张晓桐计量经济.pptVIP

Hausman检验 H0: 个体随机效应回归模型 H1: 个体固定效应回归模型 H 临界值，建立个体固定效应； H 临界值，建立个体随机效应回归模型。 面板数据模型的检验方法 面板数据的单位根检验（相同根情形） 1．Quah检验（1990） 2．LL（Levin-Lin）检验（1992） 3．LLC（Levin-Lin-Chu）检验（2002） 4．Breitung检验（2002） 5．Hadri检验 6．Abuaf-Jorion检验（1990），Jorion-Sweeney检验（1996） 7．Bai-Ng检验（2001），Moon-Perron检验（2002） 8．IPS（Im-Pesaran-Shin）检验（1997,2002） 面板数据的单位根检验（不同根情形） 9．MW（Maddala-Wu）检验（1997） 10．崔仁（In Choi）检验（2001） 11．Vanessa（Vanessa et al.）检验（2004） 12．Taylor-Sarno检验（1998） 面板数据的协积（协整）检验 Pedroni 协积检验：以Engle-Granger协积检验方法为基础构造检验统计量，标准化以后渐近服从标准正态分布。（1999, 2004） Kao协积检验：以Engle-Granger协积检验方法为基础构造检验统计量，标准化以后渐近服从标准正态分布。（1999） Fisher 个体联合协积检验（combined individual test）：用个体的协积检验值构造一个服从?2分布的累加统计量检验面板数据的协积性。(Maddala and Wu 1999) 11．离散选择模型与受限模型 Tobit 模型（离散选择模型） Logit模型、Probit模型（离散选择模型） Logit模型、Probit模型（离散选择模型） 案例：天津市农户劳动力的非农业就业模型（750户）。 教育程度对劳动力的非农业就业倾向有着非常明显的作用 Logit 模型估计值与拟合值散点图 Logit 模型估计值与潜在变量散点图 图1 预测概率值 图2 预测累积概率值 蒙特卡罗模拟技术的应用将越来越广泛。 结束，谢谢. 4．波动模型 序列的特征是“波动集群”、分布是“高峰厚尾” 日元兑美元汇率差分序列（收益）D(JPY) 高峰厚尾分布特征示意图 高峰厚尾分布曲线 正态分布曲线 ARCH，GARCH模型可以预测被解释变量的方差。对于金融时间序列预测的是风险。 建立ARCH，GARCH模型可以提高均值方程参数估计的有效性。 案例：日元兑美元汇率的建模研究 1995.1-2000.8日元兑美元汇率值（1427个）序列（JPY）见图。极小值为81.12日元，极大值为147.14日元。其均值为112.93日元，标准差是13.3日元。1995年4月曾一度达到81.12日元兑1美元。 JPY的差分序列D(JPY)表示收益。用D(JPY)建立时间序列模型。 日元兑美元汇率（JPY）时间序列 DJPY时间序列 均值方程的估计式 ARCH 模型的选择 随机波动模型 4．波动模型 ACD和SCD模型 5． VAR与VEC模型 向量自回归（VAR）模型定义 案例1：上海证券交易所上证指数和股票交易 总成交量关系研究（file: 2120061741-shan） 上海证券交易所上证指数和股票交易总成交量序列图 VAR的预测非常准确 6期VAR的预测结果 VAR的平稳性分析 2期VAR的特征根 6期VAR的特征根 VAR模型稳定的一种判别条件是，特征方程 | ?1 - ? I | = 0的根都必须在单位圆以内。 检验结果如下： Granger非因果性检验 （当概率小于0.05时，表示推翻原假设） 其中滞后20期的输出结果: VAR的脉冲响应分析 DLOG(SHP) 和 DLOG(SHQ) VAR(3)的脉冲相应 VAR的方差分解 DLOG(SHP) 和 DLOG(SHQ) VAR(3)的方差分解 VAR的协积检验 向量误差修正模型（VEC模型） VAR(2)基础上的VEC模型 VAR(6)基础上的VEC模型 8．分位数回归模型 上证A股和B股收益散点图 OLS回归直线和第0.25、0.5、0.75分位数回归直线 9．面板数据模型 面板数据示意图 面板数据