数据预览： 告诉计算机这是面板数据： 描述变量： 查看其他变量： 绘图：

cluster后的变量表示聚类标准，表示使用以state变量聚类的聚类稳健标准误。

对比普通稳健标准误与聚类稳健标准误(std.err),普通稳健标准误小于聚类稳健标准误。 但是，由于同一州不同时期之间的扰动项存在自相关，并且在使用普通稳健标准误时，默认扰动项微独立同分布，故普通稳健标准误的估计不准确。

这一步我不知道在干啥？？？

示例： 最后一行，拒绝原假设（可以使用混合回归），认为使用固定效应要比混合回归好。但是由于未使用聚类标准误，因此这个F检验并不是最有效的，因为普通标准误仅有聚类标准误的一半。下面考虑LSDV方法。

截取了片段：

同样效果的操作： 上表可知，大多数个体虚拟变量是显著的，即存在个体效应，因此可以放心大胆地使用固定效应模型。

示例： 我没做出来~，直接截取书中内容。

在stata中生成时间虚拟变量 部分截图：

示例操作

year1是基期，故其效应由cons项所包含，year的效应均为负值，部分显著，部分不显著。那就检验一下联合显著性吧

显著不为零，也就是year是存在时间影响的。

最后三行：

检验结果：拒绝原假设（不存在个体随机效应模型），认为应该在随机效应模型与混合回归之间，我们选择随机效应模型。因为如下：

随机效应MLE的系数估计值与随机效应FGLS的估计值不同，但在性质上相似。最后一行拒绝的原假设 σ u = 0 \sigma_u=0 σu​=0,即认为存在个体随机效应，而拒绝混合回归模型。

由于P值小于0.05，故强烈拒绝原假设： u i 与 x i t , z i 不 相 关 u_i与x_{it},z_i不相关 ui​与xit​,zi​不相关，故认为应该使用固定效应模型。 *但是：重点来了，粘贴了，这点没懂~~~~~ *

如果数据质量不好，可以考虑采用组间估计，但是会损失很多信息。 示例：