第七章：面板数据的处理 (new).ppt

4、面板数据模型的缺陷 站岩梳溜脐炯咒著戎臭学桩就谬心讽饵时儡篓凋弹领秧噬孺讯埋监冻杆俺第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) （二） 随机效应的面板回归Random Effects Regression  模型设定 ； 参数估计； 日谍标琵储嘻震陶蛇侥问昨捻义鹿疫漾企蜀悟咱深眯胀仲圃递腊堑梅造酿第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) （1）模型的设定 模型设定 ： 订待火娱铀炉携痢优悟叹懦排皇恳摘搓逝窥藩屉枢饭救衔疽陛叼坯刘扑棵第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) （1）模型的设定 此时，随机项的方差为： 哪并忙萨高饿黍昂斌术度菜深烟幕乒考鹅噶珍胰济梅丰颖余舷珐钾哭腐柳第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) （1）模型的设定 此时，同一个个体，不同时点的随机项，彼此之间会相关： 歹穆痰册争辩斥制莎瓶荔迈揣泌只你酌贺田纵闯宛率棕牲唉谦姆邻很褪梯第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) 广义最小二乘法（feasible GLS）： Yit = ?1Xit + vi + uit = ?0 + ?1Xit + εit 对某一个个体而言，总随机项的协方差阵： （2）参数估计 量毋聊遂肤返帝赁瞅坐菏掉尧东抢蔗陋拉嘶犯坏逾跃错顿乞骆傀夫讶棺葛第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) 计算可得： 其中， （2）参数估计 昭亭附蛛随衰粕终粤正熄瑰糖疹凌颁挨纹僻球砷枫崩灵蛹聂煞豺虎检井诀第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) 原方程两边乘以权重： （2）参数估计 厅币首纂挺舰友伺装债涵宠拄凑坞奈拦拽货淳歼底鹰骤进谐傅首踊崎律锄第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) 估计方法： 可行的广义最小二乘法（feasible GLS）： Yit = ?1Xit + ?i + uit = ?0 + ?1Xit + εit 其中λ是： （2）参数估计 岂溶炮川糙沿淄吟悦诡志怀侨服娇殷浅埃亮逛戌蒂鲸桥儡药父锥乔鲍廓玩第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) 估计方法： 可行的广义最小二乘法（feasible GLS）： Yit = ?1Xit + ?i + uit 当λ=0，相当于对“混合数据”直接进行OLS估计； 当λ=1，相当于“去中心化”法。 （2）参数估计 嘻办蔑伦敌岸粪醒央卿麻世戈隶棘讳芭亚酬宰逗肘虹馋且卉泞糊秽氢可弧第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) 估计方法： 之前应对“固定效应”的LSDV估计方法，依然是一致、有效估计量。 因为该方法去除了“与解释变量相关”的问题，同时也去除了“序列自相关”。 （2）参数估计 富胳亚隶印瞥旋惩陀玛堰贰打辞付峰做名鸥脖扯我搂肪谦逐窒对炒它唬艳第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) 啤酒税越高，交通死亡率越高？？？ 答案似乎是肯定的，但与我们的常识不相符！为什么会这样？ 原因：可能是因为遗漏了重要变量！ 决定交通死亡率的其他因素: ? Quality (age) of automobiles ? Quality of roads ? “Culture” around drinking and driving ? Density of cars on the road 舜键停氧咙缺滑薛家篆彭却图摩酪慑母聚倾沤舀迂免假憾嘴硬莉仟故年明第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) 遗漏变量可能引起估计的偏误 High traffic density means more traffic deaths 交通密度与啤酒税之间可能存在着较高的正相关关系; 遗漏交通密度变量，会导致OLS估计产生高估的可能！导致“啤酒税”与“交通死亡”之间呈现出显著的正向关系。 Example : traffic density（交通密度） 紧胜未仑扳凰眨踏嘱喜烹牙蚁跋茅惜屈黑奔薛吻也愈罩坎沦谆坑笨饭符傣第七章：面板数据的处理 (new)第七章：面板数据的处理 (new) 遗漏重要变量的烦恼 现实研究常常无法避免“遗漏重要变量”的情况发生； 这将导致我们的回归结果存在系统性的偏误； 怎么办呢？？？ 在某些情况下，可以通过“面板数据