Chapter 01 追蹤資料�縱橫資料(Panel-Data)



1-1 前言

1-1-1　研究設計的類型

1-1-2　各大學興起建立Panel 資料庫



1-2 迴歸模型之重點整理

1-2-1　簡單OLS 迴歸模型之重點整理

1-2-2　線性：Panel 迴歸模型之重點整理



1-3 追蹤資料(panel-data) 簡介

1-3-1　橫斷面研究之侷限性

1-3-2　縱貫面研究的種類

1-3-3　縱貫面應用在社科研究之策略

1-3-4　Panel 迴歸模型的優缺點

1-3-5　追蹤資料的研究議題



1-4 追蹤資料(panel-data) 分析之Stata 相關指令



1-5 追蹤資料(panel-data) 之基本模型

1-5-1　Panel 資料型態及其模型分類

1-5-2　追蹤資料(panel-data) 模型：線性vs. 非線性模型

1-5-3a　追蹤資料(panel-data) 模型認定(identify) 與假設

1-5-3b　 FE、BE、RE 三種追蹤資料(panel-data) 分析原理之實例解說

1-5-4　橫斷面：最小平方虛擬變數(LSDV) 迴歸模型之實作

1-5-5　 追蹤資料(panel-data) 模型認定( 固定vs. 隨機效果)的進階



1-6 線性Panel 模型

1-6-1　xtreg 指令之報表解說

1-6-2　線性Panel 模型：xtreg 指令之五種效果型態

1-6-2a　 範例：xtreg 指令之五種追蹤資料(panel-data)效果型態

1-6-2b　 你該選Fixed Effects 或Random Effects 呢？用Hausman (1978) 檢定來判定

1-6-3　 Two-Way 效果模型( 固定效果reg、隨機�混合效果icc 指令)



1-7 追蹤資料模型的效果選擇(pooled OLS、固定效果、隨機效果?)

1-7-1　 F 檢定( 該選pooled OLS vs. 固定效果?)：「xtreg?, fe」指令

1-7-2　 Lagrange 乘數檢定(pooled OLS vs. 隨機效果?)：隨機效果的事後指令xttest0

1-7-3　 F 檢定、Lagrange 乘數(multiplier) 檢定、Hausman 檢定之流程

1-7-4　 該選固定效果或隨機效果呢：Hausman 檢定(hausman 指令)



Chapter 02 簡易Panel-Data 法( 混合資料OLS 法，reg 指令)

2-1 最小平方法(OLS) 迴歸之假定(assumption)

2-2 不同年代婦女生育能力有變化嗎？

2-3 垃圾焚燒爐的位置對房價影響

2-4 歷年犯罪率(Crime Rates in North Carolina)



Chapter 03 時間序列之序列相關：線性動態模型



3-1 認識自我相關(AR)、序列相關(SC)

3-1-1　進行OLS 統計時應注意之事項

3-1-2　Longitudinal data 之序列相關

3-1-3　 干擾項(Disturbances) 帶有AR(p) 結構(autoregressive of order p)

3-1-4　偵測序列相關(SC) 之方法：線性動態模型

3-1-4a　Durbin-Watson 檢定法：限AR(1) 之偵測法

3-1-4b　更高階之殘差AR(p) 的檢定法有三：線性動態模型



3-2 Longitudinal data 序列相關( 先bgodfrey 偵測，再newey/prais指令解決)

3-2-1　 序列相關AR(3)( 先reg、bgodfrey 偵測，再newey 指令解決)

3-2-2　 序列相關AR(4)( 先dwatson、bgodfrey再newey/prais)



3-3 更多時間序列範例：誤差項具有AR ？

3-3-1　 時間序列之誤差項有AR(1)( 先reg 再newey 指令修正AR1)

3-3-2　 偵測時間序列中誤差項AR(3)( 先reg, bgodfrey 再newey 指令)

3-3-3　時間序列中誤差項帶有AR ( 先reg 再prais 指令)



3-4 Panel-data 序列相關：Wooldridge 檢定(xtserial 指令)



