如题，处理面板数据，一般基于什么选择选取模型？

　　方法的选择一般基于因变量类型。对面板数据而言，当因变量为连续变量时，可在混合ols回归、固定效应模型和随机效应模型间选择，有相应的检验统计量；当因变量为类别变量时，有面板logit模型，又可分为二分类，无序多分类和有序多分类面板logit。祝好运～

　　如图，是我的导出的回归结果。三颗星表示的是P<0.001，不懂为何不是常用的1%？还有如果我想整理出另一张图的结构应该用什么命令，要做怎样的处理呢？恳请大家指点。谢谢啦。

　　stata使用esttab命令，其输出结果中的星号标注默认的就是楼主现在的这种。如果还是想用这个命令继续输出结果，想把标题和星号标准都改变，可直接在options语句部分设置一下。如使用以下代码：esttab model,compress nogap b(%6.3f) scalars(r2 r2_a N F) star(* 0.1 ** 0.05 *** 0.01) title(******)。其中，title变成你想的名字就行。祝好运~

　　主要的解释变量的回归系数为0.000，显著性检验通过了，模型估计还有用吗？

　　自变量的回归系数显著分为统计意义上的显著和经济意义上的显著。你图片中展示的很多自变量的偏回归系数看似为0，其实可能不是0，可能是0.00·····1或者多少，是一个比较小的数。现在在统计意义上显著了，你要具体结合经济意义来进行解释，这样才能判定是否有用。比如有的指标系数是0.001，在其它变量不变的情况下，自变量增加1单位，因变量才变0.001单位，但如果自变量能增加1000甚至10000单位呢，那这个系数就有意思了（因变量能增加1和10）。所以建议具体问题具体分析。祝好运~

　　数据需要做平稳性检验，目的是避免出现“伪回归”，我百度了伪回归但是并没有理解。假如两个变量可以随时间变化表现相同的趋势，那么我就可以认为两个变量高度相关啊，怎么就伪回归了呢。求解释，计量小白，轻拍。。

　　举个简单例子，人的身高随着时间推移会长，树的高度随着时间推移会长，如果采取到树和人随时间而变的数据，其可能在统计意义上高度相关，但我们知道这两者间没啥实际联系。这就是所谓的伪回归。

　　求问用SPSS做多元线性回归需不需要标准化？

　　我个人觉得在构建模型时，自变量需不需要标准化主要是用于解决两个问题：一是想消除量纲影响，比较在同一个模型中自变量的偏回归系数大小；二是减缓数据波动趋势，防止极端异常值对模型结果造成的影响。所以综合而言，如果数据分布基本符合正态（不含极端异常值），那么直接用原始数据即可。祝好运～

　　我在做logistic回归的时候，输入了命令mlogit m3a_13 age gender age2 hhsize a82 lnhhincgross_cpi t2 u40 u24 i.u48a_ i.a12_ i.b4_，可是显示错误r(148),too few categories,不知道为什么会出现这样的问题，当我把变量i.u48a删掉就好了。可是我在做其他类似的回归的时候，只把被解释变量m3a_13（这是某一种保险类型）换成其他保险类型也没有问题啊。求助小伙伴，帮助一下刚刚开始用stata的菜鸟~

　　加i.变量这种形式的模型最前面要加xi:命令。即整体的模型语句为xi:mlogit y x1 x2。祝好运～

　　写小论文，假设实证后SIG值接近1，非常不显著，还可以继续下结论吗？这样的论文会影响发表吗?

　　现在楼主这个问题看似聚焦了，其实还比较泛。建议有二：

　　一是我们现在不知道你的模型构建的合不合理。如构建模型时有没有对数据做预处理（如极端异常值、严重多重共线性的诊断），有没有参考同类相关研究，选取合适的控制变量。如果在其它同类研究中楼主关心的这个变量是显著的，而你的这个研究中不显著，那尤其要注意以上我说的模型的构建问题。

　　二是如果你的模型构建没问题。在其它同类研究中该变量也有不显著的，那么继续写下去也可以，从专业上找不显著的原因就好了呗。不显著也是一种结果。祝好运~

　　如何用主成分析解决多重共线性问题？用主成分析法已经把几个主成分提取出来了，接下来应该怎么办？

　　自变量间严重的多重共线性建议先用多元线性回归诊断，即以自变量中的一个连续性变量作为模型因变量，其余自变量作为模型的自变量构建模型，并利用VIF统计量诊断哪些自变量间存在严重多重共线性，然后再针对这些存在严重多重共线性的指标做主成分分析，将其合并为新的公因子，最后再用于其它的分析，如后续的回归分析。祝好运~

