面板数据分析分析报告.pptVIP

在表8.9的回归结果中，我们可以看到，横截面随机效应模型拟合得也很好，模型整体是显著的，回归系数的估计结果也是显著的，并且符号与预期一致。因此，我们到底应该选择固定效应模型还是随机效应模型呢？ 首先，我们进行Breusch和Pagan的LM检验，它需要用到合并回归的残差序列。计算的结果，得LM=425.30 ，它远远的超过了5%显著性水平下的临界值?2(1) =3.84。因此，可以认为，可能存在随机效应。但是，如前面所述，它不排除固定效应存在的可能性。因此，我们进一步进行Hausman设定检验。EViews6中的Hausman设定检验的结果如表8.10所示。 表8.10 Hausman设定检验的结果 Correlated Random Effects - Hausman Test Pool: POOL01 Test cross-section random effects Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.? Cross-section random 3.405351 3 0.3332 Cross-section random effects test comparisons: Variable Fixed?? Random? Var(Diff.)? Prob.? LOG(Q) 0.918704 0.905328 0.000266 0.4119 LOG(PF) 0.415808 0.421415 0.000038 0.3621 LOG(LF) -0.552730 -0.549302 0.000280 0.8376 根据表8.10，我们无法拒绝原假设，也就是说，应该设定随机效应模型。综合以上分析可以认为，横截面随机效应模型是更好的选择 。 本章思考与练习 8.1 什么是双向误差模型和单向误差模型？他们之间有什么区别？ 8.2 什么是固定效应模型？它有什么基本假定？ 8.3 如何在横截面固定效应模型、时间固定效应模型和双向固定效应模型之间进行选择？ 8.4 什么是随机效应模型？它与固定效应模型的区别是什么？如果判断一个面板数据模型是固定效应模型还是随机效应模型？ 8.5 以下是3家公司关于投资(y)和利润(x)在10个时期的数据 t i=1 i=2 i=3 y x y x y x 1 13.32 12.85 20.30 22.93 8.85 8.65 2 26.30 25.69 17.47 17.96 19.60 16.55 3 2.62 5.48 9.31 9.16 3.87 1.47 4 14.94 13.79 18.01 18.73 24.19 24.91 5 15.80 15.41 7.63 11.31 3.99 5.01 6 12.20 12.59 19.84 21.15 5.73 8.34 7 14.93 16.64 13.76 16.13 26.68 22.70 8 29.82 26.45 10.00 11.61 11.49 8.36 9 20.32 19.64 19.51 19.55 18.49 15.44 10 4.77 5.43 18.32 17.06 20.84 17.87 （1）合并数据，估计以下模型的最小二乘系数： （2）估计横截面固定效应模型，并检验假设：三家公司的常数项是相同的。 （3）估计横截面随机效应模型，并进行LM检验。 （4）进行Hausman设定检验。 8.6考虑面板数据模型： 假定： 求 ，并讨论应如何构造一个可行的GLS估计量。 8.7 当N=2,T=2时，在A1—A5的假定下，写出双向随机效应模型的随机扰动项的方差—协方差矩阵 的具体形式。 8.8 对于当T=2时的一元横截面固定效应模型 设该固定效应模型的斜率的协方差估计结果为 。另外，对于一阶差分模型 　　　，其中， 。 假设一阶差分模型斜率的OLS估计的结果为 。证明： = 。 令 可以证明，统计量 渐近分布于自由度为K的 分布。 第四节 实证分析 美国航空公司成本函数的固定效应模型 美国航空公司成本函数的随机效应模型 8.4.1 美国航空公司成本函数的固定效应模型 美国6家航空公司1970—1984年共90个观测值的成本数据见表8.1。 表8.1 美国6家航空公司成本数据，1970--1984 obs COST