静态变截距面板数据模型分析.pptVIP

三、一维随机效应模型 where The estimator is called the between-group estimator because it ignores variation within the group. 静态变截距面板数据模型 取决于误差方差、随机效应方差之间的表达式 三、一维随机效应模型 通常误差项和随机效应的方差未知，因此斜率估计量（3.3.12）不能算出来。这时需采用两阶段GLS方法来估计斜率。第一阶段用某些方法把误差项和随机效应的方差估计出来，第二阶段再算斜率估计量。SAS9.3提供了4种方法用来估计误差项和随机效应的方差，见1372页。 Fuller and Battese’s Method Wansbeek and Kapteyn’s Method Wallace and Hussain’s Method Nerlove’s Method 静态变截距面板数据模型 静态变截距面板数据模型 静态变截距面板数据模型分析 主要内容 面板数据的优势和需要注意的问题 面板数据模型分类和分析步骤 静态变截距面板数据分析 一维固定效应模型、二维固定效应模型、一维随机效应模型、二维随机效应模型、用固定效应模型还是随机效应模型 面板数据简介 与截面数据和时间序列数据相比，面板数据的优势：缓解遗漏变量偏差，减少多重共线性。 1.可为研究者提供大量数据点，从而增加自由度并降低解释变量之间的共线性程度，因而可改进参数估计质量（一致性、准确性、有效性等） 2.可让研究者分析无法仅用截面数据或时间序列数据分析的经济问题。比如，分析生产成本问题，只利用截面数据，即选择同一截面上不同规模的企业数据作为样本观测值，可以分析成本与企业规模的关系，但是不能分析技术进步对成本的影响；只利用时间序列数据，即选择 面板数据简介 同一企业在不同时间上的数据作为样本观测值，可以分析成本与技术进步的关系，但是不能分析企业规模对成本的影响。如果利用面板数据，则二者都可以进行分析。 3.能显著减少缺省变量（或不能观察到的变量）所带来的问题。存在与解释变量相关的缺省变量，会引起用最小二乘法得到的解释变量的系数估计量有偏（见教材第5页） 面板数据简介 where xit and zit are k1 ×1 and k2 × 1 vectors of exogenous variables（外生变量）; α*,β, and ρ are 1 × 1, k1 × 1,and k2 × 1 vectors of constants respectively; and the error term uit is independently, identically distributed over i and t ,with mean zero and variance σu2 . i表示截面个体。t表示时间。可以用最小二乘法估计吗？——可以。因为系数对不同公司、不同年份都一样。如果系数有下标则不可以。 面板数据模型分类 2种基本的面板数据模型 截距随截面个体或时间变化，斜率不随截面个体和时间变化。（a有下标，b没有下标）称为变截距模型，这是应用得最为广泛的面板数据模型。如（2.2.2式） H1:Regression slope coefficients are identical ,and intercepts are not, That is, 面板数据模型分类 截距和斜率随截面个体或时间变化，称为变系数模型。a，b都有下标。当b有下标时，a有没有下标都不重要。注意，所有系数（截距和斜率）不能同时既随时间变化也随截面个体变化，因为这时观察值数比要估计的参数要少，没法估计出参数。 上述模型可以进一步细分为固定效应模型和随机效应模型，取决于截距和斜率被假设为固定还是随机。通常不把b当成随机，一般只研究截距和误差项。 根据自变量是否包括滞后因变量，面板数据模型 有静态和动态之分。一般研究静态变截距模型 1.检验斜率和截距都不随截面个体和时间变化。譬如原假设为17页H3. 检验统计量为表达式2.2.14。全模型就是有下标的模型，缩减模型就是没有下标i。 如果接受H3,则模型为2.2.4. 面板数据模型分析步骤 2.检验斜率不随截面个体和时间变化。譬如原假设为17页H1. 检验统计量为表达式2.2.15. 如果接受原假设，则模型为2.2.2。 面板数据模型分析步骤 如果原假设不能被拒绝，就要进一步检验a是不是相等。如果原假设被拒绝，则可以做也可以不做检验。 3.检验截距不随截面个体和时间变化。譬如原假设为18页H4.