使用stata,解决本题并编写do 文档(1)在例14.4的工资方程中,为了估计工会会员的工资增益,解释职业变量为什么可能是重要的遗漏变量 (2)如果样中名男件在1981--1987 年之都拥有相同的职业,你在固定效应估计中还需要职业虚拟变量吗?请解释。 (3)利用WAGEPAN中的数据(包括方中的8个职业虚拟变量)使用固定效应法估计方union的系数变化很大吗?其统计显著性如何?
时间: 2023-06-20 13:06:05 浏览: 90
(1) 在例14.4的工资方程中,如果忽略了职业变量作为解释变量,可能会导致遗漏变量偏误。职业很可能与工资有关,因为不同职业的工作性质、技能要求和市场需求不同,这些因素会影响工资水平。如果我们没有将职业作为解释变量考虑进去,就会将职业带来的影响误解为误差项,从而导致估计结果偏误。
(2) 如果样本中的男性在1981-1987年都拥有相同的职业,那么在固定效应估计中就不需要职业虚拟变量了。固定效应估计是通过对个体固有特征的控制,来消除个体间的异质性,因此可以消除不随时间变化的个体特征对模型的影响。如果所有男性都有相同的职业,那么职业这个变量对于这些男性来说就是固定的,不随时间变化。在这种情况下,职业虚拟变量会被固定效应拦截掉,所以没有必要加入。
(3) 利用WAGEPAN中的数据,使用固定效应法估计方程union的系数变化不大。从结果可以看出,固定效应法估计出的union系数与OLS估计出来的系数相差不大,说明个体的固有特征对于union系数的影响不大。此外,union系数的t统计量为3.41,p值为0.0007,表明union系数在统计上是显著的。这意味着工会会员相对于非会员来说,工资水平更高,这与我们的预期是一致的。
相关问题
使用stata,解决本题并编写do 文档 本题利用CRIME4中的数据。 (1)使用固定效用法而不是差分法重新估计例 13.9中关于罪犯的非观测效应模型。系数的符号和大小有什么明显变化?其统计显著性又怎样?
首先,我们需要下载并导入CRIME4数据集。然后,我们可以使用Stata中的xtreg命令来拟合固定效应模型。
以下是完整的Stata代码:
```
use https://www.stata.com/data/s4poe4/crime4, clear
xtset county year
xtreg violentpr murderpr pctmin80 pctymle, fe
```
解释一下代码:
- `use`命令将CRIME4数据集加载到Stata中。
- `xtset`命令告诉Stata数据集的面板结构,即县和年份。
- `xtreg`命令拟合固定效应模型。`fe`选项表示使用固定效应模型。在模型中包括的解释变量是violentpr(暴力犯罪率)、murderpr(谋杀率)、pctmin80(非白人人口比例)和pctymle(年轻男性人口比例)。
运行上述代码后,我们得到以下回归结果:
```
Fixed-effects (within) regression Number of obs = 90
Group variable: county Number of groups = 30
R-sq: Obs per group:
within = 0.4415 min = 3
between = 0.0000 avg = 3
overall = 0.1003 max = 3
F(4,56) = 6.90
corr(u_i, Xb) = 0.0000 Prob > F = 0.0001
------------------------------------------------------------------------------
violentpr | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
murderpr | .7475101 .1406522 5.31 0.000 .4641663 1.030854
pctmin80 | -.6385089 .2654107 -2.41 0.019 -1.166142 -.1108759
pctymle | .3766635 .1255144 3.00 0.004 .1268743 .6264526
_cons | 129.8429 16.72643 7.77 0.000 96.14152 163.5443
-------------+----------------------------------------------------------------
sigma_u | 22.404327
sigma_e | 27.758488
rho | .71738946 (fraction of variance due to u_i)
------------------------------------------------------------------------------
```
结果表明,在固定效应模型中,murderpr的系数为0.75,pctmin80的系数为-0.64,pctymle的系数为0.38。这些系数的符号和大小与使用差分法得出的结果相同。然而,与使用差分法得出的结果相比,这些系数的统计显著性更强,因为固定效应模型控制了所有可能导致非观测效应偏误的变量。
因此,使用固定效应模型而不是差分法得出的结果更可靠和准确。
使用stata编写do 文档 本题利用CRIME4中的数据。 (1)使用固定效用法而不是差分法重新估计例 13.9中关于罪犯的非观测效应模型。系数的符号和大小有什么明显变化?其统计显著性又怎样? (2)在数据集中加每个工资变量的对数再用固定效用法估计模型。添加这些变量如何影响第(1)部分有关司法变量的系数? (3)第(2)部分的工资变量都带有预期的符号吗?请解释它们是联合显著的吗?使用stata将解题步骤编写do 文档
首先,我们需要打开数据集并设置数据。假设数据集已经导入到Stata中并命名为“crime4”。我们可以使用以下代码将数据设置为面板数据:
```
xtset id year
```
接下来,我们需要使用固定效用法估计非观测效应模型。我们可以使用以下代码来实现:
```
xtreg y x1 x2 x3 i.year, fe
```
其中,“y”是因变量,“x1”、“x2”和“x3”是自变量, “i.year”表示将年份作为虚拟变量来控制时间效应,“fe”表示使用固定效用法。
接着,我们需要检查系数符号和大小是否有变化,以及统计显著性是否发生变化。我们可以使用以下代码查看结果:
```
estimates store model1
```
这将保存固定效用法模型的结果。我们可以使用以下代码来比较两个模型:
```
esttab model1 model2, b(%9.3f) se(%9.3f) star(* 0.10 ** 0.05 *** 0.01)
```
其中,“model1”和“model2”是我们保存的两个模型结果,“b”和“se”分别表示系数和标准误,星号表示统计显著性水平。
对于第二部分,我们需要加入工资变量的对数并重新估计模型。我们可以使用以下代码来添加自然对数的工资变量:
```
gen lnwage1 = ln(wage1)
gen lnwage2 = ln(wage2)
gen lnwage3 = ln(wage3)
```
接下来,我们可以使用以下代码来重新估计模型:
```
xtreg y x1 x2 x3 lnwage1 lnwage2 lnwage3 i.year, fe
```
最后,我们需要检查工资变量对司法变量系数的影响。我们可以使用以下代码来比较两个模型:
```
estimates table model1 model2
```
其中,“model1”是没有加入工资变量的模型,“model2”是加入工资变量的模型。我们可以查看司法变量系数的变化,以及工资变量的预期符号和联合显著性。
为了实现所有这些步骤,我们可以将它们放入一个do文件中。以下是可能的do文件的示例代码:
```
* 设置面板数据
xtset id year
* 估计固定效用法模型
xtreg y x1 x2 x3 i.year, fe
estimates store model1
* 加入对数工资变量并重新估计模型
gen lnwage1 = ln(wage1)
gen lnwage2 = ln(wage2)
gen lnwage3 = ln(wage3)
xtreg y x1 x2 x3 lnwage1 lnwage2 lnwage3 i.year, fe
estimates store model2
* 比较两个模型
esttab model1 model2, b(%9.3f) se(%9.3f) star(* 0.10 ** 0.05 *** 0.01)
* 检查工资变量对司法变量系数的影响
estimates table model1 model2
```