Stata III-9 Model's stability

利用STATA创建空间权重矩阵及空间杜宾模型计算命令

** 创建空间权重矩阵介绍 *设置默认路径 cd C:\Users\xiubo\Desktop\F182013.v4\F101994\sheng **创建新文件 *shp2dta:reads a shape (.shp) and dbase (.dbf) file from disk and converts them into Stata datasets. *shp2dta:读取CHN_adm1文件 *CHN_adm1：为已有的地图文件 *database (chinaprovince)：表示创建一个名称为“chinaprovince”的dBase数据集 *database(filename)：Specifies filename of new dBase dataset *coordinates(coord)：创建一个名称为“coord”的坐标系数据集 *coordinates(filename)：Specifies filename of new coordinates dataset *gencentroids(stub)：Creates centroid variables *genid(newvarname)：Creates unique id variable for database.dta shp2dta using CHN_adm1,database (chinaprovince) coordinates(coord) genid(id) gencentroids(c) **绘制2016年中國GDP分布圖 *spmap:Visualization of spatial data *clnumber(#):number of classes *id(idvar):base map polygon identifier(识别符，声明变量名，一般以字母或下划线开头，包含数字、字母、下划线) *_2016GDP：变量 *coord:之前创建的坐标系数据集 spmap _2016GDP using coord, id(id) clnumber(5) *更改变量名 rename x_c longitude rename y_c latitude **生成距离矩阵 *spmat:用于定义与管理空间权重矩阵 *Spatial-weighting matrices are stored in spatial-weighting matrix objects (spmat objects). *spmat objects contain additional information about the data used in constructing spatial-weighting matrices. *spmat objects are used in fitting spatial models; see spreg (if installed) and spivreg (if installed). *idistance:(产生距离矩阵)create an spmat object containing an inverse-distance matrix W *或contiguity:create an spmat object containing a contiguity matrix W *idistance_jingdu:命名名称为“idistance_jingdu”的距離矩陣 *longitude:使用经度 *latitude:使用纬度 *id(id):使用id

STATA最常用命令大全

stata save命令 FileSave As 例1. 表1.为某一降压药临床试验数据，试从键盘输入Stata，并保存为Stata格式文件。 STATA数据库的维护 排序 SORT 变量名1 变量名2 …… 变量更名 rename 原变量名新变量名 STATA数据库的维护 删除变量或记录 drop x1 x2 /* 删除变量x1和x2 drop x1-x5 /* 删除数据库中介于x1和x5间的所有变量(包括x1和x5) drop if x<0 /* 删去x1<0的所有记录 drop in 10/12 /* 删去第10~12个记录 drop if x==. /* 删去x为缺失值的所有记录 drop if x==.|y==. /* 删去x或y之一为缺失值的所有记录 drop if x==.&y==. /* 删去x和y同时为缺失值的所有记录 drop _all /* 删掉数据库中所有变量和数据 STATA的变量赋值 用generate产生新变量 generate 新变量＝表达式 generate bh=_n /* 将数据库的内部编号赋给变量bh。 generate group=int((_n-1)/5)+1 /* 按当前数据库的顺序，依次产生5个1，5个2，5个3……。直到数据库结束。 generate block=mod(_n,6) /* 按当前数据库的顺序，依次产生1,2,3,4,5,0。generate y=log(x) if x>0 /* 产生新变量y，其值为所有x>0的对数值log(x)，当x<=0时，用缺失值代替。 egen产生新变量 set obs 12 egen a=seq() /*产生1到N的自然数 egen b=seq(),b(3) /*产生一个序列，每个元素重复＃次 egen c=seq(),to(4) /*产生多个序列，每个序列从1到＃ egen d=seq(),f(4)t(6) /*产生多个序列，每个序列从#1到＃2 encode 字符变量名，gen(新数值变量名) 作用：将字符型变量转化为数值变量。 STATA数据库的维护 保留变量或记录 keep in 10/20 /* 保留第10～20个记录，其余记录删除 keep x1-x5 /* 保留数据库中介于x1和x5间的所有变量(包括x1和x5)，其余变量删除keep if x>0 /* 保留x>0的所有记录，其余记录删除

