1、VEC模型可以用STATA做嗎
完全可以的，stata做計量模型很好
2、請教可以用STATA做面板數據的SEM模型嗎
結果的前兩行表示模型的類別，LZ採用的為randomeffect隨機模型，截面變數：province，樣本數目310.群組數目31，也就是每組10個觀測值。3-5行表示模型的擬合優度，分別為within，between，overall，組內，組間，總體三個層次。6-7行表示針對參數聯合檢驗的waldchi2檢驗和Pvalue，p=0.000表示參數整體上灰常顯著。8-10行表示解釋變數的估計權重，截距，標准差，Z統計量，P值及95%置信區間。這塊兒跟截面回歸的產出結果是一樣的，關於你的解釋變數base的權重解釋是，在其他多有條件都不變的情況下，base每增加一單位，city會增加0.0179單位，P值0.000，灰常顯著。最後三行分別是隨機效應模型中個體效應和隨機干擾項的方差估計值，分別為sigma_u,sigma_e.以上兩者之間的關系rho.需要注意的是你的模型擬合度不高，R方只有26%，當然這要看具體是哪方面的研究以及同方向其他學者的擬合結果，如果大家都在20多，那就OK。
3、stata怎麼用自己的模型
這個就要自己寫do文件了
4、請教可以用STATA做面板數據的SEM模型嗎
面板數據sem非常復雜，不用搞這么高深的，理論都不成熟
5、請教可以用STATA做面板數據的SEM模型嗎
可以做的，stata做這個比較好
6、stata面板數據模型
方法/步驟 短面板處理 面板數據是指既有截面數據又有時間序列的數據，因此其存在截面數據沒有的優勢，在用stata進行面板數據的估計時，一般選擇xtreg命令進行擬合。本節主要論述短面板的stata實現，即時間維度T相對於截面數n較小的數據。在那種情況下，由於T較小，每個個體的信息較少，故無從討論擾動項是否存在自相關，我們一般假設其獨立同分布。 面板數據維度的確定 在面板數據進行模型估計前，要進行面板數據的維度確定。由於面板數據既有截面數據又有時間序列，而stata不能自動識別，因此，必須使得stata得知哪一部分是截面數據，而哪一部分是時間序列。 設置面板數據維度的基本命令為： xtset panelvar timvar [, tsoptions] 其中panelvar代表截面數據變數，timvar代表時間序列變數。 選取某一面板數據進行維度設定（該數據研究職業培訓津貼對廠商廢棄率的影響）： xtset fcode year 固定效應估計 xtreg可以估計固定效應與隨機效應，兩者的差異在於選項的不同。 xtreg用來做固定效應的語法是： xtreg depvar [indepvars] [if] [in] [weight] , fe [FE_options] 其語法可以help xtreg獲得。（說明，其中xt表示面板數據的命令，因此，在stata中輸入help xt可以學習面板數據描述、估計等命令。） 選取某一數據進行擬合： xtreg lscrap d88 d89 grant grant_1,fe 結果顯示如下： 其中，(1)表示組內、組間、總體的R方，其中固定效應看組內R-sq，隨機效應看總體R-sq。 (2)表示個體效應與解釋變數的相關系數。 (3)F檢驗表示模型整體顯著性。 (4)U表示個體觀測效應，sigma_u為個體效應的標准差 E表示隨機干擾項，u+e為所謂的混合誤差，rho是指個體效應的方差占混合誤差方差的比重。 備註：（1）（2）（3）（4）分別對應一下的四張照片 隨機效應估計 xtreg用來做隨機效應的語法是： xtreg depvar [indepvars] [if][in] [weight] , re [RE_options] 與上一部分類似的估計 xtreg lscrap d88 d89 grantgrant_1,re （1） 與固定效應不同的是，固定效應F檢驗處，此處為瓦爾德卡方檢驗，同樣表示模型整體顯著性。 固定效應與隨機效應的選擇：豪斯曼檢驗 首先，看兩個效應的區別 固定效應與隨機效應的區別 區別一： FE / RE 模型可統一表述為： y_it = u_i + x_it*b + e_it 對於FE，個體效應 u_i 被視為一組解釋變數，為非隨機變數，即 N-1 個虛擬變數；對於RE，個體效應 u_i被視為干擾項的一部分，因此是隨機變數，假設其服從正態分布，即 u_i~N(0, sigma_u^2)； 在上述兩個模型的設定中，e_it都被視為「乾乾凈凈的」干擾項，也就是OLS時那個背負著眾多假設條件，但長相極為俊俏的干擾項，e_it~N(0,sigma_e^2)。 需要注意的是，在 FE 模型中，只有一個干擾項 e_it，它可以隨公司和時間而改變，所有個體差異都採用 u_i 來捕捉。而在 RE 模型中，其實有兩個干擾項：u_i 和 e_it，差別在於，第一種干擾項不隨時間改變（這也是所謂的「個體效應」的含義），而第二類干擾項可以隨時間改變。 因為上述對 FE 和 RE 中個體效應 u_i 的假設之差異，二者的估計方法亦有差異。FE可直接採用OLS估計，而RE則必須使用GLS才能獲得更為有效的估計量。 固定效應模型中的個體差異反映在每個個體都有一個特定的截距項上；隨機效應模型則假設所有的個體具有相同的截距項，個體的差異主要反應在隨機干擾項的設定上 。 區別二： 固定效應更適合研究樣本之間的區別，而隨機效應適合由樣本來推斷總體特徵。 其次，Hausman檢驗確定模型形式的選擇。 以上面的面板數據為例 xtreg lscrap d88 d89 grant grant_1,fe est store fe xtreg lscrap d88 d89 grant grant_1,re est store re hausman fe 結果顯示： (1) 原假設為隨機效應，而最終P值為0.7096，接受原假設，模型最終選擇為隨機效應。
7、用stata做SEM結構方程，如何看擬合優度系數如GFI，AGFI等系數？
最好是大於0.9,甚至於大於0.95,這些擬合指標的臨界值都是通過大量的數據模擬得到的,也就是說如果達不到這些指標,模型很可能就是誤設模型,不過我也有看到一篇數據模擬的論文里提到當樣本量小於500的時候,srmr是最合適的指標,如果小於0.05,可以肯定模型正確,若大於0.08,可以肯定是誤設的（適用於數據正態時,偏態時大於0.11認為模型誤設）,而其他的擬合指標表現不穩定,那這個時候主要參考srmr就可以,其他的指標過得去就行,如果樣本量大於1000,NNFI,CFI,IFI這些指標比較合適,0.95以上可以認為模型正確,0.85以下可以斷定模型錯誤（適用於數據偏態時,正態時0.95以下即認為誤設）
你自己根據自己的的數據情況看吧,對於你提到的指標,我相信90%的文獻都說是0.9以上為標準的,這個經驗值還是很可信的,如果你不是正在寫論文,那完全可以接受這個結果,如果你一定想要結果好,那就要麼好好處理處理數據,重新做一下結構方程的分析,要麼就找到相關的文獻支持,以表明你用0.9以下的指標數值是合理的
如果是論文答辯或者發論文,只是0.8過一些那很可能要被答辯老師或者審稿人質疑的,接近0.9應該還勉強可以