年度虚拟控制变量怎么算

年份虚拟变量是为了衡量差异我的数据是2001-2011年34个工业分行业的面板数据，因为想要控制年份效应，我用xtreg y x i.year,fe做出来核心解释变量不显著，用 tab year,gen(year) 再xtreg y x year2-year10,fe做出来回归结果就是显著的。

考虑到了行业和年份，对因变量的影响，每个行业和年份在模型中会有对应的，估计系数引入行业和年度的虚拟变量，以控制其对因变量的影响。一般都是通过xi批量生成年份和行业虚拟变量，然后进行回归的，这样就能控制年份和行业固定效应的。有些核心解释变量存在很大的年份差异或行业差异，控制这些固定效应之后，会更加稳健。不控制的话，回归结果有时差别会很大。

可以使用TABULATE命令。如果你的变量YEAR非常的规则，比如1990-2010年。共有21个年份。没有其他的比如小数、无理数之类的乱七八糟的数。那么tabulate YEAR, gen(REG)会直接生成21个变量，REG1，REG2，....REG21。REG1就是当YEAR =1990时取值为1，其他时候取值为0.类似的REG2就是当YEAR =1991时取值为1，其他时候取值为0。

是一种二次元变量。年度虚拟变量是一种用来表示年份的二元变量，用于回归分析中，用来衡量时间与因变量的关系。

例如，有一串年份数据id year001 2001010 2002100 2003110 2004111 2005输入命令tab year, gen(dummy_year)这样就自动生成了2001至2005的五个虚拟变量回归命令reg y x dummy*dummy* 等同于2001至2005的五个虚拟变量，reg命令会自动剔除一个以保证不出现完全共线性问题。

将年份作为虚拟变量进行回归分析的数据。根据查询相关公开信息显示，将年份作为虚拟变量进行回归分析，可以用来探究时间对因变量的影响。虚拟变量将每个年份转化为一个二元变量，如在回归模型中，若将年份分为2016、2017和2018三个年份，则可以分别转化为两个虚拟变量：2016年为（1，0），2017年为（0，1），2018年为（0，0)，当回归模型中的年份虚拟变量系数为正时，表示相应年份对因变量有正向影响。系数为负时，表示相应年份对因变量有负向影响。

加入你有五个年份，那就是设置四个虚拟变量，0000,0001,0010,0100,1000分别代表你的五个年份。然后把他选成控制变量。（好吧，我只确定怎么设置虚拟变量的方法。对于怎么弄控制变量不太有把握。你想弄什么分析的控制变量啊？）ppv课网站，免费的学习视频。

可以。置虚拟变量的个数是水平数减1，不然会有虚拟陷阱的问题。比如只需要设置一月到十一月的变量为D1.。D11 只能取0和1，都取0的时候就代表12月。在做回归预测时需要分析的数据往往是多变量的，在做多元回归时就需要特别注意了解数据是否能够满足做多元线性回归分析的前提条件。残差e 服从正态分布N(0,σ2) 。其方差σ2 = var (ei) 反映了回归模型的精度， σ 越小，用所得到回归模型预测y的精确度愈高。e 的大小不随所有变量取值水平的改变而改变，即方差齐性。扩展资料：多元线性回归的基本原理和基本计算过程与一元线性回归相同，但由于自变量个数多，计算相当麻烦，一般在实际中应用时都要借助统计软件。这里只介绍多元线性回归的一些基本问题。由于都化成了标准分，所以就不再有常数项a了，因为各自变量都取平均水平时，因变量也应该取平均水平，而平均水平正好对应标准分0，当等式两端的变量都取0时，常数项也就为0了。多元线性回归与一元线性回归类似，可以用最小二乘法估计模型参数，也需对模型及模型参数进行统计检验。选择合适的自变量是正确进行多元回归预测的前提之一，多元回归模型自变量的选择可以利用变量之间的相关矩阵来解决。参考资料来源：百度百科-多元线性回归

相当于男士的喉结处的地方

会。没有年份虚拟变量时，时间的影响没有被控制，总体的Y和X负相关，但控制时间因素后，Y和X是正相关的，这才是真正的相关关系，之前的负相关是由时间变化引起的，加年份虚拟变量后剔除了时间变化的影响。

1、首先：把行业分为十个一组的变量，然后使用SPSSAU中的生成变量功能可实现虚拟变量设置。2、分离异常因素的影响。3、虚拟变量又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。

需要。如果明确是作为控制变量的分析，那就不是直接放入一个自变量栏，而是需要用回归分析，在里面有一栏是block功能，先把控制变量作为一个变量移入进去，然后点击block再把自变量移入进去。

不管是什么定性变量变虚拟变量都是其中一个作参照类，你这四个年份，可以变成三个虚拟变量。参照类2007不管，第一个虚拟变量是将年度变量中2008=1，其它设为0。第二个是将2009=1，其它设为0.第三个变量是令2010=1，其它为0.在spss中用recode菜单。明白？

可以使用MultinominalLogistic回归来手动完成分类变量，因此不需要虚拟变量化。虚拟变量又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。

这样可以反映这一年的属性。可以反映数据的固有属性(例如，属于某个行业或地区)。例如，一家公司属于医疗保健行业(虚拟变量=1)，或者不属于医疗保健行业(虚拟变量=0)。由数据的某些特征构建。虚拟变量将反映一个或真或假的条件。比如特定的公司规模(如果营收超过10亿元，虚拟变量=1，否则=0)。

