В этом блоге представлено сравнение того, существует ли значительная разница в размере коэффициента между двумя в одной и той же переменной после выполнения групповой регрессии, когда настройки модели двух выборочных групп одинаковы. Если коэффициенты существенно различаются, это означает, что они существенно различаются в экономическом смысле.
Поскольку данные, которые мы часто используем, являются панельными данными, и мы часто сталкиваемся со стеной в тесте на разницу коэффициентов из-за контроля многих фиксированных эффектов, поэтому этот блог основан на панельных данных компании в качестве примера, предполагая, что поощрение заработной платы (x) обсуждается. Это помогает улучшить корпоративную эффективность (y) и контролировать переменные корпоративных характеристик ($z), добавляя фиксированные эффекты года (year), отрасли (ind), компании (фирмы) и группируя на уровне компании.
Основная регрессионная модель выглядит следующим образом:
reghdfe y x $z, absorb(year ind firm) vce(cluster firm)
Групповая регрессия заключается в изучении государственных предприятий (государственных1) и негосударственные предприятия (государственные0) Существует ли существенная разница в коэффициенте регрессии стимула заработной платы (x) к корпоративной эффективности (y).
В этой статье в основном представлены следующие методы:
I. Добавление элементов перекрестного умножения
II. Тест на основе модели SUR
III. Комбинированный тест
IV. Самостоятельное написание программы
V. Расчет вручную
В этой статье в основном рассказывается о процессе, а не конкретно о принципах.Подробности см. в следующих материалах
1. Стата: Как проверить разницу коэффициентов между группами после регрессии?
2. По одной и той же модели с тремя разными выборками тест разницы между коэффициентами регрессии
3. Stata: сделай сам тест разницы коэффициентов между группами - bootstrap-bdiff
Напишите здесь название каталога
I. Присоединяйтесь к элементу перекрестного умножения
*-I.加入交乘项
//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
**生成交乘项变量
xtset stkcd year
gen x_state = x*state
**加入产权性质（state）和交乘项（x_state）进行回归
reghdfe y x state x_state $z, absorb(year ind firm) vce(cluster firm)
II. Тест на основе модели SUR
*-II.基于 SUR 模型的检验
//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）
**固定效应处理
xtset stkcd year
tab year,gen(y_) // 年度固定效应
tab ind,gen(i_) // 行业固定效应
foreach var of varlist y x $z i_* y_* {
egen double `var'_0 = mean(`var'), by(firm)
replace `var' = `var'-`var'_0
drop `var'_0
} // 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
**分组回归并进行差异性检验
reg y x $z i_* y_* if state==1
est store SOE
reg y x $z i_* y_* if state==0
est store NonSOE
suest SOE NonSOE, vce (cluster firm)
test [SOE_mean]x=[NonSOE_mean]x
III. Комбинированное испытание
*-III.组合检验
//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）
**-方式I
**固定效应处理
xtset stkcd year
tab year,gen(y_) // 年度固定效应
tab ind,gen(i_) // 行业固定效应
foreach var of varlist y x $z i_* y_* {
egen double `var'_0 = mean(`var'), by(firm)
replace `var' = `var'-`var'_0
drop `var'_0
} // 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
**分组回归并进行差异性检验
bdiff, group(state) model(xtreg y x $z i_* y_*, cluster(firm)) reps(1000) seed(10101) first detail
**-方式II
xtset stkcd year
bdiff, group(state) model(reghdfe y x $z, absorb(year ind firm) vce(cluster firm)) reps(1000) seed(10101) first detail
IV. Напишите свою программу
*-IV.自己编写程序
//基于bdiff的原理，进行撰写，可以灵活运用自己回归的方式
**编写程序
capture program drop bse
program bse, eclass
xtset stkcd year
**-分组回归
reghdfe y x $z if state==1, absorb(year indid firm) vce(cluster firm)
scalar b1= _b[x]
reghdfe y x $z if state==0, absorb(year indid firm) vce(cluster firm)
scalar b2= _b[x]
**-计算组间系数差异
scalar diff= b1- b2
**-将组间系数差存储在矩阵中，设置列名方便调取
matrix b = diff
matrix colnames b = diff
**-将组间系数差矩阵返回 e() 中
ereturn post b
ereturn display
end
**运行程序进行检验
bse // 运行程序
bootstrap _b[diff], reps(500) seed(1234) saving(diff,replace) nowarn : bse // 循环500次抽样
use diff,clear
count if _bs_1>0
local num = r(N)
local p = `num'/_N
if `p'>0.5 {
local p = 1-`p'
}
dis "y:`p'" // 不对diff的分布进行预先假设来检验“H0：diff=0”
V. Ручной расчет
*-V.手动计算
**分组回归
xtset stkcd year
reghdfe y x $z if state==1, absorb(year indid firm) vce(cluster firm)
est store SOE
reghdfe y x $z if state==0, absorb(year indid firm) vce(cluster firm)
est store NonSOE
**计算Z统计量
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！！！)
//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。
// 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。
//如果计算的z是负值，根据 P(-x)=1=p(x) 来