第六章节时序横截面模型.pptVIP

第六章 时序横截面模型 时序横截面模型 适用于时序横截面数据（Panel data，longitudinal，又译为面板数据、平行数据、综列数据等等）的模型称为时序横截面模型。 时序横截面模型 时序横截面模型 可以采用传统方法进行估计，但很有可能出现问题 时序横截面模型 时序横截面模型 利用该数据，按传统方法，可以获得12组模型 时期的模型横截面数据（3组）： 横截面的模型时序数据（9组） 时序横截面模型 如果将数据合并建模，实际要求：所有模型的截距和回归系数都要相同，如果这一假设不成立，则参数估计不具有一致性。 例：截距不同，斜率一样 时序横截面模型 将三组并为一组，实际意味着：不同时期，因变量和自变量的规律没有变化；对不同的个体而言，因变量和自变量的规律也没有变化； 在截距不同时，随机误差项就必然不满足回归假定，参数估计也会失准。 时序横截面模型 时序横截面模型 时序横截面模型 时序横截面的优点： 1、扩大样本量 2、减少违背回归假设的可能 3、增强解释力，可以同时研究个体间的差异和时期间的差异 时序横截面模型 主要内容： 固定效应模型 随机效应模型 固定效应还是随机效应——Hausman检验 （一）固定效应模型 适用范围： 横截面或时序之间的差异主要体现在截距上 假设： 差异为常数，是固定的未知参数 （一）固定效应模型 变截距模型 （一）固定效应模型 固定效应变截距模型的估计可以采用虚拟变量模型（LSDV模型，Least Square Dummy Variables） 以时序组之间变截距为例 如果两个时期： （一）固定效应模型 如果三个时期： （一）固定效应模型 LSDV模型的优点 可以对不同组之间的差异作出估计 LSDV模型的缺点 如果组较多，则需要设置较多的虚拟变量 （一）固定效应模型 一阶差分法 （一）固定效应模型 组内变换法 （一）固定效应模型 横截面与时序效应同时存在 （一）固定效应模型 横截面与时序效应同时存在时的LSDV估计 如果有N个横截面、T个时期（时点），则同时设置N-1个横截面虚拟变量和T-1个时序虚拟变量即可 （一）固定效应模型 组内变换法所得估计量称为组内估计量或固定效应估计量，与LSDV的结果相同 当T=2时，差分法和组内变换法的结果相同 一般说：原随机误差不存在自相关，组内变换更有效，如果强正相关，则差分法更佳 差分法和组内变换法应全部进行，并比较结果的差异 （一）固定效应模型 固定效应模型将截距的差异视为待估参数 固定效应模型可以分为one-way 与two-way 模型 估计方法有： 虚拟变量法 一阶差分法 组内变换法 （二）随机效应模型 认为横截面或时序模型之间截距的差异值是随机的，不是一个固定参数，随机性来自于样本代替总体。 （二）随机效应模型 截距是随机变量的处理方法是：将截距差异包含到随机误差项中，对随机误差项的构成与统计特征做进一步规定。 这样处理背后的假定是：效应（截距差异）与解释变量无关，而在固定效应模型中，一般允许与解释变量中的一个或多个相关 （二）随机效应模型 基本模型 （二）随机效应模型 与固定效应模型对应，可以构造三种误差分量 （二）随机效应模型 two-way random effects model 该模型用Fuller-Battese方法估计 GLS方法 GLS方法 GLS方法 GLS方法 GLS方法 GLS估计量 无偏 渐近服从正态分布 方差 FGLS（Feasible GLS） （二）随机效应模型 one-way random effects model （二）随机效应模型 （二）随机效应模型 考虑自相关的模型 实时相关一阶自回归模型 该模型用Parks方法估计 （二）随机效应模型 混合误差分量移动平均模型 该模型用Da Silva方法估计 （二）随机效应模型 比较时序横截面模型的估计结果，可以发现OLS的估计误差明显较大。 （三）随机效应还是固定效应 将观测值视为从总体中抽样的结果，则采用随机效应，如不能这样看，则采用固定效应模型将差异看作参数 截距差异与解释变量相关：固定效应模型； 不相关：随机效应模型 Hausman检验 该检验被广泛地应用于模型的设定检验和经济理论的验证，其基本思想是： 寻找两个不同的估计值，一个无论原假设是否成立，永远具有一致性，一个只有在原假设成立的情况下，才具有一致性。这样： Hausman检验 原假设：截距差异与解释变量不相关 原假设下，固定效应的OLS与随机效应的GLS都是一致的，而原假设不成立，则OLS仍具一致性，GLS不具有一致