具体遇到了什么问题呢

意思是年度虚拟变量。哑变量（Dummy Variable），又称为虚拟变量、虚设变量或名义变量，从名称上看就知道，它是人为虚设的变量，通常取值为0或1，来反映某个变量的不同属性。对于有n个分类属性的自变量，通常需要选取1个分类作为参照，因此可以产生n-1个哑变量。在构建回归模型时，如果自变量X为连续性变量，回归系数β可以解释为：在其他自变量不变的条件下，X每改变一个单位，所引起的因变量Y的平均变化量；如果自变量X为二分类变量，例如是否饮酒（1=是，0=否），则回归系数β可以解释为：其他自变量不变的条件下，X=1（饮酒者）与X=0（不饮酒者）相比，所引起的因变量Y的平均变化量。当自变量X为多分类变量时，例如职业、学历、血型、疾病严重程度等等，此时仅用一个回归系数来解释多分类变量之间的变化关系，及其对因变量的影响，就显得太不理想。此时，我们通常会将原始的多分类变量转化为哑变量，每个哑变量只代表某两个级别或若干个级别间的差异，通过构建回归模型，每一个哑变量都能得出一个估计的回归系数，从而使得回归的结果更易于解释，更具有实际意义。

可以。不连续的面板数据是指不同对象在不同时间上的指标数据，而且是可以把时间设为虚拟变量的，能够控制年份层面的固定效应。面板数据是包含多个个体，并且同一个体有一系列不同时间观测点的数据。

京火车站怎么走

是的，转换为虚拟变量

vif大于10，舍弃。控制年份和行业效应，可以设置行业和年份虚拟变量，加入回归方程。

国家和年份哑变量/国家和年份虚拟变量

什么回归啊，线性还是非线性

可以根据你的实际情况分批次纳入模型我替别人做这类的数据分析蛮多的

一般是指多元回归中将年度变量和行业变量加入回归。多元回归分析的X变量一般分为两种：解释变量和控制变量，解释变量往往是论文中作者希望关注的变量，而控制变量则是也可以影响Y变量、X变量，但是并不是作者需要研究的变量，但是为了研究的严谨必须也考虑。打个比方，假设我的Y变量是看“工资”，我的研究希望探究“性别变量”怎样影响“工资”，可是这里就有两个问题：第一，工资是随着时间变化的，过去的工资因为经济发展比较低而现在的工资高，男女加入工作的比例也是随着时间变化的，现在女性工作的更多；第二，工资是根据行业不同的，而男女的行业分布也往往不同。因此，如果不控制“年份”和“行业”两个变量，许多结论就无从下。例如我不控制行业和年份，得出了“工资女性较低，女性被歧视”的结论，有人可能就会反驳——女性在的行业往往是注重安稳而工资较低的，女性偏好安稳，因此并不是工资上有女性歧视，而是行业不同而已。所以为了真的发现女性是否被歧视，我就需要控制行业。比如看教师行业男性女性工资是否有统计差距？金融业？……那么怎么控制行业呢？如果只有一个行业还好，可是行业很多，我们一个一个更改数据库做单变量回归是很没有效率的，这时我们就用到了多元回归的一个特性，每一个系数的含义是说：“控制其他加入多元回归的解释变量不变，这个解释变量变动1单位，则Y变动系数个单位”，因此我们就直接将行业变量（对行业变量的处理往往是考虑N个行业就加入N个不同变量，它们都是0、1的虚拟变量，0是指在这个行业里，1是指不在）和年份变量（直接加入时间变量）加入多元回归就可以得出“控制行业和年份”下的性别对工资的影响系数了。这样，我再分析出来就不会受到质疑。实现这种回归，大部分统计软件都可以，包括SPSS，在写公式的时候按照我上述的方法在回归中添加入这些变量就可以了。

主要是看“Yr of adopt”前的年份估计值的置信区间和 0 的关系。平行趋势检验的一般做法借鉴的是事件研究法的思想，我们首先需要生成年份虚拟变量与处理组虚拟变量的交互项，将这些交互项作为解释变量进行回归（特别注意要丢掉一期，作为基准组）。