【计量】空间杜宾模型代码

空间杜宾模型stata代码 clear all cd "F:\stata14\ado\mydo\agglo" **调入权重矩阵 use Wqiantaoinver.dta, clear keep s* save "W2.dta" ,replace **矩阵转换为stata应用格式 spatwmat using W2, name(W)standardize matrix list W ***调入数据 use data11.21.dta, clear *对数生成 gen lnii=ln(ii) gen lnp=ln(p) gen lna=ln(a) gen lnt=ln(t) gen lnc=ln(c) *设定面板数据格式 xtset id year **变量描述性统计 local x " ii c p a t" //5个变量 tabstat `x', s(mean sd min p25 p50 p75 max) /// format(%6.4f) c(s) *****(2)estimation ****SDM estimation（个体固定ind） //Spatial Durbin model (SDM) xsmle lnii lnc lnp lna lnt, wmat(W) model(sdm) fe type(ind) nsim(500) nolog effects est store M_sptial //不要加入c三次方lna_2,使用第三产业，加入c_lng交乘项 estat ic //AIC BIC test //Spatial Durbin model （时间固定time） xsmle lnii lnc lnp lna lnt, wmat(W) model(sdm) fe type(time) nsim(500) nolog effects est store M_time estat ic //Spatial Durbin model（双固定，both） xsmle lnii lnc lnp lna lnt , wmat(W) model(sdm) fe type(both) nsim(500) nolog effects est store M_both estat ic **结果汇总列表显示 local m "M_sptial M_time M_both" esttab `m', mtitle(`m') nogap s(r2 ll aic bic N ) ///

Stata命令整理教学内容

Stata 命令语句格式： [by varlist:] command [varlist] [=exp] [if exp] [in range] [weight] [, options] 1、[by varlist:] *如果需要分别知道国产车和进口车的价格和重量，可以采用分类操作来求得， sort foreign //按国产车和进口车排序 . by foreign: sum price weight *更简略的方式是把两个命令用一个组合命令来写。 . by foreign, sort: sum price weight 如果不想从小到大排序，而是从大到小排序，其命令为gsort。 . sort - price //按价格从高到低排序 . sort foreign -price /*先把国产车都排在前，进口车排在后面，然后在国产车内再按价格从大小到排序，在进口车内部，也按从大到小排序*/ 2、[=exp]赋值运算 . gen nprice=price+10 //生成新变量nprice，其值为price+10 /*上面的命令generate(略写为gen) 生成一个新的变量，新变量的变量名为 nprice,新的价格在原价格的基础上均增加了10 元。 . replace nprice=nprice-10 /*命令replace 则直接改变原变量的赋值，nprice 调减后与price 变量取值相等*/ 3、[if exp]条件表达式 . list make price if foreign==0 *只查看价格超过1 万元的进口车（同时满足两个条件），则 . list make price if foreign==1 & price>10000 *查看价格超过1 万元或者进口车（两个条件任满足一个） . list make price if foreign==1 | price>10000 4、[in range]范围筛选 sum price in 1/5 注意“1/5”中，斜杠不是除号，而是从1 到 5 的意思，即1，2，3，4，5。 如果要计算前10 台车中的国产车的平均价格，则可将范围和条件筛选联合使用。 . sum price in 1/10 if foreign==0 5、[weight] 加权 sum score [weight=num] 其中，num为每个成绩所对应的人数 6、[, options]其他可选项 例如，我们不仅要计算平均成绩，还想知道成绩的中值，方差，偏度和峰度等*/ . sum score, detail . sum score, d //d 为detail 的略写，两个命令完全等价 . list price, nohead //不要表头 Stata 数据类型转换 1、字符型转化成数值型 destring, replace //全部转换为数值型，replace 表示将原来的变量（值）更新 destring date, replace ignore(“ ”) 将字符型数据转换为数值型数据：去掉字符间的空格destring price percent, gen(price2 percent2) ignore(“$ ,%”) 与date 变量类似，变量price 前面有美元符号，变量percent 后有百分号，换为数值型时需要忽略这些非数值型字符 2、数值型转化为字符型

(完整)stata命令总结,推荐文档

stata11 常用命令 注：JB统计量对应的p大于0.05 ，则表明非正态，这点跟sktest 和 swilk 检验刚好相反；dta 为数据文件；gph 为图文件；do 为程序文件；注 意stata 要区别大小写；不得用作用户变量名： _all _n _N _skip _b _coef _cons _pi _pred _rc _weight double float long int in if using with 命令：读入数据一种方式 input x y 14 2 5.5 3 6.2 47.7 58.5 end su/summarise/sum x 或su/summarise/sum x,d 对分组的描述： sort group by group:su x %%%%% tabstat economy,stats（max）%返回变量economy的最大值 %%stats括号里可以是：mean，count（非缺失观测值个数），sum（总 和），max，min，range ， %% sd ，var ，cv（变易系数＝标准差/ 均值），skewness，kurtosis ， median，p1（1 ％分位 %% 数，类似地有p10, p25, p50, p75, p95, p99），iqr（interquantile range = p75 –p25） _all %描述全部 _N 数据库中观察值的总个数。 _n 当前观察值的位置。 _pi 圆周率π 的数值。 list gen/generate % 产生数列egen wagemax=max（wage） clear use by（分组变量）

stata命令大全(全)