　　用stata做panel logit 时确定固定还是随机模型的F检验和hausman检验及异方差检验是在xtreg....的基础上做吗？

　　不是，直接使用面板logit命令即可。如对应的因变量是二分类的，还是会像线性面板一样，在混合logit模型、固定效应模型和随机效应模型间进行检验。混合logit模型直接使用logit y x 这种代码形式即可，固定效应模型和随机效应模型用xtlogit y x，fe/re即可，最后用hausman直接检验确定用哪种方法就行。先最终确定使用什么方法，如果想得到稳健标准误，在命令语句后面加vce(cluster xx)即可。祝好运~

　　我想请教下如何提高r平方。我做的是一份本科毕业论文的调查问卷，回收了170份，得出的r平方才0.1+， 怎么办呢？

　　R^2重要与否主要看你想做什么。如果做的是预测，那么R^2很重要，因为它是自变量对因变量的预测程度的反映；如果你做的是解释型回归，那么这时R^2就没那么重要了，因为拟合的再好的模型，R^2都不可能得到100%，都有遗漏变量的危险，只要遗漏的变量是严格外生性的就没问题。这时你更应该关心的是你关注变量的显著性情况。如果你关注的变量比较显著了，这时你还想提高R^2，可以考虑参考下你这个专业的相关文献，加点控制变量进去。祝好运~

　　如果我run 一个回归，告诉我有很多omitted because of collinearity，那这个回归是不是不成功啊

　　数据整体没什么变化的意思是，比如你一个变量都是1，另一个变量都是2，这两个变量是完全共线的。在解

　　 

　　时，会发现：

　　 

　　矩阵无法求逆，当然也就无法算出最小二乘的估计结果了。

　　R语言回归后，例如L=lm(Y~X1+X2+X3)，通过summary(L)，会得到一些指标，想问下有没有什么简单的语句直接能够提取t值和p值，例如我想直接提取出残差，可以直接写residuals(L)即可，那么，能分别直接提取出值t值和p值吗

data(mtcars)
fit1 <- lm(mpg~cyl,data=mtcars)
y<-as.data.frame(summary(fit1))
# 系数t值
y$t
# 系数p值
y$Pr

　　因变量为分类变量，该怎么样判断它与自变量之间正负作用？ 如题，因变量为分类变量，现在想根据不同分类来分别判断它们与自变量之间的作用关系是正向还是逆向的？不要求具体的系数计算，只是为了判断一个大概的作用方向，方便我选择合适的数据同趋势处理方式～～求高手指教，如能在spss中实现就更好了～～我现在自己想的办法是用多项逻辑回归大概判断一下，不知道可行吗？

　　ajiao4310,你这样问，其实是有问题的。因变量为分类变量，实际上这就不是一个regression问题，而是一个classification问题。

　　分类问题的话，就不存在负向作用和正向作用这一说法了。

　　用multi-logit模型，比如你的因变量是A,B,C三类，在进行模型拟合时，会发现只给了两组方程结果，很大可能是以A为base组，作为参考，然后B和C的方程结果解释，都是建立在A组的基础之上的。

　　换句话说，这时候你看到的系数正负是相对于A的，如果你以B为base，得到的就是A和C的两个方程，这时候，你看同一个关于C的方程，他们的系数方向可能完全相反。因此，是没有办法直接判断是正向还是逆向的。正向和逆向，是相对于数值变量，也就是可以比较大小的，才会有这样的解释。

　　还有一个参考链接，是stata关于multi-logit的一些解释，可供参考，当然你也能找到spss的说明。 http://www.ats.ucla.edu/stat/stata/output/stata_mlogit.htm

　　假设检验中样本量增大，检验的p值为什么减小？

　　这样来解释这个问题吧， 1.首先你要理解p值是什么意思，比如对回归方程中的某一个变量的系数而言，我们假定p value=0.04,这个0.04的解释是指我重复100次这样的估计，将会得到4次系数结果为0.也就是以4%的概率拒绝原假设，p值的原假设是－－系数不等于0。

　　2.现在轮到样本容量n出场了，我们知道当样本容量增加时，频率会依概率收敛，样本容量较小时，估计的结果并不准确，因为样本量太少，也就意味着信息较少，信息少，意味着模型并不能真反映实际情况。（虽然所有的模型都不能完全反映实际情况，All models are wrong,but some are useful.也就是在不能完全反映实际情况的选择中，仍然是有将次优模型存在的）所以，在增加样本容量时，你所掌握的信息就越多，也就能更准确地判断这个模型的系数是否显著为0.而这个“更准确”，就是p值变小了。