3-5 Panel-data 迴歸中誤差項有AR(1)

3-5-1a　自我相關檢定方法一：誤差帶AR(1) 的xtregar 指令

3-5-1b　自我相關檢定方法二：xtserial 指令

3-5-1c　自我相關檢定方法三：先reg、ivreg2 再abar；直接xtabond2



3-6 Panel 殘差之自我相關及殘差異質性之實作步驟

3-6-1a　 混合資料(pooled) 效果模型vs. 樣本平均(PA)模型誰優？

3-6-1b　單因子個體效果vs. 單因子時間效果

3-6-1c　判定固定效果或隨機效果呢？ (hausman 指令)

3-6-1d　誤差帶AR(1) 之Panel 模型？ (xtregar 指令)

3-6-1e　 偵測Panel 誤差異質性(xttest3)、自我相關(xttest2 指令)

3-6-1f　一併處理Panel 誤差異質性、自我相關(xtgls 指令)



Chapter 04 誤差變異之異質性(xtgls 指令為主流)



4-1 殘差之變異數

4-1-1　誤差變異σ2εit 的觀念

4-1-2　誤差變異σ2εit 的偵測法



4-2 偵測誤差之異質性(Heteroskedasticity)

4-2-1　橫斷面OLS 迴歸：殘差異質性診斷(hettest 指令)

4-2-2　殘差異質的改善：OLS 改成Robust 迴歸

4-2-3　 橫斷面之誤差異質性：需ln() 變數變換( 先reg 再whitetst 指令)

4-2-4　縱貫面之誤差異質性( 先reg 再bpagan 指令)

4-2-5　 縱貫面(Longitudinal-data) 誤差ARCH(先reg 再bpagan 指令)



4-3 Panel-data 誤差變異σ2εit 的相依性及異質性

4-3-1　 Panel-data 相依性�同時期相關檢定(先xtgls 再xttest2 指令)

4-3-2a　 偵測Panel-data 之σ2εit 異質性(方法一：先xtgls 再lrtest 指令)

4-3-2b　 異質性Panel-data 二種誤差相關性(xtgls?, panels(hetero)corr(ar1) 等選項)

4-3-2c　 偵測Panel-data 之σ2εit 異質性(方法二：直接用lmhlrxt 指令)

4-3-3　 FGLS 實作Panel-data 之誤差自我相關及誤差異質變異(xtgls 指令)



4-4 Panel-data 有誤差自我相關且異質的誤差變異(xtpcse 指令)



Chapter 05 追蹤資料(Panel-Data) 迴歸之進階



5-1 追蹤資料�縱橫資料(panel-data)

5-1-1　追蹤資料之迴歸模型(panel-data Regression Model)

5-1-2　Stata 在追蹤資料(panel-data) 的應用



5-2 Panel「wide form」轉成「long form」: wages 範例



5-3 長型(Long) panels

5-3-1　長型(Long) panels 特性

5-3-2　長型(Long) panels 的指令



5-4 線性panel 之六種估計法

5-4-1　混合資料OLS 法(reg 指令)

5-4-2　混合資料OLS 法(reg, vce(cluster i) 指令)

5-4-3　 混合資料OLS 法(「xtgee, corr(ar 2) vce(robust)」指令)

5-4-4　 組間之廣義最小平方(Between GLS) 估計(xtreg, be 指令)

5-4-5　固定效果(or within) 之估計(xtreg, fe 指令)

5-4-6　隨機效果之估計(xtreg, re 指令)

5-4-7　帶有單根，一階差分估計 (reg, vce(cluster i) 指令)

5-4-8　線性panel 各估計法之se 比較



5-5 固定效果vs. 隨機效果之選擇



5-6 Panel IV( 工具變數)：xtivreg 指令之一階差分



5-7 隨機係數(Random coefficients) 模型(xtrc 指令)



Chapter 06 聯立方程式( 內生的共變)：工具變數及兩階段最小平方法(2SLS)



