SUR 模型的检验
2. //假设条件也比较宽松：回归时要保持二者回归变量一致，且固定效应多的时候需要去中心化（运行速度的考虑）
3. **固定效应处理
4. xtset stkcd year
5. tab year,gen(y_)  // 年度固定效应
6. tab ind,gen(i_)  // 行业固定效应
8. foreach var of varlist y x $z i_* y_* {       
9.         egen double `var'_0 = mean(`var'), by(firm)
10.         replace `var' = `var'-`var'_0
11.         drop `var'_0
12.         }  // 企业固定效应太多维，所以在企业层面进行去中心化来控制企业固定效应，加快运行速度
13.        
14. **分组回归并进行差异性检验
15. reg y x $z i_* y_*  if state==1
16. est store SOE
18. reg y x $z i_* y_*  if state==0
19. est store NonSOE
21. suest SOE NonSOE, vce (cluster firm)
22. test [SOE_mean]x=[NonSOE_mean]x

复制代码

III.组合查验

1. *-III.组合检验
2. //条件最为宽松：原始样本是从母体中随机抽取的，适用于各种命令（reg、xtreg、logit、ivregress）
4. **-方式I
5. **固定效应处理
6. xtset stkcd year
7. tab year,gen(y_)  // 年度固定效应
8. tab ind,gen(i_)  // 行业固定效应
10. foreach var of varlist y x $z i_* y_* {       
11.         egen double `var'_0 = mean(`var'), by(firm)
12.         replace `var' = `var'-`var'_0
13.         drop `var'_0
14.         }  // 企业固定效应太多维，所以在企业层面进行去中心化来控制企业固定效应，加快运行速度
15.        
16. **分组回归并进行差异性检验
17. bdiff, group(state) model(xtreg y x $z i_* y_*, cluster(firm)) reps(1000) seed(10101) first detail
19. **-方式II
20. xtset stkcd year
21. bdiff, group(state) model(reghdfe y x $z, absorb(year ind firm) vce(cluster firm)) reps(1000) seed(10101) first detail

复制代码

IV.本身编写步伐

1. *-IV.自己编写程序
2. //基于bdiff的原理，进行撰写，可以灵活运用自己回归的方式
3. **编写程序
4. capture program drop bse
5. program bse, eclass
6. xtset stkcd year
8. **-分组回归
9. reghdfe y x $z if state==1, absorb(year indid firm) vce(cluster firm)
10. scalar b1= _b[x]
12. reghdfe  y x $z if state==0, absorb(year indid firm) vce(cluster firm)
13. scalar b2= _b[x]
15. **-计算组间系数差异
16. scalar diff= b1- b2
18. **-将组间系数差存储在矩阵中，设置列名方便调取
19. matrix b = diff
20. matrix colnames b = diff
22. **-将组间系数差矩阵返回 e() 中
23. ereturn post b
24. ereturn display
25. end
27. **运行程序进行检验
28. bse // 运行程序
29. bootstrap _b[diff], reps(500) seed(1234) saving(diff,replace) nowarn : bse // 循环500次抽样
30. use diff,clear
31. count if _bs_1>0
32. local num = r(N)
33. local p = `num'/_N
34. if `p'>0.5 {
35.         local p = 1-`p'
36.         }
37. dis "y:`p'" // 不对diff的分布进行预先假设来检验“H0：diff=0”

复制代码

V.手动盘算

1. *-V.手动计算
2. **分组回归
3. xtset stkcd year
5. reghdfe y x $z if state==1, absorb(year indid firm) vce(cluster firm)
6. est store SOE
8. reghdfe  y x $z if state==0, absorb(year indid firm) vce(cluster firm)
9. est store NonSOE
11. **计算Z统计量
12. Z = （β1 = β2）/（Var(β1)+Var(β2)）1/2  // (这里的1/2是指对（Var(β1)+Var(β2)）开根号的意思！！！)
13. //其中β1 和 β2 是系数大小， Var(β1) 和Var(β2) 分别是两者的方差，更准确的写法是标准差(回归后系数的标准误)的平方，平方不好打出来，就用方差。
15. // 求出Z值后查Z统计量分布表，几个常用的临界值是Z=1.65对应p<0.1，Z=1.96对应p<0.05，Z=2.58对应p<0.01。如果你计算的Z值小于1.65，那连最宽松的p<0.1都不满足，无法说明两个系数具有显著差异。
17. //如果计算的z是负值，根据 P(-x)=1=p(x) 来

复制代码

来源：https://blog.csdn.net/Claire_chen_jia/article/details/125963657
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！