　　再通俗的解释就是，一枚均质硬币，抛10次，然后有7次是正面。

　　前提你不知道硬币是均质的，给一个命题，出现正面的概率是0.5.你觉得你有多大把握认为这个命题是正确的？可能只有30%的把握吧。

　　然后，我抛10000万，有4998次是正面。这下再让你判断出现正面的概率是0.5，你觉得有没有99%的把握认为出现正面的概论是0.5？相对就的，前面你有70%的把握拒绝出现正面的概率是0.5，而后者，你只有1%的把握去拒绝。这就是通俗的说法。

　　在什么情况下，人们花十几万律师费解决一桩909美元的争端是合乎理性的？

　　简单的逻辑就是：

　　909美元+隐性利益 > 十几万律师费

　　有一种更为普遍的情况是：某知名公司，或者某个明星，为了证明自己的清白，与他人打官司，即使诉讼费用很高，只要有必胜的信心，就会去解决这场争端。

　　无论是通过诉讼还是调解，最后都会带来公司无形资产的增加，另外，有利于提升正面形象，广告宣传效果又好，相当于投入了广告费，而且这个效果比广告可能还要显著。

　　下面就好好解释一下可能的隐性收益：

　　1.广告效果

　　2.威慑效果（我花了十几万，可能请的律师也是全国顶级律师，有这块招牌，暗示其它人想找麻烦，要掂量一下有没有实力），这个一下子会让本来想打麻烦的人，产生一种威慑效果，节省了公司的交易成本（用于解决争端）

　　3.无形资产（公司信誉得到维护，如果是百年老店，肯定看重这个）

　　

##绘制密度曲线
x <- seq(from = -3,to = 3,by = 1/20)
#标准正态分布密度函数
y <- dnorm(x)
plot(x,y,main = "Standard Normal Distribution",type = "l",
ylab = "Density",xlab = "Quantile")
abline(h = 0)
region.x <- x[1 <= x & x <= 2]
region.y <- y[1 <= x & x <= 2]
region.x <- c(region.x[1],region.x,tail(region.x,1))
region.y <- c( 0 , region.y , 0)
polygon(region.x,region.y,dendity = 10)

　　
##绘制密度曲线
x <- seq(from = -3,to = 3,by = 1/20)
#标准正态分布密度函数
y <- dnorm(x)
# 作一个标准正态图，type="l"是指作线图
plot(x,y,main = "Standard Normal Distribution",type = "l",
ylab = "Density",xlab = "Quantile")
# 在plot基础上加一条y=0的水平线，h是代表horizon，是水平的意思
# 如果加垂直线，就是v=...,verticle的意思
abline(h = 0)
# 这里是确定你要选择的区域，首先选择x在1到2之间的
region.x <- x[1 <= x & x <= 2]
# 这是：当x在1到2之间时，y的范围
region.y <- y[1 <= x & x <= 2]
#我加了红线，你可以看出来，是哪一块区域
lines(region.x,region.y,col="red",lwd=2)
# 对比阶段：
polygon(region.x,region.y,density = 10)
# 如果没有这两句，就显示的是，上半部分
# 加入后，实际上，在原来的基础上，加了两个点：
# (region.x[1],0)和(tail(region.x,1),0)多了这两个点
# 其实这两个点在y=0这条线上
region.x1 <- c(region.x[1],region.x,tail(region.x,1))
region.y1 <- c( 0 , region.y , 0)
# 这个，就是从包含了红线，到y=0上的两个点，形成的一个多边形
polygon(region.x1,region.y1,density = 10)

　　

p<-ggplot(data=mpg,mapping = aes(x=cty,y=hwy))+
  geom_point(aes(color=class,size=disp1),
              alpha=0.5,position="jitter")+
  stat_smooth()+
  scale_size_continuous(range=c(4,10))+
  facet_wrap(~year,ncol=1)+
  theme(title='汽车型号与油耗')+
  labs(y='每加仑高速公路行驶距离',
       x='每加仑城市公路行驶距离',
       size='排量',
       color='车型')

　　你错的原因在：displ不是数字1，而是字母l.这两个看上去很像，其实displ是mpg dataset里的一个变量。 第二个，是你把title的位置放错了。作出的最终图如下：

