Panel-data 迴歸模型：Stata 在廣義時間序列的應用

<內容介紹>

要真正了解現代經濟生活的數量關係，「統計學」、「經濟理論」與「數學」皆是不可或缺。「計量經濟學」便是整合了這三者，藉由統計工具將經濟理論付諸實際的實用學科。
其中，panal-data迴歸模型包含樣本單位在某一時點上的多項特性，以及在一段時間內的連續觀察。這種結合橫斷面與時間數列的資料型態，不僅可應用於個體、總體經濟領域，更能延伸至社會科學、醫學及金融領域。
本書利用STATA統計軟體，幫助研究者正確、精準地使用panel-data迴歸模型。STATA功能龐大，眾多內建（外掛）指令，幾乎囊括SPSS、SAS、LISREL/HLM、jMulti、Gretl、AMOS、LIMDEP及Eviews的處理能力。在此則專注在STATA處理panel-data迴歸模型的各項統計概念及分析技巧。
本書各章皆有實際案例分析，配合光碟附檔與書中圖文指示練習，可讓學習者及研究者快速熟悉STATA統計軟體的操作、強化統計分析的基本功。

<目錄>

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)