第六章面板数据模型讲述.pptx

第六章 面板数据模型 引例. 数据的分类与特点 常见的数据类型包括: 1. 截面数据 (同一时间不同个体构成的数据) 特点: 具有独立性和异质性 2. 时间序列数据(同一个体不同时间观测构成的数据) 特点: 具有同质性和相关性 3. 面板数据(不同个体在不同时间的观测构成的数据) 特点: 具有异质性和相关性 例如：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和人均收入（不变价格）数据见下表。数据是7年的，每一年都有15个数据，共105组观测值。 1996-2002年中国15个省级地区的居民家庭人均消费数据（不变价格） 1996-2002年中国15个省级地区的居民家庭人均收入数据（不变价格） 图1 面板数据示意图 人均消费和收入的面板数据从纵剖面观察分别见图2和图3。从横截面观察分别见图4和图5。用CP表示消费，IP表示收入。AH, BJ, FJ, HB, HLJ, JL, JS, JX, LN, NMG, SD, SH, SX, TJ, ZJ分别表示安徽省、北京市、福建省、河北省、黑龙江省、吉林省、江苏省、江西省、辽宁省、内蒙古自治区、山东省、上海市、山西省、天津市、浙江省。 图2 15个省市人均消费序列（纵剖面） 图3 15个省市人均收入序列 图4 15个省市人均消费散点图 (每条连线表示同一年度15个地区的消费值) 图5 15个省市人均收入散点图(7个横截面叠加) (每条连线表示同一年度15个地区的收入值) 15个地区7年人均消费对收入的面板数据散点图见图6和图7。图6中每一种符号代表一个省级地区的7个观测点组成的时间序列。相当于观察15个时间序列。图7中每一种符号代表一个年度的截面散点图（共7个截面）。相当于观察7个截面散点图的叠加。 图6 用15个时间序列表示的人均消费对收入的面板数据 图7 用7个截面表示的人均消费对收入的面板数据（7个截面叠加） 图8给出北京和内蒙古1996-2002年消费对收入散点图。图9给出15个省级地区1996和2002年的消费对收入散点图。 图8 北京和内蒙古1996-2002年消费对收入时序图 图9 1996和2002年地区消费对收入散点图 本章讨论以下问题 一. 面板数据模型的建立 基本概念 面板数据模型的类型 面板模型系数的经济意义及预测 二. 面板数据模型的估计 混合模型的估计 固定效应模型的估计 随机效应模型的估计 三. 面板数据模型的选择 一. 面板数据模型的建立 1. 基本概念 面板数据（panel data）也称也称平行数据，或时间序列截面数据（time series and cross section data）或混合数据（pool data），是指在时间序列上取多个截面，在这些截面上同时选取样本观测值所构成的样本数据。面板数据从横截面上看，是由若干个体在某一时刻构成的截面观测值，从纵剖面上看是一个时间序列。 面板数据用双下标变量表示。例如 N表示面板数据中含有N个个体。T表示时间序列的最大长度。 2. 面板数据模型的类型 设 为被解释变量在横截面i和时间t上的数值， 为第k个解释变量在横截面i和时间t上的数值， 为横截面i和时间t上的随机误差项； 代表第i截面上的不可观测的个体影响因素；解释变量数为k=l，2，…，K；截面数为i=1，2，…，N；时间长度为t=1，2，…，T。其中,N表示个体截面成员的个数，T表示每个截面成员的观测时期总数，K表示解释变量的个数。则单方程面板数据模型一般形式可写成： 在面板回归模型的一般形式中，由于个体因素无法观测， 不能直接进行估计，因此我们考虑一下三种情况： 混合模型(pool model) 这种情形意味着模型在横截面上无个体影响、无结构变化，可将模型简单地视为是横截面数据堆积的模型。这种模型与一般的回归模型无本质区别，只要随机扰动项服从经典基本假设条件，就可以采用OLS法进行估计（共有K+1个参数需要估计），该模型也被称为联合回归模型(pooled regression model)。 (2) 随机效应模型(random effects model) 如果个体效应存在，但我们假设其与解释变量不 相关，即 ， 那么我们可以建立以下随机效应模型：