第九面板数据模型精要.ppt

第一节 面板数据 第二节 面板数据回归模型 第三节 混合回归模型 第四节 变截距回归模型 第五节 变系数回归模型 第六节 效应检验与模型形式设定检验 第七节 面板数据的单位根检验和协整检验 第八节 案例分析 第二节 面板数据回归模型 一、面板数据回归模型的一般形式： 其中，i=1, 2, …,N 表示个N个体； t=1, 2, …,T 表示T个时期；yit为被解释变量, 表示第i个个体在t时期的观测值；xkit 是解释变量, 表示第k个解释变量对于个体 i 在时期 t 的观测值； 是待估参数；uit是随机干扰项。 根据对截距项和解释变量系数的不同假设，可将面 板数据回归模型分为：混合回归模型、变截距回归 模型和变系数回归模型3种类型。 混合回归模型:假设截距项和解释变量系数对于 所有的截面个体成员都是相同的，即假设在个 体成员上既无个体效应，也无结构变化。 变截距回归模型:假定在截面个体成员上截距项 不同，而模型的解释变量系数是相同的 变系数回归模型:假定在截面个体成员上截距项 和模型的解释变量系数都不同。 根据 和 与模型解释变量是否相关，面板 数据的个体效应和时间效应又分两种情形：固 定效应和随机效应。 一、变截距模型的分类 1.个体固定效应变截距模型一般形式： （二）随机效应变截距模型 （一）固定效应变截距模型的估计 （1）个体固定效应变截距模型一般形式： (2) 同期相关协方差情形的SUR估计 同期相关协方差是指不同的个体成员同一时期的随机干扰项是相关的，但其在不同时期之间是不相关的。 当残差具有同期相关协方差情形时，SUR加权最小二乘是可行的GLS估计量： 此时? 的SUR估计为： （二）随机效应变截距模型的估计 EViews按下列步骤估计随机影响模型： 第五节 变系数回归模型 前面所介绍的变截距模型中，横截面成员的个 体影响是用变化的截距来反映的，即用变化的截距 来反映模型中忽略的反映个体差异的变量的影响。 然而现实中变化的经济结构或不同的社会经济背景 等因素有时会导致反映经济结构的参数随着横截面 个体的变化而变化。因此，当现实数据不支持变截 距模型时，便需要考虑这种系数随横截面个体的变 化而改变的变系数模型。 变系数模型的一般形式如下： 为变系数，反映模型结构随截面的变化而变化。 类似于变截距模型，变系数模型也分为固定影响变系数模型和随机影响变系数模型两种类型。 EViews按下列步骤估计变系数模型： 第六节　效应检验与模型形式设定检验 一、Hausman检验 建立面板数据模型前的首要任务是确定被解释变量与截距项和系数的关系，截距项是否相同、系数是否一致，是固定效应还是随机效应模型，从而避免模型设定的偏差，改进参数估计的有效性。 对于如何检验模型中个体效应或时间效应与解 释变量之间是否相关，Hausman（1978）提出了一 种严格的统计检验方法——Hausman检验。 固定效应模型：LSDV估计量无偏；GLS估计量有偏。 随机效应模型：LSDV和GLS估计量都无偏，但LSDV 估计量有较大方差；。 固定效应模型：LSDV估计量和GLS估计量的估计结 果有较大的差异。 随机效应模型：LSDV估计量和GLS估计量的估计结 果就比较接近。 Hausman检验的原理 Hausman证明在原假设下，统计量W服从自由度为k（模型中解释变量的个数）的 分布，即 Step1：设定原假设H0 :模型的个体效应或时间效应与解释变量无关； Step2：构造Hausman检验的W统计量 Hausman检验 其中b， 分别为回归系数的LSDV估计向量，GLS估 计向量； 为 之差的方差，即 Hausman检验的操作 EViews中可以实现检验模型中个体影响与解释变量之间是否相关的Hausman检验。为了实现Hausman检验，必须首先估计一个随机效应模型。然后，选择View/Fixed/Random Effects Testing/Correlated Random Effects - Hausman Test，EViews将自动估计相应的固定效应模型，计算检验统计量，显示检验结果和辅助回归结果。 二、模型形式设定检验 为了检验面板数据模型的类型：混合回归模型、变截距回归模型还是变系数回归模型，经常使用的检验是协方差分析检验(F检验)，主要检验如下两个假设： H1：变截距回归模型 H2：混合回归模型 可见如果接受假设 H2 则可以认为模型为混合回归模型，无需进行进一步的检验。如果拒绝假设H2，则需检验假设H1。如果接受