面板数据模型.pptVIP

第九章 面板数据模型 第一节 面板数据与面板数据模型 第二节 固定影响模型 第三节 随机影响模型 第四节 SUR模型 *第五节 随机系数模型 *第六节 动态面板数据模型 第一节 面板数据与面板数据模型 一、面板数据 混合数据（pooled data）是指将横截面数据和时间序列数据结合在一起的数据。 混合数据包含不同横截面个体不同时期的数据，或者说，混合数据包含既跨越时间又跨越空间的数据。 如果混合数据包含的观测值来自同一批地区、公司、人员或其它横截面个体的不同时期数据，则此类混合数据称为面板数据（panel data）。 相应地，我们将基于面板数据的回归模型称为面板数据模型（panel data model）。面板数据模型可以分为单方程面板数据模型和联立方程面板数据模型；也可以分为线性面板数据模型和非线性面板数据模型（如离散被解释变量面板数据模型、受限被解释变量面板数据模型）。 2．固定影响（fixed effects） 4. 随机系数（random coefficients） 第二节 固定影响模型 二、固定影响模型的参数估计 三、检验个体影响的显著性 第三节 随机影响模型 二、随机影响模型的参数估计 三、随机影响的检验 四、豪斯曼检验（Hausman Test） 第四节 SUR模型 一、表面不相关回归模型 二、表面不相关回归模型的参数估计 三、同期不相关性的假设检验 *第五节 随机系数模型 一、随机系数模型的设定 二、随机系数模型的参数估计 *第六节 动态面板数据模型 事实上，在经济活动中，有许多问题具有同期相关性，例如，在各种资产定价模型中，由于资产处于同一个市场环境中，会共同受到政策、市场环境等不易观测或度量的因素的共同影响，则其扰动项会表现出显著的同期相关性。因此，在研究这些问题时，就可将模型设定为表面不相关模型。 SUR模型的参数估计按以下三个步骤进行： 1．用OLS法分别估计每个方程，计算和保存回归中得到的残差 ； 2．用这些残差来估计扰动项方差和不同回归方程扰动项之间的协方差，即 矩阵中各元素： 于是得到了 和 矩阵的估计值 和 。 3．上一步估计的 矩阵被用于执行广义最小二乘法，得到各方程参数的GLS估计值。 表面不相关回归得到的估计值是一致估计值。在下面两种情况下，表面不相关回归与分别运行OLS回归的结果相同：（1）若各方程的扰动项之间的协方差都等于0；（2）若各方程的自变量都相同，并且每个自变量的每个观测值亦相同。 Breusch和Pagan（1980）基于拉格朗日乘数检验方法提出了检验原假设 检验统计量为 在给定显著性水平下，拒绝原假设，则表示模型方程的扰动项存在同期相关，则模型应设定为表面不相关回归模型。 例9.4 在本例中，我们从例9.1的数据中选取北京、辽宁、浙江、四川、安徽、河南等6个省市的数据来建立消费模型（c为消费，y为收入），并用SUR方法和OLS分别进行估计，结果见表9.4。 表9.4 SUR估计结果与OLS估计结果的比较 12.27 0.05 0.64 20.02 0.03 0.64 y 　 2.07 423.56 878.51 3.32 263.80 875.54 a 河南 18.09 0.03 0.59 30.47 0.02 0.58 y 　 4.78 254.90 1219.50 8.44 152.83 1290.50 a 安徽 9.78 0.06 0.58 20.99 0.03 0.59 y 　 3.66 452.35 1657.76 7.16 220.55 1578.57 a 四川 7.31 0.07 0.53 14.00 0.04 0.51 y 　 2.54 1104.29 2803.24 5.25 580.67 3046.54 a 浙江 11.47 0.05 0.60 21.55 0.03 0.61 y 　 3.44 449.11 1545.33 5.88 251.89 1480.05 a 辽宁 6.57 0.07 0.48 15.14 0.03 0.48 y 　 3.50 1196.43 4184.72 7.48 557.39 4168.35 a 北京 t值 标准差（Std.） 系数 t值 标准差（Std.） 系数 OLS估计结果 SUR估计结果 　 表9.4中a表示方程中的常数项，y表示收入。如：北京市的SUR