STATA与面板数据回归1技巧.ppt

面板数据模型与stata软件的应用;一、面板数据类型;表1 1996-2002年中国东北、华北、华东15个省级地区的居民家庭人均消费数据（不变价格）;表2 上市公司的投资与股票账面价值：N=20,T=4;面板数据模型和stata软件应用;举例;面板数据模型形式： 其中， i=1,2,3...N，截面标示； t=1,2,... T，时间标示；xit为k×1解释变量，β为k×1系数列向量 对于特定的个体i 而言， ai表示那些不随时间改变的影响因素，而这些因素在多数情况下都是无法直接观测或难以量化的，如个人的消费习惯、地区的经济结构，法律和产权制度等，一般称其为“个体效应” (individual effects)。;面板数据模型的误差项由两部分组成： 一部分是与个体观察单位有关的，它概括了所有影响被解释变量，但不随时间变化的因素，因此，面板数据模型也常常被成为非观测效应模型； 另外一部分概括了随截面随时间而变化的不可观测因素，通常被称为特异性误差或特异扰动项。 ;GDP;面板模型选择：固定效应还是随机效应;FE（Fixed Effects) Model RE (Random Effects) Model 其中， 是截距中的随机变量部分，代表个体的随机影响;固定效应模型;例如，在研究中国地区经济增长的过程中，以全国28 个省区为研究对象，可以认为这28 个省区几乎代表了整个总体；同时假设在样本区间内，各省区的经济结构、人口素质等不可观测的特质性因素是固定不变的，因此采用固定效应模型是比较合适的。 ;2、而当我们研究某个县市居民的消费行为时，由于样本数相对于江苏省几千万人口是个很小的样本，此时，可以认为个体居民在个人能力、消费习惯等方面的差异是随机的，采用随机效应模型较为合适 随机效应模型： RE认为个体的差异是随机的，其中 非观测的个体差异效应 与随机扰动项一样都是随机变量 ;总结：如果把非观测效应看做是各个截面或个体特有的可估计参数，并且不随时间而变化，则模型为固定效应模型； 如果把非观测效应看作随机变量，并且符合一个特定的分布，则模型为随机效应模型。;3、在实证分析中，一般通过hausman检验判断：由于随机效应模型把个体效应设定为干扰项的一部分，所以就要求解释变量与个体效??不相关，而固定效应模型并不需要这个假设条件； 因此，我们可以通过检验该假设条件是否满足，如果满足，那么就应该采用随机效应模型，反之，就需要采用固定效应模型。 ;Hausman检验的基本思想是：在固定效应u_i和其他解释变数不相关的原假设下，用OLS估计的固定效应模型和用GLS估计的随机效应模型的参数估计都是一致的。反之，OLS是一致的，但GLS则不是； 因此，在原假设下，二者的参数估计应该不会有系统的差异，我们可以基于二者参数估计的差异构造统计检验量。如果拒绝了原假设，我们就认为选择固定效应模型是比较合适的。 ;四、stata软件简介;估计结果;回归诊断：;画图;;;五、Stata对面板数据模型的估计;随机效应模型;Stata对面板数据模型的估计;;;;;Hausman检验;;;