　　 代码如下：

　　
library(ggplot2)
p<-ggplot(data=mpg,mapping = aes(x=cty,y=hwy))+
  geom_point(aes(color=class,size=displ),
              alpha=0.5,position="jitter")
plot(p)
p2 <- p+stat_smooth()+
  scale_size_continuous(range=c(4,10))+
  facet_wrap(~year,ncol=1)


plot(p2)
 p3= p2+
  labs(title='汽车型号与油耗',y='每加仑高速公路行驶距离',
       x='每加仑城市公路行驶距离',
       size='排量',
       color='车型')
plot(p3)

　　最小二乘法原则是各样本点与回归线的距离之和最小，而拟合优度也是样本点与回归线的距离越近拟合越好，这两个不是一个意思吗？按照最小二乘估计出的回归方程不也就是拟合度最好的方程吗？

　　为什么还要再检验一下呢？

　　当然需要检验了。

　　根据OLS估计出来的方程，只保证了根据已经有的条件得出来的最优情况，这种最优，仅仅是指残差平方和最小。

　　进行R方的检验，是在衡量已经变量对被解释变量变动程度能解释的百分比数。比如R方=0.2,虽然用最小二乘得出了最优方程，但当我们看到R方这么小的时候，如果只有一个变量，会想，是否出现了遗漏变量的情况？因为这一个变量能解释被解释变量的变动程度太低；如果是多个变量，会想，是否出现了多重共线性影响了R方？

　　本质上，考虑R方，是看模型变量是否在较高程度上解释了被解释变量的变动，这个遗漏变量有很大关系。

cum_sum <-function(x){
+           sum <-0
+     for(i in 1: length(x)){
+       sum < - sum+x
+      }
+  return(sum)
+  }

　　

　　你要在script里输入你的函数才行。这个很明显你是在命令行输入的。

　　第二个，看你写的内容，应该是要求累积和，可以直接用cumsum.如果求和可以直接用sum.

　　你编的函数，最后能实现的是对一组向量求和，其实和sum函数的功能是一样的。

　　友情提示：不要用sum这个结果去覆盖sum（）这个函数。可以换另一个变量名字。

　　用这个代码，应该可以实现你要的功能。 

library(igraph)
e = matrix(nc=3,byrow=TRUE,c(0,1,5,0,2,4,0,3,3,1,5,3,1,4,5,2,5,3,2,6,
2,3,6,2,4,1,5,4,7,4,5,7,3,6,7,5))
g<-graph.data.frame(e, directed=TRUE)
E(g)$weight<-e[,3]
plot(g,edge.width=E(g)$weight)

　　用spss做多元回归分析，由于存在异方差，因此采用权重最小二乘法，但在做权重估计时，由于自变量存在负值，报错：找到具有非正源变量值或负权重变量值的个案。 将忽略这些个案，请问各位大神们该如何操作

　　您加权的时候用的是什么变量？如果您用的残差项一般要取绝对值之后作为权重

　　stata中怎样看hausman的检验结果

　　注意使用hausman检验的时候 先放固定效应 后放随机效应，最够得出卡方统计量和对应的P值，原假设是使用随机效应模型，如果P值足够小，比如小于0.05，那么就拒绝原假设，认为使用固定效应更合理

　　多元logistic到底是线性还是非线性啊？我是22个自变量估计三分类因变量，用logistic模型做，logistic是线性的吗？是的话我才可以做共线性分析；但是有人说是概率性非线性回归，意味着就不用做共线性分析了哦？求大神指点！

　　应该是非线性的，它的参数需要乘以一个函数才表示边际影响，才可能具有具体的含义。

　　索洛模型涉及的变量都是内生变量，为什么又叫外生经济增长模型呢？好吧我承认索洛模型我都没学懂所以求大神解释啊~

　　你的技术进步来自哪里？古典的索罗模型由于不能将长期的经济增长的原因内生化 因而称为外生增长理论~

　　已知效用函数，求给出货币的影子价格 的表达式？

　　应该就是拉格朗日乘子的表达式

　　如何将csv格式的文件导入stata？

　　csv格式Stata是可以识别的，用import可以直接导入，您可以试下

　　请问大家关于发表论文的期刊什么B类C类的怎么划分呢？

　　一般说什么A类，B类都是不同院校根据自身学科设置的期刊目录决定的。公认的划分方法主要是CSSCI和中文核心期刊。当然，比如经济研究、管理世界、中国社会科学，任何高校都会视为A，所以说起来不会有什么歧义。

　　请问做VAR的时候，如果每个变量的ADF检验都通过了，为什么还要进行AR检验?

　　AR 检验是用来保证模型的稳定性，和ADF检验的意义不同，只有在AR的根的倒数小于1时，才能保证IRF的结果最终会收敛，而不是发散。

　　建立var模型中，Lag Length Criteria应该填写多少啊....还有这个[12*（T/100）^0.25]是用来确定lag length的么 我学计算机啊，对于这方面全不懂，跪求大家解释啊..

