14-第七章3PanelData模型教材.ppt

§7.3 Panel Data 模型;一、Panel Data 模型概述;1、关于Panel Data Model;常用Panel Data 模型 变截矩模型(Variable-Intercept Models) 固定影响(Fixed-Effects) 随机影响(Random-Effects) 变系数模型(Variable-Coefficient Models) 固定影响 随机影响 动态变截矩模型(Dynamic Models with Variable Intercepts) 固定影响 随机影响;其它Panel Data 模型 联立方程Panel Data模型 离散数据Panel Data模型 选择性样本Panel Data模型 Panel Data单位根检验和协整检验;2、计量经济分析中的Panel Data问题 ;二、Panel Data 模型的设定——F检验;⒈单方程Panel Data模型常见的三种情形 ;情形2：变截距模型。在横截面上有个体影响，无结构变化。即个体影响表现为模型中被忽略的反映个体差异的变量的影响，又分为固定影响和随机影响两种情况。;情形3：在横截面上无个体影响，无结构变化。则普通最小二乘估计给出了一致有效估计。相当于将多个时期的截面数据放在一起作为样本数据。;情形4：不讨论。 Because it is seldom meaningful to ask if the intercepts are the same when the slopes are unequal, we shall ignore the type of restrictions.;情形5：在时间序列上有个体影响，有结构变化。在理论方法方面与情形1相同，不讨论。;情形6：有实践，无理论。;⒉F检验;假设1：斜率在不同的横截面样本点上和时间上都相同，但截距不相同。（情形2） 假设2：截距和斜率在不同的横截面样本点和时间上都相同。（情形3） 如果接收了假设2，则没有必要进行进一步的检验。如果拒绝了假设2，就应该检验假设1，判断是否斜率都相等。如果假设1被拒绝，就应该采用情形1的模型。 主要工作是计算3种情形的残差平方和。下面列出了计算过程，可以忽略。因为在实际应用中，分别对3种情形的的模型进行估计，以得到残差平方和。;F统计量的计算方法 ;;;检验假设2的F统计量;检验假设1的F统计量;Eviews 不能自动进行F检验，需要单独进行检验。 从理论上讲，模型设定检验是不可缺少的。 在实际应用中，最容易被忽视。;二、固定影响变截距模型;1. LSDV模型及其参数估计 ;该模型通常被称为最小二乘虚拟变量(LSDV)模型，有时也称之为协方差分析模型(解释变量既有定量的，也有定性的)。 如果n充分小，此模型可以当作具有（n+K)个参数的多元回归,参数可由普通最小二乘进行估计。 当n很大，甚至成千上万，OLS计算可能超过任何计算机的存储容量。此时，可用分块回归的方法进行计算。 分块回归的思路是：设法消去数量很多的αi，估计β，然后利用每个个体的时间序列数据计算αi 。;e’e=T; β的协方差估计是无偏的，且当n或T趋于无穷大时，为一致估计。它的协方差阵为： ;分块估计的思路： 首先构造1个不含αi，只包含β的模型，对其进行OLS。 然后分别在每个个体上计算αi，分块的含义体现于此。 通过F统计量检验变截距假设;⒊用Eviews估计固定影响变截距模型演示;打开Eviews，建立新工作文件;输入Panel Data的起止时间（1997、2003）;选择建立新的数据文件;数据类型选择（Pool）和文件命名（gdpcons）;输入截面个体名称（BJ、TJ、HB、SX、NM）;选择Sheet，输入变量名（GDP?、CONS?）;出现数据表;输入数据、显示数据;在数据表界面上，选择Estimate命令，进行估计;估计;输出;结果;三、固定影响变系数模型;将βi视为固定的不同的常数时，可写成： ;显然，如果随机干扰项在不同横截面个体之间不相关，上述模型的参数估计极为简单，即以每个截面个体的时间序列数据为样本，采用经典单方程模型的估计方法分别估计其参数。即使采用GLS估计同时得到的GLS估计量，也是与在每个横截面个体上的经典单方程估计一样。 条件： ;如果随机项在不同横截面个体之间的协方差不为零，GLS估计比每个横截面个体上的经典单方程估计更有效。 为什么？