面板数据与分析方法 .ppt

LSDV的估计效果 Islam(2000)运用蒙特卡罗模拟研究了一些关于经济增长收敛方面的面板数据估计。研究发现，如果以小样本偏差和预测误差的标准方差来判断的话，LSDV估计在小样本上的估计结果最好，其估计效果甚至比GMM估计和工具变量(IV)估计都更好。 Islam (2000)对此提供的一种理论解释是，GMM和IV估计在小样本上估计效果不好的原因是因为，这两种方法的优点都依赖于回归估计中所能选择到的最优权重矩阵，而这一权重在回归中可能会收到数据噪声。 LSDV的估计效果 二、固定效应模型的估计方法 （三）一阶差分法 对于固定效应模型，给定第i个个体，将方程 两边进行一阶差分，以消去个体效应，得 对上述差分形式的方程使用OLS就可以得到“一阶差分 估计量”，记为 。 组内估计量与一阶差分估计量 由于 不再出现在差分方程中，只要扰动项的一阶差分 与解释变量的一阶差分 不相关，则 是一致的。此一致性条件比保证 一致的严格外生 性假定更弱，这是 的主要优点。 组内估计量与一阶差分估计量 组内估计和一阶差分都假设不可观测的个体效应与 解释变量相关，两种估计方法在T=2时产生相同的估计 量和推断。当总体时期T2时，在 序列不相关，独立 同分布的情况下，组内估计量 比一阶差分估计量 更有效率。因此，在实践上，主要使用 ，而较少用 第三节 面板数据模型的估计方法 一、混合最小二乘估计 二、固定效应模型的估计方法 三、随机效应模型的估计方法 三、随机效应模型的估计方法 对于回归方程： 随机效应模型假定 与解释变量 均不相关，故 OLS是一致的。然而，由于扰动项由 组成，不是 球型扰动项（同方差、无自相关），因此，OLS不是最 有效率的。 由于 的存在，同一个体不同时期的扰动项之间存在自 相关， 具体来说，用OLS来估计以下“广义离差” (quasi-demeaned) 模型， 组间估计(Between Estimator) 究竟该用固定效应还是随机效应模型？ 当我们在日常研究中选取模型形式时，不能确定未观测到的个体效应是否与解释变量相关，因而不能恰当地在固定效应模型和随机效应模型之间进行选取。错误选取模型类型，将影响我们的参数估计量等从而影响对具体问题的分析。在处理面板数据时，究竟该使用固定效应模型还是随机效应模型是一个根本问题。 Hausman检验 原假设H0： 与 不相关（模型应设定为随机效应） 备择假设H1： 与 相关（模型设定为固定效应） Hausman检验统计量： 固定效应模型与随机效应模型哪个更好一些？ 随机效应模型的好处是节省自由度。对于从时间和截面两方面看都存在较大变化的数据，随机效应模型能明确地描述出误差来源的特征。 固定效应模型的好处是，很容易分析任意截面数据所对应的应变量与全部截面数据对应的因变量均值的差异程度。 Wooldridge(2000) 在实际应用时，是选择固定效应模型还是选择随机效应模型？一般的经验的做法是，如果研究者预期建立面板数据模型推断样本空间的经济关系，则模型设定为固定效应模型会更合理一些。否则，如果研究样本是从总体随机抽样得到的，并且预期利用模型解释或推断总体的统计性质，则将模型设定为随机效应模型比较合理。 古扎拉蒂（2013） 1.如果T（观测的时间点的数目）较大，且N（横截面单元的数量）较小，则通过固定效应模型和随机效应模型估计的参数值之间很可能没什么差别。这时的选择依据就是基于计算上的便利了。在这种情况下，固定效应模型可能更加可取。 古扎拉蒂（2013） 2.在短面板（N大且T小）中，两种方法的估计值可能有显著差别。如果我们确信样本中横截面单元不是从一个较大的样本中随机抽取的，那么固定效应模型是可取的。如果不是这种情况，统计推断是无条件的，则随机效应模型是可取的。 古扎拉蒂（2013） 3.如果N较大而T较小，并且随机效应模型的假设成立，那么随机效应模型的估计量比固定效应模型的估计量更加有效。 古扎拉蒂（2013） 4.与固定效应模型不同，随机效应模型可以估计时间不变性变量的系数，比如性别和种族这类变量。固定效应模型确实可以控制住这些时间不变性变量，但是它不能直接估计这些变量，这一点从LSDV估计模型中