面板数据新.pptVIP

面板数据回归;面板数据是同时在时间和截面上取得的二维数据。所以，面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。 ;面板数据用双下标变量表示。例如 Yit, i = 1, 2, …, N； t = 1, 2, …, T 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。 ;Stata中面板数据的表示;在stata中，首先使用xtset命令指定个体特征和时间特征，然后可以用xtdes命令显示面板数据的结构。 use grunfeld,clear xtset company year xtdes ;面板数据的建模方法主要有三种： 固定效应回归模型 随机效应回归模型 混合回归模型;固定效应模型;固定效应模型;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd.;对于固定效应模型，可采用虚拟变量法。 基本思想：固定效应模型实质上就是在传统的线性回归模型中加入 N-1 个虚拟??量，使得每个截面都有自己的截距项。由于固定效应模型假设存在着“个体效应”，每个个体都有其单独的截距项。这就相当于在原方程中引入n?1个虚拟变量（如果省略常数项，则引入n个虚拟变量）来代表不同的个体，获得每个个体的截据项。;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd.;例如：共有7个州，方程可以写成： ;如何理解个体效应、个体截距项的不同以及虚拟变量的引入？ 我们用一份模拟的数据来分析： use example,clear xtset company year xtdes 1。 画出散点图和拟合线，并建立OLS回归方程。 2。加入虚拟变量，并重新画出建立OLS回归方程。;reg y x;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd.;gen d1=0 gen d2=0 replace d1=1 if id==2 replace d2=1 if id==3 reg y x d1 d2 ;固定效应模型的估计算法;(式1) – (式2)，得：;固定效应模型的优势和劣势;在交通事故死亡人数中的应用;固定效应模型的stata实现;回归结果解读;1。因为固定效应模型是组内估计量（离差），因此，只有within是一个真正意义上的R2，其他两个是组间相关系数的平方。 2。右侧的F统计量表示除常数项外其他解释变量的联合显著性。最后一个F检验，原假设所有U_i=0，即不存在个体效应，此时证明pooled ols （混合回归）更有效。;3。corr(u_i, Xb) 个体效应与解释变量的相关系数，相关系数为0或者接近于0，可以使用随机效应模型；相关系数不为0，需要使用固定效应模型。 4。 sigma_u：表示个体效应的标准差 sigma_e：表示干扰项的标准差 rho：rho = sigma_u^2 / (sigma_u^2 + sigma_e^2) 表示个体效应的波动占整个波动的比例。;拿到一份面板数据，现在我们有四种方法进行估计： 1。当作一份截面数据直接估计，这称为混合OLS(pooled ols )。 2。利用组内离差法进行估计，这被默认为固定效应模型的一般估计方法。 3。假设有i个个体，加入i-1个虚拟变量。 4。为了得到每个个体具体的截距项，加入i个虚拟变量，同时省略常数项。 我们用这四种方法进行估计并比较结果。;use invest, clear xtset company year 方法1： reg invest mvalue kstock est store ols 方法2： xtreg invest mvalue kstock,fe est store panel_1;方法3： tab company , gen(d) reg invest mvalue kstock d2 d3 d4 d5 est store panel_2 方法4： reg invest mvalue kstock d1 d2 d3 d4 d5, nocons est store panel_3 est table *, b(