6-1 工具變數及兩階段最小平方法(2SLS)

6-1-1　進行OLS 統計分析時應注意之事項

6-1-2　工具變數(IV) 之重點整理

6-1-3　 隨機解釋變數X(random regressor) 與工具變數Z(instrumental variable)

6-1-4a　單一工具變數及單一內生變數：內生性檢定

6-1-4b　 兩階段最小平方法迴歸：Wu-Hausman 內生性檢定(「estat endogenous」指令)

6-1-5　為何需要多個工具變數？

6-1-6　工具變數(instrumental variables) 在教育的應用

6-1-7　兩階段迴歸vs. 最小平方法迴歸之範例



6-2 橫斷面� panel：如何偵測需要工具變數呢？

6-2-1　為何「教育水準」需要多個工具變數Z 呢？

6-2-2　 橫斷面Hausman 檢定：OLS vs. 2SLS 誰優？(hausman 指令)

6-2-3　 Panel-data Hausman-Taylor 法：需工具變數嗎？(xthtaylor)

6-2-4　 橫斷面：雙工具變數之兩階段迴歸(ivregress 2sls 指令)

6-2-5　 橫斷面：單一工具變數之二階probit 迴歸(ivprobit?, twostep 指令)



6-3 Panel-data：工具變數及兩階段最小平方法(xtivreg 指令)

6-3-1　線性panel 資料進階問題的處理：內生性�多層次

6-3-2　偵測panel 資料之內生性(xtivreg 指令)

6-3-2a　 Panel 固定效果：無工具變數xtreg vs. 有工具變數xtivreg 指令誰優？

6-3-2b　 Panel 隨機效果有IV「G2SLS、EC2SLS 法」會比無IV 優嗎(xtivreg 指令)

6-3-2c　 Panel-data 一階差分之估計：兩階段迴歸合(xtivreg?, fd 指令)



Chapter 07 Panel-data 單根檢定及共整合



7-1 時間序列：單根檢定(unit root test)

7-1-1　時間序列：單根檢定法之解說

7-1-2　單根檢定之流程

7-1-3　認識常用的單根檢定法

7-1-4　時間序列：ADF 單根檢定

7-1-5　Augmented Dickey-Fuller(ADF) 單根檢定法



7-2 常見panel-data 單根檢定法

7-2-1　Panel-data: Levin and Lin Test (xtunitroot llc 指令)

7-2-2　Panel-data: IPS 檢定(xtunitroot ips 指令)

7-2-3　Panel-data: Fisher Test 檢定(xtunitroot fisher 指令)



7-3 Panel-data 單根檢定之實例



7-4 時間序列之共整合分析

7-4-1　cointegration 分析步驟

7-4-2　Stata 實例：時間序列之共整合分析



7-5 Panel 共整合之解說



7-6 以誤差修正為基礎之panel-data 共整合檢定

7-6-1　以誤差修正為基礎之共整合檢定公式

7-6-2a　共整合檢定方法一：group-mean 檢定法

7-6-2b　共整合檢定方法二：panel 檢定法

7-6-2c　漸進檢定分配(asymptotic test distribution)

7-6-2d　橫斷面之相依性(cross-sectional dependence)



7-7 誤差修正為基礎之panel-data 共整合的實證研究

7-7-1　xtwest 指令語法

7-7-2　Error-correction-based 之panel 共整合分析(xtwest 指令)



Chapter 08 非線性：計數型panel 模型



8-1 非線性panel models 之應用領域

8-1-1　非線性：Panel 迴歸模型之分類

8-1-2　計數型(Count) 模型：Zero-inflated Poisson 迴歸之解說

8-1-3　非線性：Panel 迴歸模型之重點整理

8-1-4　非線性panel models 的指令



8-2 非線性Panel 四種估計法

8-2-1　非線性Panel：Pooled 法或Population-averaged 估計法

8-2-2　非線性Panel：隨機效果估計

8-2-3　非線性Panel：隨機斜率估計

8-2-4　非線性Panel：固定效果(FE) 估計



8-3 非線性Panel：計數型(count data) 迴歸之範例

8-3-1　Nonlinear panel：計數型(count) 迴歸之各指令

8-3-2　 Count data 過度分散(over dispersed) 範例(xtsum 指令)