*********面板数据计量分析与软件实现********* 说明：以下do文件相当一部分内容来自于中山大学连玉君STATA教程，感谢他的贡献。本人做了一定的修改与筛选。 *----------面板数据模型 * 1.静态面板模型：FE 和RE * 2.模型选择：FE vs POLS, RE vs POLS, FE vs RE （pols混合最小二乘估计） * 3.异方差、序列相关和截面相关检验 * 4.动态面板模型（DID-GMM,SYS-GMM） * 5.面板随机前沿模型 * 6.面板协整分析（FMOLS,DOLS） *** 说明：1-5均用STATA软件实现， 6用GAUSS软件实现。 * 生产效率分析（尤其指TFP）：数据包络分析（DEA）与随机前沿分析（SFA） *** 说明：DEA由DEAP2.1软件实现，SFA由Frontier4.1实现，尤其后者，侧重于比较C-D与Translog生产函数，一步法与两步法的区别。常应用于地区经济差异、FDI溢出效应（Spillovers Effect）、工业行业效率状况等。 * 空间计量分析：SLM模型与SEM模型 *说明：STATA与Matlab结合使用。常应用于空间溢出效应（R&D）、财政分权、地方政府公共行为等。 * --------------------------------- * --------一、常用的数据处理与作图----------- * --------------------------------- * 指定面板格式 xtset id year （id为截面名称，year为时间名称） xtdes /*数据特征*/ xtsum logy h /*数据统计特征*/ sum logy h /*数据统计特征*/ *添加标签或更改变量名 label var h "人力资本" rename h hum *排序 sort id year /*是以STATA面板数据格式出现*/ sort year id /*是以DEA格式出现*/ *删除个别年份或省份 drop if year<1992 drop if id==2 /*注意用==*/ *如何得到连续year或id编号（当完成上述操作时，year或id就不连续，为形成panel格式，需要用egen命令） egen year_new=group(year) xtset id year_new **保留变量或保留观测值 keep inv /*删除变量*/ **或 keep if year==2000 **排序 sort id year /*是以STATA面板数据格式出现 sort year id /*是以DEA格式出现 **长数据和宽数据的转换 *长>>>宽数据 reshape wide logy,i(id) j(year)

地理溢出视角下我国物流产业全要素生产率分析

地理溢出视角下我国物流产业全要素生产率分析 王霞 内容摘要：物流业是支撑社会经济发展的重要产业，物流业越发达，市场经济便越繁荣，因此物流产业可以被视作经济增长的“润滑剂”和“加速器”，其重要作用引起了我国政府的高度关注。因此，本文基于物流产业的发展现状，通过构建杜宾模型来对我国物流产业全要素生产率进行研究，以期为我国物流产业发展提供针对性建议。结果表明：我国相邻区域之间的物流产业全要素生产率存在正相关关系；中、西部地区的物流产业生产率较低，缺少发达地区为其提供的推动力；人力资本与信息技术对物流产业全要素生产率的影响效果与交通基础设施相比更加显著；我国物流产业生产率存在显著的空间竞争效应。 关键词：物流产业全要素生产率杜宾模型溢出效应 在我国经济增长的过程中，物流产业在我国市场经济中的地位越来越重要。随着物流产业的高速发展，其对环境的影响也愈发显著，在人们的物质需求逐步增强的同时，物流产业对环境能源的消耗也逐渐增大。为了能够解决物流产业发展与环境能源消耗之间的矛盾，对不同地区的物流产业全要素生产率的分析尤为重要。目前，国内外对物流产业全要素生产率已有大量研究，然而这部分研究均采用了传统形式的DEA模型，并没有将外界影响因素及误差纳入考虑范围，这不免导致检验结果出现一定偏差。因此，本文基于物流产业的发展现状，通过建立空间计量模型，以地理溢出效应为研究方向，对我国物流产业全要素生产率进行系统分析，对物流产业全要素生产率的各种影响因素进行检验，进而更加全面地反映出我国不同地区物流产业全要素生产率的特征与实况，为我国物流产业的发展提供理论支持。 基于地理溢出视角的理论分析 （一）基础设施及地理溢出效应 公共区域的基础设施对当地和周边地区全要素生产率的影响机制比较复杂，可能是积极影响，也可能为消极的影响。以交通基础设施为例，不同地区的交通基础设施相互构成网状，每个区域的经济活动均在网状交通基础设施的覆盖范围之内。增加交通基础设施的建设，可以减少地区之间的运输成本，增加地区之间的交流频率。增加交通基础设施的投入成本，可以显著提高该地区交通的便利性，使得该地区的发展速度高于周边地区，如果与其相邻地区在交通基础设施中的投入成本相对较低，则该地区的生产要素将会显著聚集，最终具有交通基础设施优势的地区对其周边地区的生产率的升高起到阻碍作用，即形成了负向溢出效应。（二）人力资本及地理溢出效应 人力资本作为经济发展的操纵者，可以通过调控周边地区的全要素生产率来促进该地区的经济发展，人力资本与地区经济的发展呈现正相关性。人力资本投入的提高可以加快劳动者的工作效率，进而促使全要素生产率的升高，同时，以人力资本为载体来进行技术与经验的传播，可以扩大地区的经济规模，为全要素生产率的提高提供推动力。研发对促进地区科技的进步和提高全要素生产率具有十分重要的作用，研发和人力资本是影响全要素生产率高低的两大因素，研发在提高企业技术和生产效率的同时，可以促进该地区商品的流通速度、技术交流，提高该地区的人员分配，因此研发与人力资本具有显著的地理溢出效应。 模型构建与分析 （一）变量选取及数据来源 本文选取我国2002-2016年31個省市的物流业的资产、在岗职工人数、物流产业能耗量作为自变量，将周转量视为预期产出，物流产业的废气产出量为非预期产出，通过DEA距离函数求得物流产业全要素生产率，同时将生产率作为本文所采用模型的自变量，其中自变量主要包含两个因素，即基础设施和人力资本。

