金融市场与金融机构第七版 Financial Markets and Institutions 7th 英文版课后题答案

：(2011)Financial Markets and Institutions (7th Edition) by Frederic S. Mishkin

网上很多答案，但都良莠不齐，
楼主这个是英文版的正版答案，包括原书24个章节

stata如何在ADF检验中实现如下操作

在stata中进行ADF的三个检验：含有截距和趋势项的模型、只含截距项的模型、二者都不含的模型

在stata中执行HP滤波命令

如果非Stata12版，
请用指令hprescott
按您所给的命令去推断，您应当是使用旧指令hprescott
如果您没下载，请findit hprescott

在Stata12版，那么请使用指令tsfilter hp

use http://fmwww.bc.edu/repec/bocode/h/hamiltonfilterdmonthly.dta, clear

stata做probit回归中的Log likelihood

表示  对数似然值
其值一般为负数，但是有时候也是可以为正数的

解释：The likelihood is the product of the density evaluated at the observations. Usually, the density takes values that are smaller than one, so its logarithm will be negative. However, this is not true for every distribution.
一般是越大越好，通常结果还会给出-2*log-likelihood，这个值应该越小越好

stata相关性分析命令

第一种：pwcorr varname
其中pwcorr是命令，varname是分析变量，pwcorr命令需要下载。
若想看看相关性是否显著只需后面加个sig就可以即：pwcorr varname,sig
输出结果包括相关系数和相关性是否显著的p值。
第二种是采用pwcorr_a   varname
pwocrr_a命令是连老师的教程，使用该命令可以输出带*的相关性系数，*表示显著性水平。pwcorr_a命令更好用，可以显示相关性显著的*号。
上面两个命令符都需要下载，pwcorr直接在stata下载就可以。
pwcorr_a需要自己下载安装包进行安装，，提醒一下下载pwcorr_a安装包后是解压后里面两个文件放到 stata11\ado\base\p 文件夹下即可使用

如何用stata对自变量进行去中心化处理

center的命令很建简单

采用Hausman检验得到结果为负不知如何判断

通过模拟分析发现，这主要是RE模型的基本假设Corr(x_it, u_i) =0 无法得到满足。因此，在这种情况下应该采用FE。

模拟过程如下：

* 结论：若传统Hausman检验得到的卡方值为负，则应拒绝RE，而采用FE。

winsor2 批量进行 winsor trimming 处理

NEW: winsor2 已经可以直接在 Stata 内部下载，命令如下：
         ssc install winsor2, replace

简介：winsor2 winsorize or trim (if trim option is specified) the variables in varlist at particular percentiles specified by option cuts(# #). In defult, new variables will be generated with a suffix “_w” or “_tr”, which can be changed by specifying suffix() option. The replace option replaces the variables with their winsorized or trimmed ones.

相比于winsor命令的改进：
(1) 可以批量处理多个变量；
(2) 不仅可以 winsor，也可以 trimming；
(3) 附加了 by() 选项，可以分组 winsor 或 trimming；
(4) 增加了 replace 选项，可以不必生成新变量，直接替换原变量。

范例：

使用方法: winsor2 已经可以直接在 Stata 内部下载，命令如下：
ssc install winsor2, replace

. clear all

. set obs 100
obs was 0, now 100

.
.      set seed 10101

.
.      gen x1var=runiform()

. su

Variable |       Obs        Mean    Std. Dev.       Min        Max
————-+——————————————————–
x1var |       100    .5319284    .2847927   .0019951   .9983786

. clear all

. set obs 100
obs was 0, now 100

.      set seed 10101

.      gen x1var=runiform()

. su

Variable |       Obs        Mean    Std. Dev.       Min        Max
————-+——————————————————–
x1var |       100    .5319284    .2847927   .0019951   .9983786

. clear all

. set obs 100
obs was 0, now 100

.      gen x1var=runiform()

. su

Variable |       Obs        Mean    Std. Dev.       Min        Max
————-+——————————————————–
x1var |       100    .5202217    .2719621   .0018247   .9893382

. clear all

. set obs 100
obs was 0, now 100

.      gen x1var=runiform()

. su

Variable |       Obs        Mean    Std. Dev.       Min        Max
————-+——————————————————–
x1var |       100    .5291396    .2913421   .0010465   .9965927

.

