第九章面板数据模型(计量经济学,潘省初).pptVIP

第九章 面板数据模型 * 第一节 面板数据和面板数据模型 混合数据（pooled data）是将横截面数据和时间序列数据结合在一起的数据。 我们在第一章中曾介绍，横截面数据模型使用同一时点不同个体（entity）的观测值，数据可来自不同地区、公司、人员或其它个体；时间序列数据则是跨越不同时期的同一地区、同一公司、同一个人或其它同一个体的数据。 横截面时间序列混合数据则包含不同横截面个体不同时期的数据，或者说，混合数据包含既跨越时间又跨越空间的数据。 如果混合数据包含的观测值来自同一批地区、公司、人员或其它横截面个体的不同时期数据，则此类混合数据称为面板数据（panel data）。 面板数据通常比非面板混合数据更有用，这是因为面板数据中的地区、公司、人员等横截面个体在各时期中一直保持不变，这使得我们更易于对随着时间的推移所发生的变动进行比较。 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）。面板数据模型正在得到日益广泛的应用，文献也很多。限于篇幅，我们在这里只能做一个入门性的介绍。需要深入研究的读者，请参阅有关参考文献。 Baltagi, B. H.(2001),Econometric Analysis of Panel data, (Wiley: Chichester) Hsiao C. (2003), Analysis of Panel Data, 2nd Edition, (Cambridge University Press) 影印版由北京大学出版社出版，2005 本章中，我们将用一个贯穿始终的例子来说明估计面板数据模型的各种方法。我们的数据来自以下4个产业： 产业1：钢铁； 产业2：橡胶、塑料； 产业3：石制品、陶瓷制品和玻璃制品； 产业4：纺织 模型中用到的变量是： Yit = i产业第t年出口额，单位：百万美元，不变价 EMPit = i产业第t年就业人数，单位：千人 OTMit = i产业第t年平均每周加班小时数 我们收集了上述4个产业这3个变量1980－2000各年的数据。事实上，对于这3个变量中的每一个，都有84个观测值（4个产业乘以21年）。由于在每个时期（每一年）都是这4个产业，因此这些混合数据是面板数据，如表9－1所示。 我们可以通过分别运行4个回归来分析这些数据，每个产业一个回归： 使用表9－1的数据估计（9.1）－（9.4），由于每个产业有21年的数据，因此每个回归中观测值个数都是21。 这种分别对4个产业进行回归的缺点在于可能错失包含在混合数据集中的那种一个产业影响另一个产业的信息。换句话说，一个产业的数据中可能包含有对于估计其它某个产业的回归系数有价值的信息，而这种分别估计每个产业方程的做法无法利用这些信息，这意味着估计值不够准确。 如果我们能够将4个产业的数据结合在一起，我们的样本规模就会增大，从而可以使用所有可获得的信息估计系数。 因此，我们需要讨论那些允许我们使用混合数据的全部信息的估计技术，将跨时间跨空间的数据结合在一起，而不是分别进行时间序列和横截面数据的回归。 要做到这一点，最简单的方法是，假定截距和斜率对于所有产业和所有时期都是一样的，进行下面的回归： 这里每个变量的观测值个数都是84。我们用表9－1中全部数据估计此方程，结果如下： 这种方法的致命缺陷是，估计出来的系数只有在我们前面关于截距和斜率对于所有产业和所有时期都是同样的值的假设成立的情况下才有用，实际情况当然不是如此，比如说，很难想象每个时期中每个产业的就业人数与其出口额之间的关系都相同，增加1000名工人对不同产业出口额的影响应当是不同的。 因此，采用模型（9.5）是不合适的，我们下面讨论可用于面板数据模型的其它估计方法。 第二节 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。表面不相关回归方程看上去不相关是因为它们类似于方程（9.1）－ (9.4)。在前面说到可以分别对它们运行四个回归时，我们事实上有一个冒失而错误的假设：各产业互不相干，因而我们可以分别估计每一个回归方程。回到方程（9.1）－ (9.4)： 在表面不相关回归中，各个回归之间实际上确实有关联。表面不相关回归容许各个回归方程的扰动项之间存在跨方程相关，如上面四个方程中的诸u在任何一个时期中不必相互独立，即不同方程的扰动项之间可以存在同期相关