[推荐] stata基本操作汇总常用命令

[推荐] Stata基本操作汇总——常用命令 help和search都是查找帮助文件的命令，它们之间的 区别在于help用于查找精确的命令名，而search是模糊查找。 如果你知道某个命令的名字，并且想知道它的具体使用方法，只须在stata的命令行窗口中输入help空格加上这个名字。回车后结果屏幕上就会显示出这个命令的帮助文件的全部 内容。如果你想知道在stata下做某个估计或某种计算，而 不知道具体该如何实现，就需要用search命令了。使用的 方法和help类似，只须把准确的命令名改成某个关键词。回车后结果窗口会给出所有和这个关键词相关的帮助文件名 和链接列表。在列表中寻找最相关的内容，点击后在弹出的查看窗口中会给出相关的帮助文件。耐心寻找，反复实验，通常可以较快地找到你需要的内容.下面该正式处理数据了。我的处理数据经验是最好能用stata的do文件编辑器记下你做过的工作。因为很少有一项实证研究能够一次完成，所以，当你下次继续工作时。能够重复前面的工作是非常重要的。有时因为一些细小的不同，你会发现无法复制原先的结果了。这时如果有记录下以往工作的do文件将把你从地狱带到天堂。因为你不必一遍又一遍地试图重现做过的工作。在stata 窗口上部的工具栏中有个孤立的小按钮，把鼠标放上去会出

现“bring do-file editor to front”，点击它就会出现do文件编 辑器。 为了使do文件能够顺利工作，一般需要编辑do文件的“头”和“尾”。这里给出我使用的“头”和“尾”。capture clear （清空内存中的数据）capture log close （关闭所有 打开的日志文件）set more off （关闭more选项。如果打开该选项，那么结果分屏输出，即一次只输出一屏结果。你按空格键后再输出下一屏，直到全部输完。如果关闭则中间不停，一次全部输出。）set matsize 4000 （设置矩阵的最大阶数。我用的是不是太大了？）cd D: （进入数据所在的盘符和文件夹。和dos的命令行很相似。）log using （文件名）.log,replace （打开日志文件，并更新。日志文件将记录下所有文件运行后给出的结果，如果你修改了文件内容，replace选项可以将其更新为最近运行的结果。）use （文件名）,clear （打开数据文件。）（文件内容）log close （关闭日志文件。）exit,clear （退出并清空内存中的数据。） 实证工作中往往接触的是原始数据。这些数据没有经过整理，有一些错漏和不统一的地方。比如，对某个变量的缺失观察值，有时会用点，有时会用-9，-99等来表示。回归时如果 使用这些观察，往往得出非常错误的结果。还有，在不同的数据文件中，相同变量有时使用的变量名不同，会给合并数

