第七章：面板数据的处理new.ppt

处理方法二 固定效应模型的参数估计： 与前述相同： 1、两个体之间相减，再回归（适用于n=2）； 2、引入（T-1）个虚拟变量的回归； 3、去中心化回归； 处理方法三 对每一个个体多观测几期（T期） 于是有X2,i1, X2,i2,…X2,iT 假设：该变量（X2 ）在不同时期都相等！但对不同个体之间有差异。 而且这个差异是随机的！而不是确定性的。 处理方法三 假设：该变量（X2 ）在不同时期都相等！但对不同个体之间有差异。 而且这个差异是随机的！ 此时，（β0+vi ）体现了不同个体间的差异， 而vi是随机变量，称为“误差成分”。 误差成分模型（之一）（之二） 处理方法三 1、误差成分模型（之一） 要求：随机项vi与自变量X之间不相关 2、误差成分模型（之二） 随机项vi与自变量X之间相关 处理方法三 误差成分模型的参数估计 Eviews自动给出； 随机效应估计量（适用于“之一”） 固定效应估计量（适用于“之二”） 4、面板数据模型的缺陷 （二） 随机效应的面板回归Random Effects Regression  模型设定 ； 参数估计； （1）模型的设定 模型设定 ： （1）模型的设定 此时，随机项的方差为： （1）模型的设定 此时，同一个个体，不同时点的随机项，彼此之间会相关： 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： （2）参数估计 计算可得： 其中， （2）参数估计 原方程两边乘以权重： （2）参数估计 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： （2）参数估计 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。 （2）参数估计 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”。 （2）参数估计 估计方法 Eviews自动给出： 随机效应估计量（即，GLS估计。它适用于“随机设定的第一种效应：不相关设定”） 固定效应估计量（即，LSDV估计，或者成为“去中心化后的OLS”，适用于“固定效应”和“随机设定的第二种情况：相关设定”） 估计方法 去中心化的OLS估计 可行的GLS估计 估计量之差 随机效应模型 不具有一致性 具有一致性 小 固定效应模型 具有一致性 具有一致性 大 相关的检验 F检验 豪斯曼检验 F检验 用于检验是否存在固定效应 原假设与备择假设： H0: 所有的截距 ?i 都相等 H1: 起码有一个与其他的不同。 m——约束条件的个数 T——样本容量 k——无约束模型中需估参数的的个数； 豪斯曼检验 Hausman检验 用于检验到底应该采用哪一种随机效应模型 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: 个体效应与回归变量相关（个体固定效应回归模型） 豪斯曼检验 Hausman检验 面板数据建模案例分析 案例1：1996-2002年中国东北、华北、华东15个省级地区的居民家庭固定价格的人均消费（CP）和人均收入（IP）。数据是7年的，每一年都有15个数据，共105组观测值。 15个省级地区的人均消费序列 15个省级地区的人均收入序列（个体） 15个地区7年人均消费对收入的面板数据散点图如下。图6中每一种符号代表一个省级地区的7个观测点组成的时间序列。相当于观察15个时间序列。图7中每一种符号代表一个年度的截面散点图（共7个截面）。相当于观察7个截面散点图的叠加。 人均消费对收入的面板数据散点图 对数的人均消费对收入的面板数据散点图 面板数据建模案例分析 面板数据建模案例分析 个体固定效应模型估计结果如下： LnCPit