【面板门槛回归】之 Stata 程序

• 【新消息】【面板门槛回归】之 Stata 程序 - Stata专版 - 经管之家(原人大经济论坛) (pinggu.org)

  除了底下之常用模型，跟大家推薦'最新的（即将发表）'面板门槛模型（擁有許多 Hansen 模型沒有之優點），例如 Hansen (1999) 基本就是考虑固定效果 (fixed effects)， 然而 CMPR (2016) 的新面板门槛模型不仅考虑固定效果，同时也考虑 (i) 内生性 (endogeneity), (ii) 异质的动态 (heterogeneous dynamics), 与 (iii) 横断面相依性 (cross-sectional error dependence). 詳情请见 https://bbs.pinggu.org/thread-4771282-1-1.html 。

• 南开大学的王群勇老师于 Stata Journal 发表了一个正式的面板门槛模型指令，请在 Stata 中打 findit xthreg，然后下载相关程序，大家可以尝试看看！为了方便大家，也可在此下载

  

  xthreg.rar(10.78 KB)。

• 该文章（目前需要订 Stata Journal 才可下载）为 Wang, Q. (2015), 'Fixed-effect panel threshold model using Stata.' Stata Journal, 15(1), 121–134. 其网址如下：http://www.stata-journal.com/article.html?article=st0373 没文章可能对你使用该 command 影响没那么大，可以 help xthreg 并看其简要说明，应该也可以大致了解！

• 此外，该文章的 sample code/data 可在此下载！

  

  xthreg-example.rar(311.99 KB)

• 我也有一份有关（面板）门槛模型的英文讲义，可供大家免费下载，有问题或不详尽的地方也欢迎指教!

  

  River1-thrpd.pdf(839.02 KB)

1. 简介（与相关资源）：此模型乃是 Bruce E. Hansen 于 1999 年在 可在此下载。
2. 例子：以一个宏观经济（横断面）的例子来说，假设我们想分析 (利用跨国资料）通货膨胀（inflation, πi）对经济增长 (growth, gi) 的影响效果。一般的观察是，当通货膨胀较低的时候，其与经济增长间可能是没关系（统计上不显著）或是某种较弱的正关系；但当通货膨胀非常高时（以较极端之数字，例如为 100% 时），其对经济增长之影响效果一般可能是负面的。换言之，通货膨胀与经济增长间可能有'两种'关系，而此'两种'关系则决定于通货膨胀的高低 (是否超越过一个未知、待估的门槛值)！一般的'线性'回归只能提供一个关系（+,−, or 0），所以无法适当描述上述的不同情况，这时候，我们就可考虑'非线性的'门槛回归 （横断面资料，原则上应也可适用于时间序列资料，但须满足一些条件，例如变量必须是定态 stationary；请见 Hansen, 2000）如下：gi={β1,0+β1,1πi+ei,if qi≤γβ2,0+β2,1πi+ei,if qi>γ={β′1xi+ei,if qi≤γβ′2xi+ei,if qi>γ其中，qi 为门槛变量（此例为通货膨胀 πi，'刚好'也是解释变量之一；在一般情况下，门槛变量 qi 并不需要一定为解释变量之一），而γ 为未知的门槛值（可用最小平方法 OLS 来估计），此外，xi=(1,πi)′。在低通货膨胀区间（也就是 qi≤γ），我们预期 β1,1 不显著易于 0 （或是边际显著的正）；但在高通货膨胀区间（也就是 qi>γ），我们预期 β2,1 将会显著地小于 0（或是显著的负）。請見下圖：

改天再多补一些应用例子！
3. 而从横断面资料到面板资料门槛模型，这时我们可以允许无法观察的异质性（下列回归之 μi， unobserved heterogeneity -- 面板资料模型之特色），同时也允许斜率之异质性（下列回归之 β1 与 β2 不一样）。以一个门槛（所以两个区间）为例，该模型可设定为：yit={μi+β′1xit+eit,if qi≤γμi+β′2xit+eit,if qi>γ重要相关计量问题：1. 估计（estimation）：如同一般面板模型一样 （fixed effec, FE)，估计过程中先消除 μi，然后利用 least squares 来估计相关参数，细节请参阅 Hansen (1999)。2. 检定（inference）：此部分主要在检定是否真的存在非线性的门槛效果，即H0:β1=β2。很不幸地，该检定涉及到扰攘参数（nuisance parameter），亦即在虚无假设下，有些参数不见了（例如门槛值 γ），其导致一般检定统计量所对应之分配为非标准的，所以我們無法查一般的表來求取 p-value，因此我们必須仰赖（例如） bootstraping procedure 来求得对应之 p-value，用来决定是否要拒绝 H0？一般而言，若 p-value 很小（say, < 10\%），我们可以拒绝虚无假设（线性模型，因为 β1=β2），才适合进一步的门槛回归分析！