空间计量经济学模型归纳

空间计量经济学模型 空间相关性是指 () ,i j y f y i j =≠即i y 与j y 相关 模型可表示为() (),1i j j i i y f y x i j βε=++≠ 其中，()f g 为线性函数，(1)式的具体形式为 () ()2,0,2i ij j i i i i j y a y x N βεεδ≠=++∑: 如果只考虑应变量空间相关性，则(2)式变为(3)式 ()()21 ,0,,1,2...3n i ij j i i i y W y N i n ρεεδ==+=∑: 式中 1 n ij j i W y =∑为空间滞后算子，ij W 为维空间权重矩阵n n W ?中的元素，ρ为待估的空间自相 关系数。0ρ≠，存在空间效应 (3)式的矩阵形式为() ()21, 0,4u n y Wy N I ρεδ?=: (4)式称为一阶空间自回归模型，记为FAR 模型 当在模型中引入一系列解释变量X 时，形式如下 () ()2,0,5n y Wy X N I ρβεεδ=++: (5)式称为空间自回归模型，记为SAR 模型 当个体间的空间效应体现在模型扰动项时有 () ()21,,0,6u n y X u u Wu N I βλεδ?=+=: （6）式成为空间误差模型，记为SEM 模型 当应变量与扰动项均存在空间相关时有 () ()2121,,0,7u n y W y X u u W u N I ρβλεεδ?=++=+: （7）式称为一般空间模型，记为SAC 模型 当0X =且20W =时，SAC →FAR ；当20W =时，SAC →SAR 当10W =时，SAC →SEM

出口与我国全要素生产率增长的关系——基于空间杜宾模型

出口与我国全要素生产率增长的关系——基于空间杜 宾模型 《国际贸易问题》7><2013年第5期经贸论坛出口与我国全要素生产率增长的关系——基于空间杜宾模型叶明确方莹摘要：本文基于出口内生增长模型，考虑技术和知识的空间依赖性以及出口的溢出效应，构建了空间杜宾模型，对出口与我国全要素生产率增长的关系进行了研究。结果发现，出口额对本地区的全要素生产率增长没有显著的影响，但对其他地区的全要素生产率增长产生了促进作用，对所有地区的全要素生产率增长也有促进作用。为了更加精确地分析出口与我国全要素生产率增长的关系，本文运用面板数据分位数回归方法。结果发现，当全要素生产率较低时，由于吸收能力较弱，出口贸易带来的各种效应没有产生显著的影响；当全要素生产率较高时，由于我国的出口贸易方式还是“粗放型”，对全要素生产率的影响也不显著；只有当全要素生产率大小与出口贸易方式相匹配时，出口贸易才会对全要素生产率增长产生显著的促进作用。关键词：出口贸易；全要素生产率；空间杜宾模型；分位数回归一、引言自改革开放以来，我国的对外贸易取得了快速的发展。从出口贸易的绝对量来看，1978年的出口总额为167.6亿元，到<2010年达到了1070<2<2.8亿元，年均增长率为<23.53%；从出口贸易的相对量来看，1978年出口总额占GDP的比值（即外贸依存度）为4.60%，到<2010年达到了<23.74%，外贸依存度提高了4倍以上。对外贸易的迅猛发展在很大程度上拉动了我国经济的增长，1978年GDP为3645.<2亿元，到<2010年上升到401<20<2.0亿元，年均增长率为10.06%。对外贸易与经济增长的关系一直以来是国际贸易中的核心问题。自古典贸易理论产生以来，强调了国际贸易能使分工专业化，最终将促使一国的财富增加。因此，国内外学者开始从理论转向实证，对出口与经济增长的关系进行了大量的实证研究，如Balassa（1978），Falvey（<2004），林毅夫、李勇军（<2001），吕惠娟、许小平（<2003）等。随

常用到的stata命令

常用到的sta命令 闲话不说了。help和search都是查找帮助文件的命令，它们之间的区别在于help用于查找精确的命令名，而search是模糊查找。如果你知道某个命令的名字，并且想知道它的具体使用方法，只须在sta的命令行窗口中输入help空格加上这个名字。回车后结果屏幕上就会显示出这个命令的帮助文件的全部内容。如果你想知道在sta下做某个估计或某种计算，而不知道具体该如何实现，就需要用search命令了。使用的方法和help类似，只须把准确的命令名改成某个关键词。回车后结果窗口会给出所有和这个关键词相关的帮助文件名和链接列表。在列表中寻找最相关的内容，点击后在弹出的查看窗口中会给出相关的帮助文件。耐心寻找，反复实验，通常可以较快地找到你需要的内容。 下面该正式处理数据了。我的处理数据经验是最好能用sta的do文件编辑器记下你做过的工作。因为很少有一项实证研究能够一次完成，所以，当你下次继续工作时。能够重复前面的工作是非常重要的。有时因为一些细小的不同，你会发现无法复制原先的结果了。这时如果有记录下以往工作的do文件将把你从地狱带到天堂。因为你不必一遍又一遍地试图重现做过的工作。在sta窗口上部的工具栏中有个孤立的小按钮，把鼠标放上去会出现“bring do-file editor to front”，点击它就会出现do文件编辑器。 为了使do文件能够顺利工作，一般需要编辑do文件的“头”和“尾”。这里给出我使用的“头”和“尾”。 /*（标签。简单记下文件的使命。）*/ capture clear（清空内存中的数据） capture log close（关闭所有打开的日志文件） set mem 128m（设置用于sta使用的内存容量） set more off（关闭more选项。如果打开该选项，那么结果分屏输出，即一次只输出一屏结果。你按空格键后再输出下一屏，直到全部输完。如果关闭则中间不停，一次全部输出。） set matsize4000（设置矩阵的最大阶数。我用的是不是太大了？）

