面板数据模型设定检验方法.docVIP

1：（STATA的双固定效应）xi：xtreg y x1 x2 i.year,fe 2：变系数模型 （1）生成虚拟变量 tab id,gen(id) gen open1=id1*open gen open2=id2*open （2）变系数命令 xtreg y open1 open2。。。，fe 面板数据模型设定检验方法 4.1 F检验 先介绍原理。F统计量定义为 其中RSSr 表示施加约束条件后估计模型的残差平方和，RSSu 表示未施加约束条件的估计模型的残差平方和，J表示约束条件个数，N 表示样本容量，k表示未加约束的模型中被估参数的个数。在原假设“约束条件真实”条件下，F统计量渐近服从自由度为( J, N – k )的F分布。 以检验个体固定效应回归模型为例，介绍F检验的应用。建立假设 H0：(i =(。模型中不同个体的截距相同（真实模型为混合回归模型）。 H1：模型中不同个体的截距项(i不同（真实模型为个体固定效应回归模型）。 F统计量定义为： F== (31) 其中SSEr表示约束模型，即混合估计模型的残差平方和，SSEu表示非约束模型，即个体固定效应回归模型的残差平方和。非约束模型比约束模型多了N-1个被估参数。 以案例1为例，已知SSEr= 4824588，SSEu= 2270386， F= = == 8.1 (32) F0.05(6, 87) = 1.8 因为F= 8.1 F0.05(14, 89) = 1.8，推翻原假设，比较上述两种模型，建立个体固定效应回归模型更合理。 4.2 Hausman检验 对同一参数的两个估计量差异的显著性检验称作Hausman检验，简称H检验。H检验由Hausman1978年提出，是在Durbin（1914）和Wu（1973）基础上发展起来的。所以H检验也称作Wu-Hausman检验，和Durbin-Wu-Hausman检验。 先介绍Hausman检验原理 例如在检验单一方程中某个回归变量（解释变量）的内生性问题时得到相应回归参数的两个估计量，一个是OLS估计量、一个是2SLS估计量。其中2SLS估计量用来克服回归变量可能存在的内生性。如果模型的解释变量中不存在内生性变量，那么OLS估计量和2SLS估计量都具有一致性，都有相同的概率极限分布。如果模型的解释变量中存在内生性变量，那么回归参数的OLS估计量是不一致的而2SLS估计量仍具有一致性，两个估计量将有不同的概率极限分布。 更一般地，假定得到q个回归系数的两组估计量和，则H检验的零假设和被择假设是： H0: plim(-) = 0 H1: plim(-) ( 0 假定两个估计量的差作为统计量也具有一致性，在H0成立条件下， (-) N(0, VH) 其中VH是(-)的极限分布方差矩阵。则H检验统计量定义为 H = (-) (N-1)-1 (-) ( (2(q) （33） 其中(N-1)是(-)的估计的方差协方差矩阵。在H0成立条件下，H统计量渐近服从(2(q)分布。其中q表示零假设中约束条件个数。 H检验原理很简单，但实际中VH的一致估计量并不容易。一般来说， N-1= Var(-) = Var()+Var()-2Cov(,) （34） Var()，Var()在一般软件计算中都能给出。但Cov(,)不能给出。致使H统计量（33）在实际中无法使用。 实际中也常进行如下检验。 H0：模型中所有解释变量都是外生的。 H1：其中某些解释变量都是内生的。 在原假设成立条件下， H = (-) (-)-1 (-)((2(k) （36） 其中和分别是对Var()和Var()的估计。与（34）式比较，这个结果只要求计算Var()和Var()，H统计量（36）具有实用性。 当(表示一个标量时，H统计量（36）退化为， H = ((2(1) 其中和分别表示和的样本方差值。 H检验用途很广。可用来做模型丢失变量的检验、变量内生性检验、模型形式设定检验、模型嵌套检验、建模顺序检验等。 下面详细介绍面板数据中利用H统计量进行模型形式设定的检验。 假定面板模型的误差项满足通常的假定条件，如果真实的模型是随机效应回归模型，那么(的离差OLS估计量和随机GLS法估计量都具有一致性。如果真实的模型是个体固定效应回归模型，则参数(的离差OLS法估计量是一致估计量，但随机GLS估计量是非一致估计量。可以通过H统计量检验(-)的非零显著性，检验面板数据模型中是否存在个体固定效应。原假设与备择假设是 H0: 个体效应与回归变量无关（个体随机效应回归模型） H1: 个体效应与回归