01面板数据选读.pptVIP

* 在以上固定效应模型中，我们没有考虑时间效应，这类模型被称为单因子固定效应（one-way fixed effect）模型。 事实上，在一些面板数据中，往往还存在仅随时间变化而不随个体变化的时间效应，例如省区面板数据中的政策效应。 如果将时间效应引入模型，需要建立所谓的双因子固定效应模型（two-way fixed effect）： 其中 被称为时间效应。 5. 双因子固定效应模型 * 与单因子固定效应模型相比，对双因子固定效应模型估计的复杂之处，主要涉及如何处理时间效应。 方法之一：在模型中引入时间趋势项，从而使时间效应仅依时间变化而不随个体变化： 方法之二：在模型中引入时间虚拟变量，即对每一个时期定义一个虚拟变量，然后将这T-1个虚拟变量包含在方程中。 * 如果面板数据中每个时期的个体完全一样，则称为平衡面板（balanced panel）数据模型。 现实：有时难以得到平衡面板数据，例如个体死亡、企业倒闭、个体退出追踪数据调查等等，此时意味着不同时期的个体发生了变化。 由于每一时期观测到的个体不同，这类模型被称为非平衡面板（unbalanced panel ）数据模型。 6. 非平衡面板数据模型 * 问题：非平衡面板数据可能存在内生性问题。例如，在收入的追踪调查中，那些高收入个体更有可能退出调查。 如果某些数据的丢失是内生的，将导致样本不具有代表性（这意味着样本的选择不是随机的），从而使估计量不一致。此时需建立样本选择模型（sample selection model）进行估计。 但是，如果非平衡面板数据中某些数据的丢失，并不会导致内生性问题的产生，则之前的组内估计法仍然可以使用。 * 假定模型1、2和3的残差分别为S2、S3和S1。 构造F统计量 其中，F1和F2分别是针对假设H1和H2而言的。 面板数据模型的设定检验 * 检验步骤： 计算检验统计量F1和F2的值，并确定相应的自由度； 如果计算得到的统计量F2的值小于临界值，则接受原假设H2，选择模型2；否则拒绝原假设H2，运用F1进行下一步检验； 如果统计量F1的值小于临界值，接受原假设H1，选择模型1，否则拒绝原假设H1，选择模型3。 * 注意：现实应用中，在建立面板数据模型时，我们更多的是从所研究的问题本身出发，确定所需的模型，并没有在设定模型的过程中作如上检验； 我们往往将更多的注意力放在判断该建立随机效应模型还是固定效应模型这一问题上； * 3. 静态面板数据模型的估计 两种估计策略：混合回归（将样本中所有个体视为等同，基于同一回归方程进行估计）和截面回归（对每一个个体单独进行估计，得到对应于每一个个体的回归方程）； 与一般的横截面模型和时间序列模型相比，面板数据模型的长处在于它既考虑了横截面数据存在的共性，又能分析模型中横截面因素的个体差异； 因而，我们采用一种中庸的估计方法：假定斜率相同（控制截面个体的共性）而截距不同（控制截面个体的差异）。 * 混合最小二乘回归估计 随机效应模型的估计 GLS估计 组间估计（Between-Groups Estimation） 组内估计（Within-Groups Estimation） 固定效应模型的估计 最小二乘虚拟变量估计 组内估计 一阶差分估计（First Difference Estimation） * 在模型 里，如何对待 和解释变量的相关关系，是区分随机效应和固定效应的关键； 如果将 视为与观测到的解释变量 相关的一种观测不到的随机变量，则 被称为固定效应；如果将其视为与观测到的解释变量 不相关的随机变量，则 被称为随机效应。 相应的模型分别被称为固定效应模型和随机效应模型。 3.1 随机效应模型和固定效应模型 * 固定效应模型意味着 ，而随机效应模型则表明 。 注意：无论在固定效应还是随机效应模型中， 均是一个随机变量。 至于是选择固定效应还是随机效应，我们一般通过Hausman检验进行验证。 * 3.2 面板数据模型估计存在的问题 同一个体在不同时点上的相关性： 所以，对于面板数据模型的估计而言，存在的第一个问题是序列相关。 序列相关问题实际上由什么而导致？ 其次，对于固定效应模型而言，由于不可观测效应与解释变量相关，因此，如果运用OLS方法对其直接进行估计时，估计量将不是一致的。 * 3.3 混合最小二乘回归估计 对于如下模型： 表明不同个体的不可观测效应和斜率系数均一致，我们可以将不同截面的数据按照时间