金融业产业结构优化效应的计量检验 　　 　　本文所采用的数据主要来自于中国统计年鉴、中国金融年鉴、中国证券期货年鉴、国家统计局网站和各省统计局网站，时间跨度为2000-2006年，截取的样本区域包括东部10省区市和中部6省区(根据中国统计年鉴2005年区域最新划分方法，东部地区包括河北、北京、天津、山东、江苏、上海、浙江、福建、广东和海南，原来被划人东部省区的辽宁省现在和黑龙江、吉林一起被归类为东北三省，中部省区包括山西、安徽、江西、河南、湖北和湖南)。 　　本文收集了16省区从2000年-2005年共6年的纵列数据样本共96个，选取产业结构的高度化指标作为因变量，根据克拉克的三次产业分类法，第一产业的比重将逐渐下降，第二、三产业的比重将日趋增加，而产业结构的提升离不开金融的支持，金融产业的演进有助于加速实体部门的增长和经济结构的调整，因此这里选取第二、三产业在国民生产总值中所占的比重(upgrade)作为反映产业结构高度化的度量指标，银行信贷规模占GDP的比值(bank)和股票交易额占GDP的比重(capital)为自变量指标，分别反映银行发展指标和资本市场发展指标。考虑到时间跨度对回归结果的影响，在回归中引入了年份虚拟变量，以2000年为基准年份(year)。为反映地域差别的影响，引入地理虚拟变量(district)，以中部地区为基准区域。银行业的发展对某地区产业结构优化具有显著影响，银行信贷规模每增长1个百分点就会导致产业结构升级6个百分点，且在0．2％的水平上显著；股票交易额占GDP的比重每增长一个百分点会导致产业结构升级0．3个百分点，但是其显著性大大降低，较大的p值是对H0怀疑的弱证据，这一方面和变量的设置有关，即我们采用股票交易额而非股票市值使分析产生一定的偏差；另一方面则是由于股票交易额的异常波动所导致，如2005年，由于市场处于调整之中，全国大多数省份证券交易额下降，全年有20个省(市)股票基金交易额出现20％以上的负增长。我们发现产业结构的升级效应的大小也与地理区域的分布有关，其在2．1％的水平上显著，这说明由于中部地区金融业发展的相对滞后影响其对产业结构的优化升级效应的发挥，并且已经对该地区经济的可持续增长带来负面效应，而东部地区的良好区位，已经形成一种循环累积效应，相对于中部地区，其金融业的产业结构优化效应要高出4个百分点。从年虚拟变量的系数变化模式本身可以看出，金融业发展带动区域产业结构的优化升级效应日趋明显，如2002年与基年2000年相比，金融业的产业优化效应提高了0．4个百分点，而2003、2004和2005年与基年相比，其产业优化效应分别提高了约4．5个百分点、1．1个百分点和5．1个百分点，鉴于三次产业对国内生产总值增长的拉动作用有所不同(产业拉动指GDP增长速度与各产业贡献率之乘积)：2004年国内生产总值增长了10．1个百分点，其中，第二产业的拉动贡献占到5．3个百分点，第三产业的拉动作用为4个百分点。2005年国内生产总值增长的10．2个百分点中，第二、三产业的拉动作用分别占5．6和4个百分点，因而需要加大产业结构中第二、三产业的比率从而更好地发挥对国民经济的拉动作用，而金融业在提升地区或国家的产业结构过程中其地位至关重要，本文的计量结果也有力地验证了该结论。 　　

结果的前两行表示模型的类别,LZ采用的为randomeffect随机模型,截面变量：province,样本数目310.群组数目31,也就是每组10个观测值.3-5行表示模型的拟合优度,分别为within,between,overall,组内,组间,总体三个层次.6-7行表示针对参数联合检验的waldchi2检验和Pvalue,p=0.000表示参数整体上灰常显著.8-10行表示解释变量的估计权重,截距,标准差,Z统计量,P值及95%置信区间.这块儿跟截面回归的产出结果是一样的,关于你的解释变量base的权重解释是,在其他多有条件都不变的情况下,base每增加一单位,city会增加0.0179单位,P值0.000,灰常显著.最后三行分别是随机效应模型中个体效应和随机干扰项的方差估计值,分别为sigma_u,sigma_e.以上两者之间的关系rho.需要注意的是你的模型拟合度不高,R方只有26%,当然这要看具体是哪方面的研究以及同方向其他学者的拟合结果,如果大家都在20多,那就OK.

如果你的面板模型里设置了个体固定效应，那么行业这类不随时间变化的变量（在模型是以虚拟变量的形式出现的话）是没办法控制的若个体固定效应模型是采用Within回归（xtreg,fe），它会将不随时点变化的量都减去了，所以，如果模型中不随时点变化的虚拟变量（包括个体固定效应项）的属性个数如果大于N，它只能估计出前N个，其他的都不在模型中；若是采用LSDV法估计个体固定效应模型（regi.id），是设置了N-1个虚拟变量实现的，如果再往模型里加不随时点变化的虚拟变量（如行业、区域等），模型是会将它们排除在模型里面的。