Stata统计分析命令

Stata统计分析常用命令汇总 一、winsorize极端值处理 范围：一般在1%和99%分位做极端值处理，对于小于1%的数用1%的值赋值，对于大于99%的数用99%的值赋值。 1、Stata中的单变量极端值处理： stata 11.0，在命令窗口输入“findit winsor”后，系统弹出一个窗口，安装winsor模块 安装好模块之后，就可以调用winsor命令，命令格式：winsor var1, gen(new var) p(0.01) 或者在命令窗口中输入：ssc install winsor安装winsor命令。winsor命令不能进行批量处理。 2、批量进行winsorize极端值处理： 打开链接：https://www.sodocs.net/doc/8c14552889.html,/judson.caskey/data.html，找到winsorizeJ，点击右键，另存为到stata中的ado/plus/目录下即可。命令格式：winsorizeJ var1var2var3,suffix(w)即可，这样会生成三个新变量，var1w var2w var3w，而且默认的是上下1%winsorize。如果要修改分位点，则写成如下格式：winsorizeJ var 1 var2 var3,suffix(w) cuts(5 95)。 3、Excel中的极端值处理：（略） winsor2 命令使用说明 简介：winsor2 winsorize or trim (if trim option is specified) the variables in varlist at particular percentiles specified by option cuts(# #). In defult, new variables will be generated with a suffix "_w" or "_tr", which can be changed by specifying suffix() option. The replace option replaces the variables with their winsorized or trimmed ones. 相比于winsor命令的改进： (1) 可以批量处理多个变量； (2) 不仅可以winsor，也可以trimming； (3) 附加了by() 选项，可以分组winsor 或trimming； (4) 增加了replace 选项，可以不必生成新变量，直接替换原变量。 范例： *- winsor at (p1 p99), get new variable "wage_w" . sysuse nlsw88, clear . winsor2 wage *- left-trimming at 2th percentile . winsor2 wage, cuts(2 100) trim *- winsor variables by (industry south), overwrite the old variables . winsor2 wage hours, replace by(industry south) 使用方法: 1. 请将winsor 2.ado 和winsor2.sthlp 放置于stata12\ado\base\w 文件夹下； 2. 输入help winsor2 可以查看帮助文件；

Stata常用15条命令

【命令1】：导入数据 一般做实证分析使用的是excel中的数据，其后缀名为.xls，需要将其修改为.csv insheet using name.csv, clear 【命令2】：删除重复变量 sort var1 var2 duplicatesdrop var1 var2, force 【命令3】：合并数据 use data1, clear merge m:m var1 var2 using data2 drop if _merge==2 drop if _merge==1 drop _merge 【命令4】：描述性统计分析 tabstat var1var2, stat(n min mean median p25 p75 max sd), if groupvar==0 or 1 输出到word中： logout, save(name) word replace: tabstat var, stat(n min mean p50 max sd) col(stat)f(%9.2g) 【命令5】：结果输出 安装 ssc install estout, replace 单个回归 reg y x esttab using name.rtf, compress nogap r2 ar2 star(* 0.1 ** 0.05 *** 0.01) 多个回归一起 reg y x1 est store m1 reg y x2 est store m2 esttab m1 m2 using name.rtf, compress nogap r2 ar2 star(* 0.1 ** 0.05 *** 0.01)

