7 补充专题.pptVIP

Xianghong Shirley Wang 第七章 补充专题 主要内容 面板数据模型 定性选择模型 混合数据（pooled data）是将截面数据和时序数据结合在一起的数据。 如果混合数据包含的观测值来自同一批地区、公司、人员或其他截面个体的不同数据，则此类混合数据称为面板数据（panel data）。 我们将基于面板数据的回归模型称为面板数据模型（panel data model）。 面板数据模型已经成为计量经济学的一个独立分支。 经济分析中的面板数据问题 宏观经济分析中：目前应用较多，数据较容易获得，例如多个地区的时间序列数据 微观经济分析中：目前应用较少，很难获得微观个体（家庭、个人）的时间序列数据 一个实例 来源于古扎拉蒂教科书中引用的Y.Grunfeld提出的一个有关投资理论的研究 数据为4个公司（通用电气GE、通用汽车GM、美国钢铁US、西屋电气Westing house）1935－1954年的厂商价值（CAP）、厂房设备存量（PL）和总投资（I）三个变量的信息 详见Table16－1 我们用这个面板数据具体分析：企业的实际价值和资本存量如何决定实际总投资 面板数据模型的三种情形 情形1，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和的一致有效估计。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2，变截距模型(Panel Data Models with Variable Intercepts) 。在横截面上个体影响不同，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，变系数模型(Panel Data Models with Variable Coefficient) 。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。 表面不相关回归 表面不相关回归（Seemingly unrelated regression，SUR）是一组似乎不相关但实际上相关的回归方程。 在表面不相关回归中，各个回归之间实际上是有关联的。它容许各个回归方程的扰动项之间存在跨方程相关，这样，SUR估计程序就可以使用扰动项的相关来改善估计值。 各个回归之间任何的相关都是有价值的信息，SUR程序可以使用这些信息改善系数估计值。 表面不相关回归的具体步骤 用OLS法分别估计每个方程，计算和保存回归中得到的残差； 用这些残差来估计扰动项方差和不同回归方程扰动项之间的协方差； 上一步估计的扰动项方差和协方差被用于执行广义最小二乘法，得到各方程系数的估计值。 表面不相关回归得到的估计值是一致估计值 在下面两种情况下，表面不相关回归与分别运行OLS回归结果相同： 若各方程的扰动项之间的协方差都等于0； 若各方程的自变量都相同，并且每个自变量的每个观测值亦相同。 固定影响模型与随机影响模型 固定影响模型（fixed effects model，FEM）将横截面个体之间的差异解释为截距不同，而斜率系数相同。它处理地区、公司、人员或其它横截面个体之间差异的思路是允许截距变动，不同的横截面个体的截距是不同的，但每个产业的截距在各个时期则保持不变。 随机影响模型（random effects model，REM）像固定影响模型一样，通过允许截距变动来处理横截面个体之间的差异，但变动的数量是随机的。如果横截面个体是随机地被选择出来以代表一个较大的总体，则采用随机影响模型比较合适。不同的横截面个体的不同截距被认为是从一个正态分布总体中随机抽取的。 固定影响模型 固定影响模型的一般形式为： 具体到我们的实例，模型可以设定为： 固定影响模型通过使用虚拟变量的方法来解决截距变动问题。 虚拟变量的设定 对于我们的例子，有4个企业，我们应当设3个虚拟变量，因为设3个就可以区分4个产业的截距，并且，如果设4个虚拟变量的话，我们会掉进所谓的“虚拟变量陷阱”，从而造成完全的多重共线性。 在固定影响模型中，还有另一种避开虚拟变量陷阱的方法，就是在模型中去掉常数项，然后为每个截面设一个虚拟变量，比如： D1＝1 观测值属于GE；否则为0 D2＝1 观测值属于GM；否则为0 D3＝1 观测值属于US；否则为0 D4＝1 观测值属于WEST；否则为0 由于我们使用了虚拟变量，因此固定影响模型又被称为最小二乘虚拟变量（LSDV, Least-Squares Dummy-Variable ）模型，或协方差模型。 由于各截距项虚拟变量捕捉到了横截面个体之间的差异，因此LSDV模型拟合的结果一般会好于情形1估计的结果。 通过F检验检验变截距假设 固定影响模型的推广 固定影响模型也可以通过再加上斜率虚拟变量的办法推广到