这期推送简单谈一下我本人 对经济学实证论文写作排除干扰性因素、机制检验和异质性分析的一些不甚成熟的理解 。 论文的实证部分一般要回答两个问题，一是 核心解释变量 x 是否影响被解释变量 y ，二是 具体的影响机制，即 x 如何影响 y 。 为了回答第一个问题，论文在基准回归之后一般会设计一系列的识别条件检验和稳健性检验，包括对模型的特定假设进行检验（如 DID 的平行趋势检验），对模型可能存在的因果推断问题（内生性）进行讨论、检验和缓解，排除可能影响研究结论的其他干扰性因素，对 x 影响 y 的预期效应和滞后效应进行讨论等一系列的稳健性检验。某些情况下，对基准回归结果的识别条件检验和稳健性检验甚至需要占据实证部分篇幅的一半以上。 如此大费周章的原因或者说目的在于，一方面，回答好 x 是否影响 y 这个问题是进一步分析影响机制的基础，因此确保 x 对 y 的影响稳健可信是实证设计的基本要求；另一方面，我们要赶在读者或审稿人提出“灵魂拷问”之前把论文中可能存在的或大或小的问题都给考虑到，想读者之想，思审稿人之思，虽然不管我们怎么绞尽脑汁去发现和填补这些漏洞，审稿人总是能够提出一些“奇奇怪怪”的问题，但前期做足工作可以把这些问题被问到的可能性降到最低。 对第二个问题进行回答可以增加论文的科学性、故事性和丰满度。 x 对 y 存在一定的影响，并且这种影响是稳健的，在此基础上我们还想知道 x 对 y 的影响究竟是通过什么渠道实现的，即探讨“存在性”背后的“过程性”。对客观影响机制的探讨本质上就是对现实经济运行规律的一种总结与提炼，体现了社会科学研究的“科学”之所在。 如果怀疑变量 m 是 x 对 y 作用背后的机制，那么论文的理论分析部分就要对这一机制的基本逻辑进行较为清晰的分析说明，然后在实证部分对这一机制进行检验。机制检验没有一个固定的范式，一般需要结合论文的研究内容、理论、模型，甚至是所使用的数据进行设计，但是 经济学研究的机制检验应尽量避免使用中介效应模型 ，原因在于（引自 我在知乎的回答 ）： 相比于管理学、心理学等学科领域，经济学更强调变量之间因果关系的推断，而恰恰由于中介效应模型没有考虑到中介变量可能存在的内生性，因此该模型可能符合管理学的研究范式，但不符合经济学研究范式。 中介效应模型可能存在的内生性在于： 参考连玉君老师的回答，中介效应模型存在的一个比较现实的问题是：我们大多数都是在和一个内生变量作斗争，而中介效应要求我们不仅要克服 的内生性问题还要克服 的内生性问题，着实有些苛刻。 排除干扰性因素是实证论文稳健性检验部分的基本步骤之一。 如， 陈登科（2020） 在研究中国加入WTO后贸易壁垒下降是否带来环境污染的改善时，怀疑加入WTO同时期中国实施的其他政策，特别是国有企业改制政策与鼓励外资进入政策，以及环境规制政策（如两控区、“十一五”污染控制政策）可能对结果造成潜在干扰。为排除这些干扰性因素，作者在回归方程中进一步加入国有经济比重与外贸经济比重来控制前两项政策的影响；对于环境规制政策，作者认为中国的环境规制政策大多是以行政区划为单位来实施的，因此在回归模型中进一步加入地区-年份固定效应来控制环境规制政策对结果的潜在影响。 如， 江静琳等（2018） 在研究农村成长经历对家庭股票市场参与的影响时，认为影响人类行为的因素十分复杂，因此怀疑农村成长经历对股票市场参与的作用可能受到社会互动、信任水平、金融知识、家庭社会经济地位和风险态度等因素的干扰。为了排除掉这些因素，作者做了一系列的稳健性检验，包括（以社会互动为例）： 再如， 陆菁等（2021） 在研究绿色信贷政策的微观效应时，怀疑2008年国际金融危机以及同时期的环境规制政策（如清洁生产标准、“十一五”污染控制政策、区域限批政策等）可能对研究结论构成潜在干扰。对于前者，作者在基准模型的基础上额外控制了代表企业投融资需求的两个代理变量；对于后者，作者引入了若干虚拟变量并剔除了相关样本（具体请看原文）。 借鉴以上三篇文献，下面简单梳理一下排除干扰性因素的逻辑与实证思路。 由于被解释变量 y 的影响因素众多，基准模型中的控制变量也仅仅是根据一般常识与理论（即已有文献的做法）引入的，如果怀疑某个不同寻常的意外因素 z 对 y 存在一定程度的影响，即直觉上认为 z 是 y 的不可忽视的重要影响因素，并且在考虑 z 的情况下 x 对 y 的作用可能改变，那么为了检验结论的稳健性，可以把 z 当作控制变量引入基准模型中，如果核心解释变量 x 的系数与基准回归结果大体保持一致，就说明排除了 z 对研究结论的干扰。 此外，还可以使用反证法，即假设 z 对研究结论确实构成不可忽视的干扰，那么就存在如下推论：随着 z 的取值变化， x 对 y 的影响存在异质性，而我们的检验逻辑就是证明该推论不成立。为了证明这个推论不成立，有以下两种实证思路：一是按照 z 的取值大小对样本进行分组，进行分组检验，如果在不同分组下 x 的系数基本不变且与基准回归结果大体保持一致，就说明该推论不成立；二是使用调节效应模型，调节项为 x 与 z 的交互项，且两个单独项不可忽视，如果调节效应模型中的交互项不显著（单独项 x 是否与基准回归结果保持一致，甚至 x 显著与否都不重要，因为在调节模型中 x 的系数含义不同），就说明该推论不成立。 机制检验没有统一范式，一般根据研究内容而定，以佐证论文所讲的故事，比较常用的实证设计包括（引自我在知乎的回答）： 戴鹏毅等（2021） 在研究“沪股通”对企业全要素生产率的作用机制时，认为提高股价信息含量和信息传递效率、矫正股票错误定价和改善信息披露质量是沪股通提升企业TFP的主要机制。在机制检验部分，首先实证检验了“沪股通”开通对这几个机制变量的影响，然后利用已有的权威文献在理论上讨论机制变量对企业全要素生产率的作用。 陈登科（2020）的机制检验思路与之类似，但在逻辑上与其自身的研究内容紧密联系。贸易自由化显著降低了企业 的排放强度，而 的排放强度等于 排放量除以工业总产值，为了讨论企业 的排放强度的降低究竟源于 排放量的减少还是工业总产值的提高，作者分别用贸易自由化分别对企业 排放量和工业总产值做回归，结果显示贸易自由化主要通过降低企业 排放量而非提升产出的方式来降低 排放强度。在这之后，一个新的疑问是：企业 排放量的下降是由生产过程中的 产生量下降引起，还是末端处理过程中的 处理量增加引起？为了回答该问题，作者用贸易自由化分别对 产生量和 去除量做回归，结果显示贸易自由化通过降低 产生量，而非增加 去除量来降低 排放。 这样的机制检验思路在逻辑上环环相扣，因此论文的故事性极强。除此之外，论文还对煤炭使用及技术进步这两个具体渠道分别进行了检验。 异质性分析一般可以分为两种： 这两种方法的主要区别在于： 事实上，异质性分析可以作为机制检验的一种辅助性手段，用以进一步增强论文的故事性。 如， 万攀兵等（2021） 在研究清洁生产行业标准对企业绿色转型时，在验证技术改造这一具体机制之后，认为技术改造受制于企业的技术改造需求和融资能力，基本逻辑如下： 依据以上逻辑，作者在基准模型中分别加入技术改造需求和融资能力与双重差分的交乘项（即构建三重差分模型 DDD ）来捕捉可能的异质性效果。

