第九章节_面板数据模型.ppt

表9.2 随机影响模型中各省市截距与截距均值的差异 广东省 +947.57 湖北省 -5.72 青海省 -237.66 北京市 +869.94 甘肃省 -28.77 贵州省 -277.98 上海市 +758.99 宁夏回族自治区 -72.45 江苏省 -313.65 重庆市 +600.81 吉林省 -80.12 河北省 -323.20 浙江省 +405.36 福建省 -85.95 广西壮族自治区 -342.78 西藏自治区 +401.90 云南省 -114.59 黑龙江省 -349.45 天津市 +286.50 内蒙古自治区 -124.96 山东省 -366.20 陕西省 +179.61 新疆维吾尔自治区 -144.96 山西省 -410.53 辽宁省 +144.45 海南省 -175.43 江西省 -550.98 湖南省 +109.89 安徽省 -228.70 河南省 -567.76 四川省 +96.83 　 　 　 　 我们可以利用回归结果来检验31个省市截距随机影响是否存在，原假设和备择假设是： 检验统计量如下： 查表，5％显著性水平下， =3.84 因为LM＝98.765 3.84，故拒绝原假设H0。 结论：31个省市的截距存在随机影响，模型应设定为随机影响模型。 四、豪斯曼检验（Hausman Test） 豪斯曼检验的思路是在随机影响模型中，如果 ，即随机影响与解释变量之间没有正交性，则GLS估计量 是有偏和非一致的。但是，正交性并不影响固定影响模型的组内估计量 的性质。于是，通过检验模型误差项与解释变量的正交性就可解决面板数据模型的设定问题，如果模型误差项与解释变量之间是正交的，即GLS估计量是无偏的，则应将模型设为随机影响模型，否则设为固定影响模型。其原假设与备择假设分别为： 检验统计量为： 其中 可见，拒绝原假设 时，模型设定为固定影响模型；否则，模型应设定为随机影响模型。 例9.3 在例9.1及例9.2中，我们分别假定模型为固定影响模型和随机影响模型，在本例中，我们应用豪斯曼检验来判别我国31个省市的消费模型中的截距差异是确定的还是随机的。 应用EViews6，对例9.2随机影响模型进行豪斯曼检验，结果如下表9.3。 表9.3 豪斯曼检验结果 Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.? Cross-section random 39.370333 1 0.0000 从表9.3可知，豪斯曼检验统计量m＝39.37，其p值小于显著性水平0.05，则拒绝原假设，即城镇消费模型应设定为固定影响模型。 第四节 SUR模型 泽尔纳（Zellner）提出的表面不相关回归（Seemingly unrelated regression，SUR）是另一种可供选择的分析面板数据的方法。在SUR模型中，各个方程的扰动项在时间上是独立的，但在横截面单元间相关，GLS法被应用来利用这种扰动项中跨横截面单元的相关： 一、表面不相关回归模型 表面不相关回归模型的一般形式为： 模型有n个方程，每个横截面单元一个。每个方程都有自己的斜率系数 ，即每个横截面个体的解释变量对被解释变量的影响是不随时间变化的确定性关系，但随着横截面个体的不同而不同。模型的扰动项 满足下列条件： 则模型扰动项的方差协方差矩阵为： ，其中 的维数是 。 由假设条件可知，各个回归方程之间实际上确实有关联。表面不相关回归容许各个回归方程的扰动项之间存在跨方程相关，方程中的诸u在任何一个时期中不必相互独立，即不同方程的扰动项之间可以存在同期相关。 这样，SUR估计程序就可以使用扰动项的相关来改善估计值。各个回归之间任何的相关都是有价值的信息，它可能是告诉我们某时期中发生了某些影响不止一个个体的变化或事件，这一变化并没有被任何一个自变量捕捉到，而只能反映在扰动项中。 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。 二、表面不相关回归模型的参数估计 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