Dua perintah xtabond2 berikut memberikan hasil estimasi yang sama: sedangkan dua perintah estimasi xtabond2 memberikan hasil estimasi yang berbeda (walaupun berdasarkan sampel yang sama dan menentukan perangkat instrumennya secara ekivalen): Pada contoh terakhir, xtabond2 melaporkan 18 instrumen Pada estimasi pertama dan 17 instrumen di estimasi kedua. Dari memeriksa matriks instrumen, nampak bahwa xtabond2 membuat matriks instrumen dari semua data dalam memori, dengan mengabaikan batasan sampel pra-estimasi pada variabel dependen dan independen yang dipaksakan oleh pernyataan if (yaitu xtabond2 mengabaikan jika WL3 Pertanyaan saya adalah. Apakah ada cara untuk menghasilkan hasil estimasi dari atas tanpa observasi drop pertama Apakah ada cara cerdas untuk mengendalikan jumlah lags data dalam ingatan yang akan digunakan sebagai instrumen yang akan mencapai hasil yang sama tanpa melakukan observasi Tampaknya tidak efisien untuk harus Subset sebuah dataset master N kali untuk menerapkan xtabond2 ke N subset yang berbeda dari data (sementara juga membatasi sampel dari mana perangkat instrumen dibangun). Permintaan 11 Agustus 15 pada 19: 07XTABOND2: Modul stata untuk memperluas estimator data panel dinamis xtabond xtabond2 Dapat memenuhi dua model data panel dinamis yang terkait erat. Yang pertama adalah estimator Arellano-Bond (1991), yang juga tersedia dengan xtab Ond tanpa koreksi finite-sample dua langkah yang dijelaskan di bawah ini. Yang kedua adalah versi tambahan yang digariskan dalam Arellano and Bover (1995) dan dikembangkan sepenuhnya di Blundell and Bond (1998). Arellano dan Bond (1991) mengembangkan estimator Generalized Method of Moments yang memperlakukan model sebagai sistem persamaan, satu untuk setiap periode waktu. Persamaan hanya berbeda dalam set kondisi mesin mereka. Variabel yang telah ditentukan dan endogen pada perbedaan pertama diinstruksikan dengan tingkat lags yang sesuai. Regresor eksogen yang ketat, dan juga instrumen lainnya, dapat memasukkan matriks instrumen dalam mode instrumen instrumental konvensional: pada perbedaan pertama, dengan satu kolom per instrumen. Masalah dengan estimator Arellano-Bond yang asli adalah tingkat yang tertinggal seringkali instrumen yang buruk untuk perbedaan pertama, terutama untuk variabel yang mendekati jalan acak. Arellano dan Bover (1995) menjelaskan bagaimana, jika persamaan asli pada tingkat ditambahkan ke sistem, kondisi momen tambahan dapat dibawa untuk meningkatkan efisiensi. Dalam persamaan ini, variabel yang telah ditentukan dan endogen dalam tingkatan diinstruksikan dengan perbedaan yang sesuai dari perbedaan pertama mereka sendiri. Blundell dan Bond (1998) mengartikulasikan asumsi yang diperlukan untuk estimator yang lebih tinggi ini secara lebih tepat dan mengujinya dengan simulasi Monte Carlo. Penaksir asli kadang disebut quotdifference GMM, quot dan augmented one, quotsystem GMM. quot Bond (2002) adalah pengantar yang bagus untuk estimator dan penggunaannya. Xtabond2 menerapkan kedua estimator. Sebagai estimator GMM, estimator Arellano-Bond memiliki varian satu dan dua langkah. Tetapi meskipun asimtotik lebih efisien, perkiraan dua langkah dari kesalahan standar cenderung sangat bias turun (Arellano dan Bond 1991 Blundell dan Bond 1998). Untuk mengimbangi, xtabond2, tidak seperti xtabond, membuat koreksi sampel-terbatas ke matriks kovarian dua langkah yang diturunkan oleh Windmeijer (2000). Hal ini bisa membuat twostep lebih kuat dari onestep kuat, terutama untuk sistem GMM. Catatan: rutinitas memerlukan versi terkini dari Stata 7 (dengan update 21jun2002 terpasang). Pengguna Stata versi 10 (update 25feb2008) atau yang lebih baru bisa memanfaatkan peningkatan kecepatan karena Mata. Jika Anda mengalami masalah saat mendownload file, periksa apakah Anda memiliki aplikasi yang tepat untuk melihatnya terlebih dahulu. Jika terjadi masalah lebih lanjut baca halaman bantuan IDEAS. Perhatikan bahwa file-file ini tidak ada di situs IDEAS. Mohon bersabar karena berkasnya mungkin besar. Saat meminta koreksi, mohon menyebutkan barang ini: RePEc: boc: bocode: s435901. Lihat informasi umum tentang cara memperbaiki materi di RePEc. Untuk pertanyaan teknis mengenai item ini, atau untuk memperbaiki pengarang, judul, abstrak, bibliografi atau informasi unduhannya, hubungi: (Christopher F Baum) Jika Anda telah menulis item ini dan belum terdaftar di RePEc, sebaiknya Anda melakukannya di sini. . Ini memungkinkan untuk menautkan profil Anda ke item ini. Ini juga memungkinkan Anda untuk menerima kutipan potensial dari item ini yang tidak kami ketahui. Jika referensi benar-benar hilang, Anda dapat menambahkannya menggunakan formulir ini. Jika daftar referensi lengkap item yang ada di RePEc, namun sistem tidak terhubung dengannya, Anda dapat membantu formulir ini. Jika Anda mengetahui barang yang hilang yang mengutip yang satu ini, Anda dapat membantu kami menciptakan tautan tersebut dengan menambahkan referensi yang relevan dengan cara yang sama seperti di atas, untuk setiap item yang merujuk. Jika Anda adalah penulis terdaftar dari item ini, Anda mungkin juga ingin memeriksa tab kutipan di profil Anda, karena mungkin ada beberapa kutipan yang menunggu konfirmasi. Harap dicatat bahwa koreksi mungkin memakan waktu beberapa minggu untuk memfilter berbagai layanan RePEc. Lebih banyak layanan Ikuti seri, jurnal, penulis lebih banyak Kertas baru melalui email Berlangganan penambahan baru untuk RePEc Pengarang pendaftaran Profil publik untuk peneliti Ekonomi Berbagai peringkat penelitian di bidang ekonomi amp terkait Siapa seorang pelajar yang, dengan menggunakan RePEc RePEc Biblio Curated articles amp Makalah tentang berbagai topik ekonomi Unggah kertas Anda untuk dicantumkan di agregat RePEc dan IDEAS EconAcademics Blog untuk penelitian ekonomi Plagiarisme Kasus plagiarisme di bidang Ekonomi Makalah Makalah Pasar kerja RePEc yang didedikasikan untuk pasar kerja Fantasy League Anggap Anda memimpin ekonomi Departemen Layanan dari StL Fed Data, penelitian, aplikasi lebih banyak dari Fed St. Louis
Comments
Post a Comment