中间汇率制度与金融危机关系的实证研究朱孟楠 林莹 喻海燕摘要:20世纪90年代以来,国际金融领域的危机呈现出一个新的特点,即危机越来越多地爆发在实行中间汇率制度的国家,而且投机攻击也越来越多地发生在实行中间汇率制度的国家.是否中间汇率制度与金融危机之间存在某种必然联系,本文尝试通过一些实证分析和理论探讨,来研究这一问题,以期为我国人民币汇率制度的深度改革提供一个新的思路.一,问题的提出随着经济,金融全球化的发生和发展,特别是20世纪90年代以来,国际金融领域的危机(包括综合性金融危机,银行危机,货币危机,汇率制度危机等各种类型和程度的危机)呈现出一个新的发展特点,即危机越来越多地爆发在实行中间汇率制度的国家,而且投机攻击也越来越多地发生在实行中间汇率制度的国家.所谓的中间汇率制度(Intermediate exchange rate regime)是国际货币基金组织(IMF)在1999年对其成员国的汇率制度分类体系进行重新调整后产生的概念范畴,是指处于完全固定汇率制度和完全自由浮动汇率之间的各种层次的汇率制度,.统计数据显示,20世纪90年代以来,实行中间汇率制度的国家数所占比例也有缩小的趋势,而实行角点汇率制度(除了中间汇率制度之外的汇率制度)国家比例则越来越高.理论来自于实践,相应地,理论界也产生一个全新的理论——"中间汇率制度消失论"(The hypothesis of the vanishing intermediate exchange rate regime).该理论认为在资本流动性日益增长的经济中,一国实行的汇率制度将不得不在完全固定汇率制度和完全自由流动汇率制度之间做出选择,任何形式的中间汇率制度都是不可持续的.虽然该理论的论点有偏激之嫌,也因此产生了很多反对观点,但关于这方面的探讨正在取代传统的固定汇率制度和浮动汇率制度的优劣之争而成为汇率制度选择理论争论的焦点问题.尽管国际学术界关于"中间汇率制度消失论"及其相关问题的探讨方兴未艾,但对"中间汇率制度消失论"的理论基础问题仍未有定论,还处于探索阶段.但是这一论断的提出至少表明了中间汇率制度和金融危机之间存在着某种关系,由此导致中间汇率制度的可持续性发展遭到质疑,也才有"消失"之说.目前理论界关于"中间汇率制度消失论"的理论探讨较少有对它与金融危机的关系做出较全面,系统论述的,而笔者则认为这方面的研究是有很大的现实和理论意义的.就我国而言,正在实行的汇率制度就是一种中间汇率制度.因此,在不断开放的经济,金融背景下,探讨中间汇率制度及其与金融危机的关系,对我国汇率制度的选择与转换,对人民币汇率形成机制的改革与完善以及任何采取策略防范于未然,具有重要的借鉴意义.二,中间汇率制度与金融危机关系的实证分析(一)样本的选择考虑到数据的可获得性以及"中间汇率制度消失论"产生的年代,本研究的样本期设定为1990—2001年.样本国家仅限于已经或者正在融入资本流动日益加剧的国际金融市场的发达市场国家和新兴市场国家.具体有澳大利亚,玻利维亚,加拿大,哥伦比亚,埃及,印度尼西亚,意大利,韩国,马来西亚,墨西哥,尼日利亚,菲律宾,西班牙,瑞典,瑞士,泰国,土耳其,英国,美国,乌拉圭这20个国家.我们选取三类变量:宏观经济变量,金融变量和虚拟变量.宏观经济变量包括GDP增长率,实际利率,通货膨胀率,中央政府赤字与GDP之比,金融变量包括M2与外汇储备之比,私人部门信贷与GDP之比,银行流动储备与银行资产之比,国内信贷的增长率,此外,我们引入虚拟变量——汇率制度的选择,即当汇率制度是中间汇率制度时变量值为1,当它是角点汇率制度时变量值为0.样本变量数据来源是IMF的国际金融统计.(二)模型的选择本文借鉴Demirgüc和Detragiache(1998)在研究银行危机时的方法,使用多变量logit模型研究汇率制度的选择与金融危机的关系,具体而言,本研究将汇率制度的选择以虚拟变量的形式作为解释变量之一,通过模型得出其对金融危机的发生概率这一被解释变量的解释能力.在样本观察期的每个时间段(每年)内,一个国家的危机状态有两种可能:存在金融危机或不存在金融危机.则危机这一被解释变量为一个二元变量,设以代表国家在年份的危机状态:当危机存在时,取值为1,其概率为;当危机不存在时,取值为0,其概率为.设为解释变量,它是一个维向量,代表对某一特定国家或地区在某一特定时段的金融危机产生影响的一组变量.是对应解释变量的系数向量,它的值由模型回归确定.是概率分布函数.根据logit函数的定义,可得的概率分布为(1)其似然函数为(2) 设,则可以表示为(3)将其代入似然函数,得(4) 对(3.4)式两边取对数,得(5) 使用logit估计对上述模型进行回归,得到系数向量的估计值.但是,并非是它所对应的解释变量的弹性.只是的正负号说明被解释变量的发生的概率变化的方向.既如果为正值,则解释变量与危机发生概率呈同方向变动;如果为负值,则该解释变量与危机发生的概率呈反方向变动.由于危机发生期间各经济变量并非是独立的,当危机发生时,它们之间相互影响会增加,因此,这会影响到模型的回归结果.考虑到这一点,本研究的样本剔除了危机持续期间的样本点,只保留了危机发生前的年份,危机爆发的年份和危机结束后的年份的样本,以此削弱危机本身对模型回归结果的干扰.(三)研究过程及结果先对所有的九个变量进行回归,结果由EQ1表示,再对其中的几个宏观经济变量和虚拟变量进行回归,结果为EQ2,然后对金融变量和虚拟变量进行回归,结果为EQ3.最后在此基础上,选出统计检验显著性较好的变量,对这些变量进行回归,结果为EQ4.表1列出了对九个经济变量的几个回归结果. 在几个方程中,解释变量"汇率制度"都以90%或95%通过了统计显著性检验,这说明汇率制度的选择对危机发生概率存在影响.