对外贸易对我国省级经济增长的影响——基于空间杜宾模型的实证研究

Statistics and Application 统计学与应用, 2017, 6(2), 156-164 Published Online June 2017 in Hans. https://www.sodocs.net/doc/8c14552889.html,/journal/sa https://https://www.sodocs.net/doc/8c14552889.html,/10.12677/sa.2017.62018 The Effect of China’s Foreign Trade on Provincial Economic Growth —An Empirical Research Based on the Spatial Durbin Model Zhaoyun Gu, Huiguo Zhang, Xijian Hu College of Mathematics and System Science, Xinjiang University, Urumqi Xinjiang Received: May 19th, 2017; accepted: Jun. 15th, 2017; published: Jun. 19th, 2017 Abstract In this paper, the spatial panel data model is used to analyze the relationship between the foreign trade and provincial economic growth. The results show that: The economics of the provinces has the agglomeration effect and the economic development of the province will drive the economy of the surrounding provinces. The growth of exports can promote the economic growth, but the im-port can hamper the development of economy, and the positive effect of the export to the economy is more than the hindrance of the import to the economy. Keywords Foreign Trade, Economic Growth, Spatial Panel Model, Spillover Effect, Indirect Effect 对外贸易对我国省级经济增长的影响 ——基于空间杜宾模型的实证研究 顾召云，张辉国，胡锡健 新疆大学数学与系统科学学院，新疆乌鲁木齐 收稿日期：2017年5月19日；录用日期：2017年6月15日；发布日期：2017年6月19日 摘要 本文运用空间面板数据模型，分析我国各省市对外贸易与经济增长的关系。研究结果表明：各省的经济文章引用:顾召云, 张辉国, 胡锡健. 对外贸易对我国省级经济增长的影响——基于空间杜宾模型的实证研究[J]. 统

常用到的stata命令

安装estat： ssc install estout,replace\ 2010-10-14 11:38:15来自: 杨囡囡(all a woman lack is a wife) （转自人大论坛） 调整变量格式： format x1 %10.3f ——将x1的列宽固定为10，小数点后取三位 format x1 %10.3g ——将x1的列宽固定为10，有效数字取三位 format x1 %10.3e ——将x1的列宽固定为10，采用科学计数法 format x1 %10.3fc ——将x1的列宽固定为10，小数点后取三位，加入千分位分隔符 format x1 %10.3gc ——将x1的列宽固定为10，有效数字取三位，加入千分位分隔符 format x1 %-10.3gc ——将x1的列宽固定为10，有效数字取三位，加入千分位分隔符，加入“-”表示左对齐 合并数据： use "C:\Documents and Settings\xks\桌面\2006.dta", clear merge using "C:\Documents and Settings\xks\桌面\1999.dta" ——将1999和2006的数据按照样本（observation）排列的自然顺序合并起来 use "C:\Documents and Settings\xks\桌面\2006.dta", clear merge id using "C:\Documents and Settings\xks\桌面\1999.dta" ,unique sort ——将1999和2006的数据按照唯一的（unique）变量id来合并，在合并时对id进行排序（sort） 建议采用第一种方法。 对样本进行随机筛选： sample 50 在观测案例中随机选取50%的样本，其余删除 sample 50,count 在观测案例中随机选取50个样本，其余删除 查看与编辑数据：

STATA命令应用及详细解释(汇总)

STATA命令应用及详细解释（汇总） 调整变量格式： format x1 .3f ——将x1的列宽固定为10，小数点后取三位format x1 .3g ——将x1的列宽固定为10，有效数字取三位format x1 .3e ——将x1的列宽固定为10，采用科学计数法format x1 .3fc ——将x1的列宽固定为10，小数点后取三位，加入千分位分隔符 format x1 .3gc ——将x1的列宽固定为10，有效数字取三位，加入千分位分隔符 format x1 %-10.3gc ——将x1的列宽固定为10，有效数字取三位，加入千分位分隔符，加入“-”表示左对齐 合并数据： use "C:\Documents and Settings\xks\桌面\2006.dta", clear merge using "C:\Documents and Settings\xks\桌面\1999.dta" ——将1999和2006的数据按照样本（observation）排列的自然顺序合并起来 use "C:\Documents and Settings\xks\桌面\2006.dta", clear merge id using "C:\Documents and Settings\xks\桌面 \1999.dta" ,unique sort ——将1999和2006的数据按照唯一的（unique）变量id来合并，

在合并时对id进行排序（sort） 建议采用第一种方法。 对样本进行随机筛选： sample 50 在观测案例中随机选取50%的样本，其余删除 sample 50,count 在观测案例中随机选取50个样本，其余删除 查看与编辑数据： browse x1 x2 if x3>3 （按所列变量与条件打开数据查看器）edit x1 x2 if x3>3 （按所列变量与条件打开数据编辑器） 数据合并（merge）与扩展（append） merge表示样本量不变，但增加了一些新变量；append表示样本总量增加了，但变量数目不变。 one-to-one merge： 数据源自stata tutorial中的exampw1和exampw2 第一步：将exampw1按v001～v003这三个编码排序，并建立临时数据库tempw1 clear use "t:\statatut\exampw1.dta" su ——summarize的简写 sort v001 v002 v003 save tempw1

