02面板数据分析.ppt

* 动态面板数据模型 简介 动态面板数据模型的估计 动态面板数据模型的检验 * 经济增长模型：加入滞后的增长率； 犯罪问题：加入滞后的犯罪率； 如果在面板数据模型中，解释变量包含了因变量的滞后值，则称之为动态面板数据模型。 1. 简介 * 动态面板数据模型的基本形式： 存在的问题： 个体异质性——序列相关； 随机效应和固定效应； 解释变量的问题——滞后因变量； * 静态模型估计量 随机效应模型 FGLS估计量 组间估计量（Between-Groups Estimator） 组内估计量（Within-Groups Estimator） 固定效应模型 最小二乘虚拟变量估计 组内估计量 一阶差分估计量（First Difference Estimator） * 动态面板数据模型的组内变换： * 由于 中包含了 的信息，而 与 相关，故 与 相关。 因此，以组内变换得到的固定效应估计量是不一致的，被称为动态面板偏差（dynamic panel bias）。 * 一阶差分变换： 因此， 是内生变量，需要寻求工具变量。 * * Anderson-Hsiao（1981）估计量 本质：一阶差分+工具变量 Arellano-Bond（1991）估计量 本质：一阶差分+GMM估计 Arellano-Bover（1995）估计量 本质：水平GMM估计 Blundell-Bond（1998）估计量 本质：系统GMM 估计 2. 动态面板数据模型的估计 * Anderson-Hsiao（1981）估计量 考虑固定效应模型 注意：我们也可以考虑加入其他外生变量X的模型，但为了分析方便，此处以上述简化模型为基础进行分析； 滞后一期： 一阶差分： 问题——存在内生性： * 找 的工具变量Z： 如果残差项不存在序列相关，则 可以作为 的工具变量，即滞后两期的水平变量作为滞后一期差分的工具变量。 问题：除了 之外，还有其他的工具变量吗？ * Arellano-Bond（1991）估计量 正因为更高阶滞后同样也可以作为工具变量，而Anderson-Hsiao（1981）对此未加以充分利用，因而不是最有效率的。 Arellano-Bond（1991）提出的方法：在一阶差分的基础上，使用所有可能的滞后变量作为工具变量再进行矩估计。 此即所谓的差分GMM（difference GMM）估计。 * Arellano-Bond（1991）估计量 如果残差项不存在序列相关，则残差项的一阶差分 与(t-2)期之前所有的 不相关： * 据此，得到矩条件： 我们将上述矩条件称为一阶差分矩条件； 工具变量： * GMM估计量最小化损失函数： 便能得到 和 的参数估计量 。 权重矩阵W定义如下： * 表面上，用 作为 的工具变量得到的参数估计量是一致的； 和 之间的相关性： 当 时， 是 的弱工具变量。 此外，当T较大时，存在很多工具变量，由于滞后期越大相关性越弱，也会产生弱工具变量问题。 一阶差分估计量的缺陷 问题1：弱工具问题 * 问题2：与静态固定效应模型估计一样，对原模型的估计存在一个差分的过程，不随时间变化的变量（例如分析性别和教育程度对工资的影响）在这一过程中被差分掉了，因而无法估计这些变量的影响效应； 问题3：需要保证扰动项不存在自相关。 * Arellano Bover（1995）重新对水平方程进行分析，即直接估计水平方程。 Arellano Bover（1995）提出，用 作为 的工具变量。 易知，两者是相关的： Arellano-Bover（1995）估计量 * 为了保证工具变量的外生性，还需 与随机误差项 不相关。这等价于 不存在自相关： 与此同时， 也不能与 相关。 相应的估计量被称为水平GMM（level GMM）估计量。 * Blundell-Bond（1998）估计量 以Arellano-Bond（1991）和Arellano Bover（19