FE / RE 模型可统一表述为：

      y_it  =  u_i + x_it*b + e_it                 (1)

对于FE，个体效应 u_i 被视为一组解释变量，为非随机变量，即 N-1 个虚拟变量；

对于RE，个体效应 u_i被视为干扰项的一部分，因此是随机变量，假设其服从正态分布，即 u_i~N(0, sigma_u^2)；

在上述两个模型的设定中，e_it 都被视为“干干净净的”干扰项，也就是我们学习OLS第一讲时那个背负着众多假设条件，但长相极为俊俏的干扰项，e_it~N(0, sigma_e^2)。

需要注意的是，在 FE 模型中，只有一个干扰项 e_it，它可以随公司和时间而改变，所有个体差异都采用 u_i 来捕捉。而在 RE 模型中，其实有两个干扰项：u_i 和 e_it，差别在于，第一种干扰项不随时间改变（这也是所谓的“个体效应”的含义），而第二类干扰项可以随时间改变。

因为上述对 FE 和 RE 中个体效应 u_i 的假设之差异，二者的估计方法亦有差异。FE可直接采用OLS估计，而RE则必须使用GLS才能获得更为有效的估计量。


再来看 xtgls 和 xtpcse 这两个命令所对应的模型：
在Greene(2000, chp15) 中，他并未把此类模型称为”Panel data model”，而是称为“Systems of Regression Equations Model”。模型设定如下：

      y_it  =  a + x_it*b + e_it                 (2)

可以看出，在这个模型设定中，只有一个不带下标的常数项 a。因此，你可以认为这就是一个简单的线性回归模型，只是我们所有分析的数据是“面板资料”，而不是“截面资料”。为了能反映出面板的特征，就必须在干扰项上做文章。

假设模型以公司为单位表示如下（其中，y_1 是一个 TX1 维列向量，表示第一家公司）：

  * | y_1 |   | X_1 |       | e_1 |
* | y_2 |   | X_2 |       | e_2 |
* |  .  |   |  .  |       |  .  |
* |  .  | = |  .  | * b + |  .  |
* |  .  |   |  .  |       |  .  |
* | y_n |   | X_n |       | e_n |

当假设存在截面异方差时，即不同的公司面临的干扰项具有不同的波动性（Var(e_1) != Var(e_2)）,则干扰项的方差-协方差矩阵可表示为：

*– 截面异方差

*     E[e_i*e_i’] = [s_i^2]  \\ 只写出其中一个元素，下同
*
*         | s1^2    0   …   0   |
*         |   0   s2^2  …   0   |
*         |         .             |
*     V = |         .             |
*         |         .             |
*         |   0     0   …  sn^2 |

若考虑截面相关，即公司A和公司B面临的干扰可能存在相关性，则V矩阵中的非对角元素不再为零：

*– 截面相关

*     E[e_i*e_i’] = s_ij^2
*
*         | s_11  s_12   …  s_1n  |
*         | s_21  s_22   …  s_2n  |
*         |         .               |
*     V = |         .               | * sigma^2
*         |         .               |
*         | s_n1  s_n2   …  s_nn  |

如考虑序列相关，则对于同一家公司而言，不同时间上的干扰项存在相关性，那么每家公司将对应一个TxT的方块矩阵，该矩阵的非对角元素不为零，可简写如下（不严谨）：

*– 序列相关

*     E[e_i*e_i’] = s_i^2 * M_i
*
*         | s1^2*M_1      0      …     0     |
*         |     0      s2^2*M_2  …     0     |
*         |               .                    |
*     V = |               .                    |
*         |               .                    |
*         |     0         0      …  sn^2*M_n |

* GLS 估计

  *       b    = [X’V^{-1}*X]^{-1}[X’V^{-1}y]
*     Var(b) = [X’V^{-1}*X]^{-1}



小结：


整体而言，xtgls 和 xtpcse 这两个命令是我们学习的GLS估计方法的一个综合应用，重点都在干扰项的方差协方差矩阵的设定上做文章。而FE/RE 模型则单独列出一个 u_i来，以便充分反应所谓的“个体效应”。

两套模型并无优劣之分，只是建模的方法有所差异而已。至于选择哪一类，完全决定于你如何去理解和设定不同公司之间的差异和相关性，以及公司内部不同年度之间的相关性