在比较logit模型的回归结果时,通常使用的参数是AIC(Akaike"s Information Criterion).根据"最小AIC法则"——AIC值较小的模型回归效果较好.表3.1所示的多个模型回归结果中EQ4的效果最好,这是由于该模型的解释变量选择是建立在其他回归模型结果基础上的.使用EQ4对在其他条件均相同的情况下,中间汇率制度与角点汇率制度引发金融危机的概率做研究,结果显示,中间汇率制度下诱发金融危机的概率为11.52%,远远大于角点汇率制度的1.17%.表1 logit模型研究结果EQ1EQ2EQ3EQ4宏观经济变量GDP增长率-0.184877**-0.149640*-0.159432*(0.0242)(0.0625)(0.0656)实际利率-0.013369***-0.010129***-0.012098***(0.0023)(0.0001)(0.0013)通货膨胀率0.015943^0.00375(0.1816)(0.6711)中央政府赤字与GDP之比0.145525*0.026868**0.032395**(0.0548)(0.022)(0.0179)金融变量M2与外汇储备之比-0.0079887*-0.045964(0.0991)(0.2489)私人部门信贷与GDP之比-0.112009^0.01062(0.1484)(0.3967)银行流动储备与银行资产之比-12.29622**-5.050808-4.514626^(0.0379)(0.2538)(0.1756)国内信贷的增长率1.3416180.054941(0.2002)(0.6017)虚拟变量汇率制度2.340511*2.096929*1.980507*2.379285**(0.0527)(0.0614)(0.0781)(0.0336)AIC0.5984740.5928890.6317940.586634注:单元格中的数字是回归中各解释变量所对应的系数,括号中的数字代表它的概率度.用^,*,**和***四种符号表示解释变量通过了显著性分别为0.80,0.90,0.95和0.99的统计检验.三,中间汇率制度与金融危机关系的理论分析实证的结果表明中间汇率制度的确比角点汇率制度更容易引发金融危机,其原因,我们认为主要是:(一)中间汇率制度的隐含担保(Implicit assurance)易诱发金融道德风险经济学中的道德风险(Moral hazard)一般是指在委托—代理关系中,代理人(泛指信息优势方)受自利本能的驱使,利用制度漏洞和拥有的信息优势,追求自身效用最大化而损害委托人(泛指信息劣势方)或其他代理人的效用所带来的风险.金融道德风险就是指资金融通过程中,由于代理人的投机败德行为,而使委托人金融资产遭受损失的可能性.根据Eichengreen和Hausmann(1999),金融体系中的道德风险是一个具有以下性质的问题:银行拥有有限债务,市场对于银行承担的风险具有不对称信息,当银行陷入困境时有一定的获救概率.根据这一定义,在所有金融系统中或多或少都存在道德风险问题.金融体系道德风险中,银行是金融风险的最主要发生源.在当局监管不力或政府为银行提供明确或隐含担保的情况下,银行就会缺少实行充足风险管理的激励,在利益最大化的驱使下,将会为了追逐利润而去冒极大的风险,比如银行会在超过资本许可和自身经营能力的范围之外过度借贷,以争夺国内市场份额,并导致自身资产质量下降等问题.一旦资本流动方向逆转,就可能发生严重的金融问题,甚至危机.在实行中间汇率制度的国家,政府承诺维护汇率的一个特定价值或者把汇率稳定在一个小范围之内.实际上政府就向市场传递了这样一个信息:政府有决心,有能力维持中间汇率制度,维持汇率的相对稳定,即相当于为汇率稳定提供了一个隐含担保.隐含担保是孳生道德风险的源头之一.东南亚金融危机中几个国家的情况就是很好的例子,Krugman(1998)就说过,"虽然金融机构的债权人并没有来自政府的显性担保.然而,媒体报道确实暗示了大多数对泰国财务公司,韩国银行等金融机构提供资金的那些人相信他们会受风险保护,这些机构所有人与政府很强的政治关系的也加深了这种印象." 银行,公众等金融市场借款人预期到政府将会维持汇率不变或沿着其公布的方式小幅变动,这就降低了他们对冲其外币敞口头寸(Foreign exposure)的激励,相反却增加了他们进行有风险投资的激励,使得大量外汇头寸暴露在汇率变动的风险中.同时,由于银行借贷的是不对冲的外债,为了减小不确定性的发生,外国贷款人多是贷给其短期债务,一些原来的长期项目不得不靠短期贷款提供资金来源,使经济,金融体系更加不稳定.事实的情况正是如此. 在20世纪90年代的几次金融危机中,银行都没有完全对冲其外汇风险,以至于在危机发生时许多银行破产,导致了银行—货币双生危机(Twin crises).以东南亚金融危机为例,当时在东南亚几国中与其他成熟市场国家相比的较低的汇率波动率(见表2)使投资者相信当局会对汇率风险进行担保,结果是导致大量的短期外国资本通过银行体系的中介流入国内,而银行等借款人则没有激励去对冲外币借贷(见表3).此时,一旦某个危机信号闪现(比如短期债务的激增等),投资者认为该国金融体系出现问题,汇率可能会下跌,就会用本币兑换外汇储备直至政府放弃中间汇率制度,结果是汇率贬值,银行本币收入无法偿还其外币债务,只能宣布破产,同时也激活了政府对外国债权人的义务,使政府陷入债务困境之中.不仅银行如此,企业和个人的也存在同样的状况,在中间汇率制度下,他们也没有动机完全对冲其借贷外债的汇率风险.比如东南亚金融危机时,在印度尼西亚,许多公司直接从离岸市场贷款,他们的不对冲头寸使得向其提供本币贷款的国内银行遭受了巨大的信贷风险.表4显示了1996年一些亚洲国家的债务状况,可见这些国家外国债务占总债务的比重相当高,其中短期外债的比例还普遍高于长期外债的比重.