　　看用什么 信息准则了，滞后期的长度可以用AIC，SBC，HQ等，常用的是AIC或SBC。一般的操作步奏是：先选取足够的滞后期（月频可以选12，或24）等之类，然后计算滞后1期，2期，...,直到设定的最大滞后期的每一个回归的AIC或SBC值，选取AIC或SBC值最小的那个。

　　注意3点：1）最大滞后期设定必须足够长；2）所有不同的滞后期回归的时间段必须是一样的，不然观测值不同，没有可比性；3）不同的信息准则选取的滞后期很多时候会不一致，具体选取哪个看实际问题需要，AIC一般选取的会比SBC长；但这两个判别方法并无实质上的优劣，样本区间足够长的时候选取的滞后长度应该是一样的。

　　Eviews那本书比较好适合？那个版本的软件适合做数据分析？

　　如果是刚刚入门的话，结合Eviews的帮助手册同时可以看下张晓峒老师的或者陈灯塔老师的Eviews书籍，Eviews6.0及以上足够使用。我使用的是8.0

　　边际报酬递减规律的前提条件是什么？

　　1.生产要素投入量的比例是可变的,即技术系数是可变的.

　　2.技术水平保持不变.

　　3.所增加的生产要素具有同样的效率

　　赴新加坡访学需要英语证明吗？

　　是否有捷径，不需要考英文证明就可以去的？求指教啊。

　　完全不需要，但是你的英文应该达到听说读写熟练的程度，否则沟通交流以及学习上面可能会遇到比较大的问题

　　我查到最近的一份文件就是《关于修改〈中华人民共和国保险法〉的决定(征求意见稿)》，然而也只是要加入这一概念，并不知道具体的定义是什么，有权威人士做出过解答吗？

　　保险消费者泛指投保人、被保险人、保单所有人和受益人。投保人，指对保险标的具有保险利益，向保险人申请订立保险合同，并负有缴付保险费义务的人。被保险人，指其财产、利益或生命、身体和健康等受保险合同保障的人。保单所有人，指拥有保单各种权利的人。受益人，也叫保险金受领人，指在保险事故发生后直接向保险人行使赔偿请求权的人。

　　有哪些特别推荐的财政学研究生课程科目？本科是数学，研究生转财政。在选课，求推荐

　　高级宏微观经济学前沿专题（含高级计量经济学）、中外财政制度比较、税收理论与制度设计研究 、ZF预算理论研究

　　想咨询各位大神，财务学（证券投资方向）博士和金融学博士哪个更好一点呢？对于想去实务投资界而不想去高校当老师的话，哪个会更好一点呢？如果想去证券或者基金的话，前者会不会受到歧视呢？

　　问题不是很大，主要还是看本身的能力，和研究的方向。实务投资老实说还是比较依赖经验，理论并不能给予太多的支撑。所以实际的能力更为重要。另外就是要考虑哪个更强，如果金融学导师强，还是选金融学博士吧

　　总体是指数分布，求样本均值的分布函数？如何求？

　　样本如果是独立随机样本。那么他们的和服从参数对应相加的指数分布。

　　这称为Γ分布的线性可加性（指数分布就是特殊的Γ分布）

　　按定义法很好算，大概是应该服从参数为n^2倍总体参数的指数分布

　　在相关范围内,产量增加或减少一个单位的差量成本与什么一致

　　在相关范围内,产量增加或减少一个单位的差量成本与边际成本，变动成本和相关成本一致

　　请问一下，调节效应是否存在应该看哪一个值？只看交互项是否显著吗？

　　调节效应应该检验交互因子的系数，这个系数显著，就可以说明调节效应了

　　券商资管部的债券交易员和固收部的债券交易员，有什么区别？

　　两个部门其实差别不大，很多券商都把两个部门合在一起了，叫资管固收部。资管比较新，可以说是大趋势，债券交易之前是放在固定收益部门的，但现在资管大多也都有这个业务，所以具体到每个券商就不同了，建议还是根据券商自身在资管部和固收部的强弱来选择是资管部还是固收部

　　求问人民币加入SDR对于沪港通有没有影响啊？有的话，影响在哪些方面？

　　加入SDR其中一个要求便是人民币在资本项目下可兑换，机构投资者将可以不受限制交易香港股票，投资者将可以不受限制交易香港股票，同一家公司在A股和H股的股价将趋于一致，甚至上市公司大股东也可以在A股与H股之中起到平衡作用。