基于空间杜宾模型的人口老龄化时空研究

基于空间杜宾模型的人口老龄化时空研究 张丽 (山东政法学院商学院,山东济南250014) [摘要]文章以2000-2018年、2000-2010年山东省及17地级市的人口、经济等数据为基础,运用Geoda软件、MAT-LAB软件,计算Moran’s I指数、空间杜宾模型(SDM),分析了经济水平、医疗服务、教育水平等六个因素对17地级市老龄化指数的空间效应。研究表明,山东省老化系数呈上升趋势且增长速度加快;老龄化指数明显东高西低、北高南低的空间格局没有出现明显改变;老龄化指数存在显著空间滞后性;经济水平、社会医疗水平和城市化水平的提高均能显著正向影响老龄化指数;人口自然增长率、人口出生率、城市化率的滞后因素对老龄化指数有显著的正效应;社会医疗服务水平对本地区与周边城市的老龄化指数具有显著溢出效应。 [关键词]人口老龄化;山东省地级市;时空;空间杜宾模型 中图分类号:F293.1文献标识码:A文章编号:1008-6609(2019)04-0012-05 1引言 随着经济、社会的发展,世界各国普遍出现人口老龄化趋势。而我国早在2000年六十岁以上老年人口占总人口比重已经达到10.93%,2014年更是达到了15.5%,远远超过了世界卫生组织(WHO)定义的老龄化社会的临界值10%。根据世界卫生组织的预测,2050年的中国将成为世界上老龄化最严重的国家。我国人口老龄化问题直接影响经济发展、劳动力供给水平、城市化建设等问题。另外,我国各地区的人口老龄化发展在空间与时间上均呈现非均衡的趋势。因此,研究我国老龄化发展在空间与时间上分布的地区非均衡现状和影响因素,能够为我国地方政府制定人口相关政策提供有价值的实证结果和建议,也有利于进一步改善人口老龄化的地区非均衡现状,促进不同区域经济的可持续发展。 国内外学者对老龄化发展的空间和时间分布的研究做出了较为丰富的成果,主要集中在分析人口老龄化空间的区域间差异与区域内差异。例如,以省域为单元,以老年人口比重、老年人口密度、老龄化程度、老龄化速度,研究我国东中西三大地区的老龄化差异[1],或者分析中、日、美、韩四国的省域老龄化区域差异,并分析其演变特征[2,3]。以县域为研究单元,以标准差椭圆、地理探测器等方法,分析我国人口老龄化的区域差异[4]。计算具体省份在市域、县域尺度上的老龄化空间关联指数、变差函数等,研究老龄化人口的空间分布[5],或者以县域、乡镇、街道为尺度,计算市域的老龄化全局和局部空间关联指数、半变异函数、重心等,研究人口的空间分布问题[6-8]。 人口老龄化与多种因素密切相关,与人口出生率、死亡率存在直接影响关系,社会公共健康水平、教育事业发展、经济水平与老龄化现象有相关性[9]。其中经济水平和人口老龄化存在同步现象[10];社会公共服务水平越高,老年人群享受到的人力、物力、财力的保障就越多;教育水平的发展影响我国西部地区的老龄化、城市化水平显著影响我国中西部地区的老龄化[11];人口自然增长率和人口出生率直接影响到人口的老龄化指数。人口老龄化与人口死亡率、人口出生率、社会健康保障水平、城市化水平等之间存在的关系异常复杂,尤其是不同区域之间城市化、社会保障水平等的空间滞后或者空间溢出效应必然会影响到区域内与区域间的人口老龄化变化。因此,如何深入分析不同人口尺度下的人口老龄化与社会、经济等因素及其空间滞后因素的空间关系至关重要。 然而,目前的相关研究成果较少。主要是利用多元线性回归方法和径向基神经网络模型,研究省域老龄化与经济水平、社会公共健康水平、教育水平、人口出生率、死亡率之间的关系,并预测省域老龄化的发展[12],或者采用地理加权回归模型 作者简介:张丽(1980-),女,山东济南人,博士,副教授,研究方向为非线性控制理论及其在经济学中的应用。 基金项目:山东省社会科学规划研究项目“人口结构的时空变化特征及其对山东经济增长的非线性影响分析与对策建议”,项目编号:17CJJJ16;山东政法学院经济发展与数据科学协同创新团队;山东省社会科学基金新旧动能转换研究专题“山东省新产业、新业态生产效率的时空评价机制研究”,项目编号:19CDNJ37。 电脑与电信· -12-