6.跨时横截面数据概要.ppt

跨时横截面数据 主要内容 独立混合截面数据 面板（追踪）数据（线性模型） 固定效应估计 随机效应估计 …… 跨时独立截面数据的混合 同一个总体不同时点上的随机抽样 样本独立但可能不是同分布的，分布可能随时间变化 可以增加样本容量；经济关系随时间变化 两个时期的函数是否有结构性变化 邹检验；或检验年份虚拟变量与所有变量的交互项 政策分析 自然实验或准自然实验 实验组对照组*变化前后 控制对照组和处理组之间 的系统性差异 实验组 对照组 差分 实施前 实施后 差分 双重差分 两期追踪数据 两个时期的横截面数据都具有相同的个体 便于处理不随时间变化的遗漏变量问题 面板数据中观测不到的因素分为两类：固定不变的；随时间变化。 两期追踪数据回归模型可写为 非观测效应，不可观测异质性，固定效应 复合误差（composite error） 如果对上式做差分，得到 如果 不相关，并且 是有变化的，则可利用OLS估计，此时得到一阶差分估计量 可以与 相关，但只要不随时间变化 多时期面板数据 多时期面板数据中，如果固定效应与其中任一解释变量相关，且固定效应被忽略，则混合OLS将导致偏误且非一致性的估计量 如果将相邻两个时期做差分，则可以去掉不可观测的固定效应。 注意：数据编排方式是正确的 还必须假设 是序列不相关的 是否序列相关的检验 对差分方程进行AR(1)调整 固定效应估计 模型为 对每个i根据时间求平均 对该式的估计为组间估计量 组间估计量 没有考虑到时间上变化所提供的重要信息 上述两式相减，得到 对此可使用OLS估计，所得即为固定效应估计量(fixed effects estimator)，或称为组内估计量(within estimator) 严格外生性假设 ： 与所有时期的每一个解释变量都不相关 所有不随时间变化的解释变量都不能采用固定效应估计 假设 同方差、无时间序列相关性 N×T个观测者，k个自变量，自由度为df=NT–N–k。 固定效应估计：虚拟变量回归 对每个i设定一个虚拟变量，将固定效应视为待估计的变量 问题：会造成许多的解释变量。可能不易估计，会损失很多自由度。 固定效应估计与虚拟变量回归所得到的估计系数、标准误和其他主要统计量是相同的 虚拟变量计算的R2通常都比较高，因为虚拟变量能解释数据变异中的大部分 可检验所有虚拟变量的联合显著性（F检验） 通常感兴趣的是 ，有时也会关注 但通常 是非一致的 给定T，N的增加对于 没有意义；给定N，T增加能得到更好的 通常N很大，T很小（金融数据中，T相对于N很大） 固定效应（FE）vs一阶差分（FD） 在两期面板数据中，FE和FD的结果是相同的 N≥3时，FE和FD不相同，但都是一致的 如果 无序列相关性，则FE比FD更有效 如果 遵循随机游走， 不存在序列相关，则FE更好 如果 存在时序相关，但不是随机游走，则不易比较 可以同时给出两种方法的估计结果 T很大，N不是很大时 经典固定效应假定很容易被违背 时间序列相关性较弱，则FE比较好 如果I(1)，则FD比较好 随机效应估计 对于模型 固定效应估计的基本思路中，认为 与 可能是相关的，因此需要在估计中被消去 假如 与 是不相关的，FE和FD的估计就可能导致非有效的估计量 FE和FD的做法都减少了自由度 假设 ，对所有时期、所有变量都成立 则可通过混合OLS来估计，但需注意误差项的方差结构 只有相同个体的随机误差项在时间上才是相关的，即 可以采用GLS进行估计，对数据进行变换以调整误差项的方差结构 方程变换为 随机效应模型可以估计不随时间变化的解释变量，但必须注意，前提是非观测效应与所有的解释变量都不相关 的估计 混合OLS， ；FE， 当非观测效应相对不重要时， 趋向于0，RE估计量接近混合OLS 随着T增大， 趋向于1，RE和FE两种估计非常相似 随机效应还是固定效应 如果把非观测效应当做是待估参数，则使用固定效应 固定效应等同于认为每个观测有一个不同的截距，并且看通过引进虚拟变量或差分等方法去估计 如果把非观测效应看做是随机变量，并且与所有的解释变量之间都是不相关的，则可使用随机效应 但如果非观测效应与某些解释变量可能是相关的，则需使用固定效应，随机效应的结果是非一致的 Hausman检验 检验固定效应和随机效应估计系数是否相等 如果相等，则用随机效应模型 如果不相等，则用固定效应模型 面板数据中的其他问题 一些可使用面板数据方法的数据结构 利用同胞（si