7.3 Panel Data 模型.ppt

一、Panel Data 模型概述 1、关于Panel Data Model 独立的计量经济学分支 比较多地用于宏观经济分析——统计数据 也可以用于微观经济分析——调查数据 几种翻译 面板数据模型 综列数据模型 平行数据模型 时空数据模型 常用Panel Data 模型 变截矩模型(Variable-Intercept Models) 固定影响(Fixed-Effects) 随机影响(Random-Effects) 变系数模型(Variable-Coefficient Models) 固定影响 随机影响 动态变截矩模型(Dynamic Models with Variable Intercepts) 固定影响 随机影响 其它Panel Data 模型 联立方程Panel Data模型 离散数据Panel Data模型 选择性样本Panel Data模型 Panel Data单位根检验和协整检验 2、计量经济分析中的Panel Data问题 研究目的的需要 通过建立计量经济学模型进行经济分析，经常发现，只利用截面数据或者只利用时间序列数据不能满足分析目的的需要。 例如，如果分析生产成本问题。 例如，分析目前我国的结构性失业问题。 数据信息的充分利用 在计量经济分析中，利用信息越多越有效。 利用Panel Data比仅利用截面数据或者时间序列数据更有效。 数据类型选择（Pool）和文件命名（gdpcons） 输入截面个体名称（BJ、TJ、HB、SX、NM） 选择Sheet，输入变量名（GDP?、CONS?） 出现数据表 输入数据、显示数据 在数据表界面上，选择Estimate命令，进行估计 如何在Eviews中估计Panel Data 模型？ 估计 输出 结果 三、固定影响变系数模型 将βi视为固定的不同的常数时，可写成： 将截距项也看作一个虚变量 显然，如果随机干扰项在不同横截面个体之间不相关，上述模型的参数估计极为简单，即以每个截面个体的时间序列数据为样本，采用经典单方程模型的估计方法分别估计其参数。即使采用GLS估计同时得到的GLS估计量，也是与在每个横截面个体上的经典单方程估计一样。 条件： 如果随机项在不同横截面个体之间的协方差不为零，GLS估计比每个横截面个体上的经典单方程估计更有效。 为什么？ 问题的关键是然后求得V矩阵。各种文献中提出各种V矩阵的方法，形成了各种FGLS估计 §7.3 Panel Data 模型 一、概述 二、模型的设定——F检验 三、固定影响变截距模型 四、固定影响变系数模型 二、Panel Data 模型的设定——F检验 ⒈单方程Panel Data模型常见的三种情形 情形1：变系数模型。在横截面上有个体影响，有结构变化。即除了存在个体影响外,在横截面上还存在变化的经济结构，因而结构参数在不同横截面单位上是不同的。 情形2：变截距模型。在横截面上有个体影响，无结构变化。即个体影响表现为模型中被忽略的反映个体差异的变量的影响，又分为固定影响和随机影响两种情况。 情形3：在横截面上无个体影响，无结构变化。则普通最小二乘估计给出了一致有效估计。相当于将多个时期的截面数据放在一起作为样本数据。 情形4：不讨论。 Because it is seldom meaningful to ask if the intercepts are the same when the slopes are unequal, we shall ignore the type of restrictions. 情形5：在时间序列上有个体影响，有结构变化。在理论方法方面与情形1相同，不讨论。 情形6：有实践，无理论。 ⒉F检验 F检验的思路是：将情形2、3分别视为对情形1施加了参数约束。 经典模型中的约束检验： 假设1：斜率在不同的横截面样本点上和时间上都相同，但截距不相同。（情形2） 假设2：截距和斜率在不同的横截面样本点和时间上都相同。（情形3） 如果接收了假设2，则没有必要进行进一步的检验。如果拒绝了假设2，就应该检验假设1，判断是否斜率都相等。如果假设1被拒绝，就应该采用情形1的模型。 主要工作是计算3种情形的残差平方和。下面列出了计算过程，可以忽略。因为在实际应用中，分别对3种情形的的模型进行估计，以得到残差平方和。 F统计量的计算方法 第i群的残差平方和 的残差平方和 的残差平方和 的残差平方和 检验假设2的F统计量 从直观上看，如S3－S1很小，F2则很小，低于临界值，接受H2。 S3为截距、系数都不变的模型的残差平方和，S1为截距、系数都变化的模型的残差平方和。