面板数据eviews应用.ppt

面板数据 面板数据模型是同时使用截面数据和时间序列数据的计量经济学模型 模型的主要结构为： 其中N表示个体数，T表示时间序列个数，面板数据模型分为固定效应模型和随机效应模型 各种模型的介绍： 1）??? 斜率系数是常数，截距在个体间是变化的： 3）所有系数在个体之间均是变化的： 面板数据模型可以构造和检验比单独用横截面数据或时间序列数据更现实的行为方程模型，但是由于面板数据包括两维的数据，如果模型设定不正确，则将造成较大的偏差。因此，在我们做任何推理之前得先确定模型的结构,且一般是利用协方差分析来确定模型的具体结构的。 以下用一个例子来说明如何在eviews中估计面板数据模型。 以下数据估计用于研究投资需求的面板数据模型，这些数据包括五家企业和三个变量的20年观测值的时间序列。 数据说明 tq代表通用汽车，ks代表克莱斯勒，td代表通用电气，xw代表西屋,mg代表美国钢铁，则I_tq代表通用汽车企业的投资，I_ks代表克莱斯勒企业的投资，I_td代表通用电气企业的投资，I_xw代表西屋企业的投资，I_mg代表美国钢铁企业的投资，其他的以此类推。 操作步骤为： 1，建立1935年到1954年的一个工作文件； 2，在object/new object中选择pool选项，并命名为I，其视图框如下： 或者用如下命令：pool I 选择Pool后得到一个对话框，在对话框中输入：_TQ，_KS，_TD，_XW，_MG。 具体的图示如下 : 3，生成如下数据序列： I_TQ，I_KS，I_TD，I_XW，I_MG 并把这些数据序列的数据导入。导入方法和一般序列的导入方法一致，只是这里使用了特定的名称。 4，同样的可以导入面板数据F和V。 图三的进一步解释 Intercept下面的选项代表截距的处理方式，None表示不包含截距项，Common表示截面单元有相同的截距，Fixed effects与Random effects分别表示截距变动的确定效应和随机效应模型。Weighting下面表示估计的方法，eviews的默认项是No weighting，表示不加权，Cross section weighting表示可行的广义最小二乘法（GLS），主要是为了减少截面数据造成的异方差影响，SUR表示同时对截面单元异方差性和时间相关性进行修正的GLS估计，并得到Park估计量，注意当样本数据中截面单元很多而时序数据很少时，这种方法通常是失效的；Iterate to convergence表示迭代直到收敛。 7，选择方法后点击OK就可以得出估计结果。 由上面的分析，现在可直接对固定影响模型进行模型估计（选择Common coefficients，Fix effects，Cross section weights ），其结果为： 采用随机效应变截距模型进行模型估计（ Common coefficients，Random effects，No weighting ），其结果为： 估计结果比较 通过前面所说的hausman 检验，可得出其检验统计值等于－64.9268，远小于显著水平为10％时的临界值，即 。因此我们接受零假设，即选择随机影响模型来作为模型估计结果。 分析和结论 可以从模型的估计结果中看出，整个模型的估计结果不存在序列相关性了，也就是说，投资（I），前一年企业的市场价值（F），前一年末工厂存货和设备的价值（V）之间的关系对每个企业来说都不相同，这也是可以理解的，因为每个企业的规模都很大，资金设备等各方面的优势都很明显，所以每个企业都可以根据各自的情况来制定各自的企业决策而不依赖于其他公司的反应，这也就表现在面板数据模型中每个企业的估计结果各不相同。 5，根据前面给出模型设定的公式，eviews3.0软件里的程序窗口编辑相应的程序，并运行该程序，得到F1=2.5619，F3=11.8418，F4=23.8895，因此在5％显著水平上接受H1，而拒绝H3和H4，记该模型应采用变截距模型： 6，在图二中，点击Process/estimate 出现如下对话框： 被解释变量名称 样本区间 模型的解释变量为常系数 模型的解释变量为可变系数 图三 * * 2）斜率系数是常数，截距在个体间和时间上是变化的： 4）所有系数在时间上和个体之间均是有变化的： 模型的设定 三种类型的限制可以用于约束(5)式 我们假定参数在时间上是不变的，而在个体之间则是可能变化的。 ：回归斜率系数是相同的，但是截距不相同，即： :回归截距是相同的，而斜率系数不相同，即 ： :斜率和截距系