第七章：面板数据处理 (new).ppt

第七章：面板数据的处理;案例一;例桥拔哑傈翁继撼赢拳善魔札术氦蚤灌祥勃僳祭抓惩瓣犹储贸省醚茫续得第七章：面板数据处理 (new)第七章：面板数据处理 (new);案例一;案例一;瞄挠赔滥四太蔚扒滓蔫懦葱屈包国躲守唯航硷蔷坏莹其罕肾扫谆盛罩松靛第七章：面板数据处理 (new)第七章：面板数据处理 (new);案例一;案例一;案例一;案例一;案例一;案例一;案例一;案例一;本章的两大问题;案例二:啤酒税与交通死亡率 ;案例二:啤酒税与交通死亡率 ;案例二:啤酒税与交通死亡率 ;U.S. traffic death data for 1982: ;U.S. traffic death data for 1988 ;啤酒税越高，交通死亡率越高？？？ ;遗漏变量可能引起估计的偏误 ;遗漏重要变量的烦恼;案例二:啤酒税与交通死亡率 ;两时期面板数据;主要的想法：;相减后得到：;案例二:啤酒税与交通死亡率 ;?FatalityRate v. ?BeerTax: ;问题;面板数据模型的一般理论; ; ; ;2、固定效应回归的参数估计;（1）引入（N-1）个哑变量的回归;The regression lines for each state;上述情形可以用“带虚拟变量的回归”来表示：;（1）引入（N-1）个哑变量的回归;(2) 去中心化的回归“Entity-demeaned” OLS regression;(2) 去中心化的回归“Entity-demeaned” OLS regression;(2) 去中心化的回归“Entity-demeaned” OLS regression;请问：随个体变化的截距项如何估计？？？;3、一般化的“固定效应”模型;（2）时间固定效应模型Regression with Time Fixed Effects;（2）时间固定效应模型Regression with Time Fixed Effects;（2）时间固定效应模型Regression with Time Fixed Effects;（2）时间固定效应模型Regression with Time Fixed Effects;（3）个体与时间分别固定效应模型;（3）个体与时间分别固定效应模型;（3）个体与时间分别固定效应模型;4、面板数据模型的缺陷;4、面板数据模型的缺陷;（二） 随机效应的面板回归Random Effects Regression ;（1）模型的设定;（1）模型的设定;（1）模型的设定;广义最小二乘法（feasible GLS）： Yit = ?1Xit + vi + uit = ?0 + ?1Xit + εit 对某一个个体而言，总随机项的协方差阵： ; 计算可得： 其中， ; 原方程两边乘以权重： ;估计方法： 可行的广义最小二乘法（feasible GLS）： Yit = ?1Xit + ?i + uit = ?0 + ?1Xit + εit 其中λ是： ;估计方法： 可行的广义最小二乘法（feasible GLS）： Yit = ?1Xit + ?i + uit 当λ=0，相当于对“混合数据”直接进行OLS估计； 当λ=1，相当于“去中心化”法。 ; 估计方法： 之前应对“固定效应”的LSDV估计方法，依然是一致、有效估计量。 因为该方法去除了“与解释变量相关”的问题，同时也去除了“序列自相关”。 ;估计方法;估计方法;相关的检验;F检验;豪斯曼检验;豪斯曼检验;;;面板数据建模案例分析 ;面板数据建模案例分析 ;面板数据建模案例分析 ;总 结;面板数据处理方法的本质;处理方法一;处理方法一;Y;The regression lines for each state in a picture ;处理方法一;处理方法一;处理方法二;处理方法二;处理方法二;处理方法三;处理方法三;处理方法三;处理方法三