二元变量。年度虚拟变量是一种用来表示年份的二元变量，用于回归分析中，用来衡量时间与因变量的关系，通常取值为0或1。

可以。置虚拟变量的个数是水平数减1，不然会有虚拟陷阱的问题。比如只需要设置一月到十一月的变量为D1.。D11 只能取0和1，都取0的时候就代表12月。在做回归预测时需要分析的数据往往是多变量的，在做多元回归时就需要特别注意了解数据是否能够满足做多元线性回归分析的前提条件。残差e 服从正态分布N(0,σ2) 。其方差σ2 = var (ei) 反映了回归模型的精度， σ 越小，用所得到回归模型预测y的精确度愈高。e 的大小不随所有变量取值水平的改变而改变，即方差齐性。扩展资料：多元线性回归的基本原理和基本计算过程与一元线性回归相同，但由于自变量个数多，计算相当麻烦，一般在实际中应用时都要借助统计软件。这里只介绍多元线性回归的一些基本问题。由于都化成了标准分，所以就不再有常数项a了，因为各自变量都取平均水平时，因变量也应该取平均水平，而平均水平正好对应标准分0，当等式两端的变量都取0时，常数项也就为0了。多元线性回归与一元线性回归类似，可以用最小二乘法估计模型参数，也需对模型及模型参数进行统计检验。选择合适的自变量是正确进行多元回归预测的前提之一，多元回归模型自变量的选择可以利用变量之间的相关矩阵来解决。参考资料来源：百度百科-多元线性回归

1. 根据年份变量生成一个虚拟变量比如你有一个数据，数据里面有一个变量year,你想根据year生成一个虚拟变量d1，2000年及以后取值为1,2000年以前取值为0。可以用如下的命令实现：series d1=(year>=2000)2. 如何根据季度频率的数据生成季度虚拟变量。季度有春夏秋冬，故可以生成四个虚拟变量，但是引入到模型的时候引入3个就可以。比如说你想生成三个季度虚拟变量q1(是否为春季)，q2(是否为夏季)，q3(是否为秋季)。可以用如下的命令：seriesq1=@seas(1)seriesq2=@seas(2)seriesq3=@seas(3)3. 如何把一个行业变量转化为虚拟变量如果你的行业变量有A，B，C，D共4个取值，就可以生成4个虚拟变量d1,d2,d3,d4，相关命令如下：series d1=(ind=”A”)series d1=(ind=”B”)series d1=(ind=”C”)series d1=(ind=”D”)4 . 如果想把行业虚拟变量全部加入到回归方程中还有一个简单形式就是估计回归方程的时候可以设定回归方程为y x @expand(ind) c

