平行数据分析.pptVIP

平行数据的分析;;; 如果我们将这两种数据合并到一起，就有：; 我们的模型是 更详细的模型应该是 ;; 这里， 就是第i个模型截面样本自己的截距。我们可以用虚 拟变量的形式来表示这个截距，即 ? ? 这里， 是对应每一个横截面样本的虚拟变量， 则是这些虚 拟变量的参数，也就是其截距，共有N个。 ; 一般来说，我们比较国与国之间、省与省、地区 与地区之间的经济状况，认为地域间存在有自然的差 异，而时间数据中的差异则不很大。那么，我们就要 为横截面数据中的差异设虚拟变量，来估计每个横截 面样本各自的截距。 若没有足够的信息来确定如何对数据做假设时， 根据N和T的大小来定。 如果NT，可假设每个横截面样本（个体单位） 有各自的截距；如果NT，可假设每个时间段的单位 有各自的截距。; 现在我们来讨论一下假设时间段（样本）各有其截距的情况。我们可以将模型改写成 ? 这里， 就是第t时间段样本自己的截距。我们可以用虚拟变量的形式来表示这个截距，即 ? ? ? 这里， 是对应每一个时间序列样本的虚拟变量， 则是这些虚拟变量的参数，也就是个时期的截距，共有T个。 ;? 我们在这所要介绍的回归模型叫做随机影响模型，也被叫做“误差成分模型”（Error Components Model）。如果我们有一组板面数据，与前面所说的情况一样，横截面有N个单位（样本数），时间序列上有T个时期（样本数），数据中有一个因变量和K个自变量。那么，我们有适应这组数据的模型如下： ? 这里，误差项 的期望值为0，方差为 。 我们不假设 为表示某种虚拟变量的固定参数，而假设它们为随机的，相互独立的变量。它们的均值为 ，方差为 那么 就可以被写成 ? 这里的误差项的期望值为0，方差为 ，而且相互独立， 我们还假设 与 不相关，Cov（ ， ）=0。这样，我们可以把上面的模型改写为 ; 这个模型比前面所讨论的模型要复杂些，因为这里多了一个误差项。为了消除 在模型中的随机影响，我们先要估计出 的方差和 的方差，再对数据进行处理，然后再作回归估计分析。 前面我们介绍了面板数据的理论模型和处理方法。我们有一组面板数据有十个企业，三年的数据，包括产量Q，劳动力投入L和资本投入K。 ;（续表）; 我们有生产模型 我们假设各企业之间是有很大差异的，所以我们要用固定影响 模型，即使用虚拟变量来区分企业之间的差异。那么，我们有 ;;虚拟变量的参数值; 那么我们就估计出了我们所想要的模型，即 这就是用固定影响模型的方法估计出来的面板数据模型。同样，在不同的假设条件下，我们可以用随机影响模型的方法来估计面板数据的模型;; 就是说投资函数的参数关于不同的公司是不同的，但关于时间却是不变的。这个假设意味着模型将变成： 我们使用数据来说明SUR模型这些数据包括通用电器（GE）和威斯汀豪（WH）两家公司20个关于投资，股票市场价值和资本存量的时间序列数据。我们所用的下标含义为：I=G和 W，以及t=1,2,…,20。这两个公司的投资函数我们考虑为： 或者 这里我们主要考虑上述函数形式 ;; 我们可以设定两个回归类型，一个是通用电器，另一个是威斯汀豪，即； 对于误差项我们作普通最小二乘法关于矩的假设： 假设在第一个投资函数中的误差项具有下列特征：（1）零均值；（2）同方差；（3）关于时间不相关，即自相关不存在。同样的假设对第二个投资函数也成立。注意，这两个投资函数具有不同的误差方差 和 ; 由于假设精确地保证了未知数的最小二乘估计是最佳线性无偏计量，因此我们可以把最小二乘法分别应用于每个方程，并确信所得到的估计量是合理有效的。运用这样的步骤和方法，就解决了当给顶了有关通用电器的信息后，什么是通用电器方程的最佳估计量和当给顶了有关威斯汀豪方程的最佳估计量 实际上，我们可以利用有关通用电器的信息得到比单独利用威斯汀豪的信息估计威斯汀豪方程更好的估计量，反过来也一样。关于利用一个方程的信息如何去改善对另一个方程的估计的问题，需要建立这两个方程之间的一些联系。让我们来研究这方面的一些