8-4 概似為基礎(Likelihood-based) 之Count 模型各種指令的解說

8-4-1　 Panel Poisson 方法一：pooled Poisson 迴歸(poisson 指令)

8-4-2　 Panel Poisson 方法二：樣本平均(PA)Poisson 迴歸(xtgee 指令)

8-4-3a　 Panel Poisson 方法三：隨機效果(RE) 之gamma 隨機效果(xtpoisson, re 指令)

8-4-3b　 Panel Poisson 方法四：隨機效果(RE) 之normal 隨機效果(xtpoisson, re 指令)

8-4-4　 Panel Poisson 方法五：固定效果(「xtpoisson, fe」、「xtpqml,fe」指令)

8-4-5　 上述五種「帶cluster-robust 標準誤之Poisson 估計」的比較

8-4-6　動差為基礎，固定效果計數型panel (FE count panel)

8-4-7　Panel Poisson 方法六：廣義動差法(GMM)

8-4-7a　橫斷面、線性：廣義動差法(GMM) 估計

8-4-7b　 線性兩階段最小平方(ivregress 2sls)：廣義動差法(GMM) 估計

8-4-7c　帶Lag 項CAPM 模型：廣義動差法(GMM) 的估計

8-4-7d　 帶Endogenous regressor 之Poisson 模型：廣義動差法(GMM)

8-4-7e　Logit Panel 模型：使用xtgee、xtlogit 指令



8-5 多層次混合(Multilevel mixed) 模型

8-5-1a　分層隨機抽樣

8-5-1b　偵測兩個敵對模型，誰比較適配你的樣本？

8-5-2a　 線性、橫斷面：多層次混合迴歸(xtmixed 指

8-5-2b　 線性、縱貫面：Mixed 或multilevel 或hierarchical model(xtmixed 指令)

8-5-2c　線性、縱貫面：多層成長模型(xtmixed 指令)

8-5-2d　 追蹤(panel) 資料：多層隨機截距�隨機斜率模型(xtmixed 指令)

8-5-2e　 追蹤(panel) 資料：三層之隨機截距�隨機斜率模型(xtmixed 指令)

8-5-3　 線性：廣義估計方程式(GEE) 分析Panel-data(xtgee 指令)

8-5-4a　非線性：雙層次混合Logistic 迴歸(xtmelogit 指令)

8-5-4b　非線性：三層次Logistic 迴歸(xtmelogit 指令)

8-5-5　 非線性計數型迴歸：三層次Poisson 迴歸(xtmepoisson 指令)

8-5-6　 異質性誤差之隨機截距或混合效果模型(xtmixed 指令)

8-5-7　潛在成長曲線(xtmixed+ nlcom 指令)



8-6 群聚的資料(clustered data)

8-6-1　 群聚資料之panel 模型( 指令「xtreg?, vce (cluster)」)

8-6-2　群聚資料(clustered data) 之Stata 估計

8-6-3　群聚資料(clustered data) 實作( 各種迴歸模型)



Chapter 09 線性：動態Panel-Data 模型



9-1 經濟數學模型



9-2 線性：動態(dynamic) panel 模型

9-2-1　 線性動態panel 模型：廣義動差法(xtabond、xtdpd 指令)

9-2-2a　GMM 應用於動態Panel Data 模型

9-2-2b　 線性動態panel 模型：廣義動差法(xtdpdsys、gmm 指令)

9-2-3　 Arellano-Bond 線性動態panel-data 估計(xtabond 指令)

9-2-3a　Arellano-Bond 一階差分動態模型(xtabond 指令)

9-2-3b　 比較Arellano-Bond 一階差分動態四種模型(xtabond 指令)

9-2-4　Arellano-Bond 線性動態panel-data 估計(xtdpd 指令)



參考文獻