加入你有五个年份，那就是设置四个虚拟变量，0000,0001,0010,0100,1000分别代表你的五个年份。然后把他选成控制变量。（好吧，我只确定怎么设置虚拟变量的方法。对于怎么弄控制变量不太有把握。你想弄什么分析的控制变量啊？）ppv课网站，免费的学习视频。

比如你的变量叫做REG1，针对2010年。你同时还有一个变量叫YEAR，里面是每一个变量对应的年数。那么用以下命令，你能生成一个新的变量，只有当对应的YEAR变量为你想要的2010年时，数值取值为1，其他的都取值为0 ： gen REG1 = (YEAR==2010)。

例如，有一串年份数据id year001 2001010 2002100 2003110 2004111 2005输入命令tab year, gen(dummy_year)这样就自动生成了2001至2005的五个虚拟变量回归命令reg y x dummy*dummy* 等同于2001至2005的五个虚拟变量，reg命令会自动剔除一个以保证不出现完全共线性问题。

例如，有一串年份数据id year001 2001010 2002100 2003110 2004111 2005输入命令tab year, gen(dummy_year)这样就自动生成了2001至2005的五个虚拟变量回归命令reg y x dummy*dummy* 等同于2001至2005的五个虚拟变量，reg命令会自动剔除一个以保证不出现完全共线性问题。

直接在回归命令里用i.year就会生成以year为基础的虚拟变量比如regyxi.year，就是控制年份后y对x的回归，数据里只需要有year这个变量就行，不需要每年都生成变量然后再放入回归命令中。

gen year1=1 if time==2008replace year1=0 if time!=2008对年份为2008年的观测生成一个为1的虚拟变量其他类推。虚拟变量(DummyVariables)又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。引入哑变量可使线形回归模型变得更复杂，但对问题描述更简明，一个方程能达到两个方程的作用，而且接近现实。模型中引入虚拟变量的作用1、分离异常因素的影响，例如分析我国GDP的时间序列，必须考虑“**”因素对国民经济的破坏性影响，剔除不可比的“**”因素。2、检验不同属性类型对因变量的作用，例如工资模型中的文化程度、季节对销售额的影响。3、提高模型的精度，相当于将不同属性的样本合并，扩大了样本容量（增加了误差自由度，从而降低了误差方差）

例如，有一串年份数据id year001 2001010 2002100 2003110 2004111 2005输入命令tab year, gen(dummy_year)这样就自动生成了2001至2005的五个虚拟变量回归命令reg y x dummy*dummy* 等同于2001至2005的五个虚拟变量，reg命令会自动剔除一个以保证不出现完全共线性问题。

如果模型为y=a+bx+u,操作即为regyx（前提是有y，x两个数据组）结论表格出来后在coef.那一列_cons的数值即为a，x所对应的即为b

设置方法如下，将年份数据id year001 2001010 2002100 2003110 2004111 2005输入命令tab year, gen(dummy_year)这样就自动生成了2001至2005的五个虚拟变量回归命令reg y x dummy*dummy* 等同于2001至2005的五个虚拟变量，reg命令会自动剔除一个以保证不出现完全共线性问题。

gen year1=1 if time==2008replace year1=0 if time!=2008对年份为2008年的观测生成一个为1的虚拟变量其他类推。虚拟变量(DummyVariables)又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。引入哑变量可使线形回归模型变得更复杂，但对问题描述更简明，一个方程能达到两个方程的作用，而且接近现实。模型中引入虚拟变量的作用1、分离异常因素的影响，例如分析我国GDP的时间序列，必须考虑“**”因素对国民经济的破坏性影响，剔除不可比的“**”因素。2、检验不同属性类型对因变量的作用，例如工资模型中的文化程度、季节对销售额的影响。3、提高模型的精度，相当于将不同属性的样本合并，扩大了样本容量（增加了误差自由度，从而降低了误差方差）

例如，有一串年份数据idyear00120010102002100200311020041112005输入命令tabyear,gen(dummy_year)这样就自动生成了2001至2005的五个虚拟变量回归命令regyxdummy*dummy*等同于2001至2005的五个虚拟变量，reg命令会自动剔除一个以保证不出现完全共线性问题。

计算平均值：(2 + 3 + 4 + 5+ 6 + 8)/6 = 30 /6=5。有一串年份数据idyear00120010102002100200311020041112005输入命令tabyear,gen(dummy_year)。这样就自动生成了2001至2005的五个虚拟变量回归命令regyxdummy*dummy*等同于2001至2005的五个虚拟变量，reg命令会自动剔除一个以保证不出现完全共线性问题。设置原则：在模型中引入多个虚拟变量时，虚拟变量的个数应按下列原则确定：（1）如果回归模型有截距项有m种互斥的属性类型，在模型中引入（m-1）个虚拟变量。（2）如果回归模型无截距项，有m个特征，设置m个虚拟变量。

tab (province code),gen(province)drop province4

如果模型为y=a+bx+u, 操作即为 reg y x（前提是有y，x两个数据组） 结论表格出来后在coef. 那一列_cons的数值即为a， x所对应的即为b

命令类似这样xi: qui reg y x1 x2 i.x3其中x1 x2是你想出现的回归变量，而X3是你不想出现的工具变量（比如控制省份什么的），qui命令就是指“沉默运作”。